VLA与世界模型加速机器人具身智能落地

在上海部分药房，机器人已经能够根据线上订单前往货架，在包装相近、光线反射明显的环境中夹取药品并送至窗口。其背后的“灵波通用大脑”在预训练阶段适配了17个主流机器人品牌和20种机器人构型，支持跨本体、跨任务运行，相关设备已进入上海多家国大药房门店。VLA主要负责让机器人看懂指令并完成动作，而世界模型则用于在行动前预测可能结果，两者正从并行发展走向融合。

2025年1月，全国首个异构人形机器人训练场在张江启用，国家地方共建人形机器人创新中心与华为共建实训场样板点，基于国产昇腾算力开展VLA训练，并同步研究世界模型。训练成果已被迁移到工业现场：国地中心“灵龙”系列机器人进入延锋工厂，在零件火焰处理、齐套分拣和激光弱化等工位进行数据采集与自主作业验证。不过，药房布局、包装和零件形态的差异，仍会影响模型迁移效果，实际应用需要持续补充数据、训练和调试。

世界模型的核心，是在内部构建可模拟的环境，根据当前状态和动作推演未来。蚂蚁灵波发布了具身原生世界动作模型LingBot-VA 2.0；智元的精灵G2已在工厂连续作业，并于9月推出GE-Act 2.0，将未来状态预测与动作生成结合起来。其训练数据由300小时增至3万小时，在陌生场景和陌生物体上无需额外训练测试时，一款机器人的总体成功率从17.1%提高到44.1%，陌生场景成功率约提升2.6倍。

产业界也在探索把世界模型直接嵌入VLA。擎朗智能让人形机器人在执行咖啡制作等长流程任务前先完成内部推演，并且不依赖遥操作。模型仍面临速度、真实性和数据规模挑战：GE-Act 2.0在RTX 5090上生成一个连续动作块约需104毫秒，部分模型虽能生成逼真的端杯画面，却无法同步模拟杯中液体运动；业内人士判断，能力出现明显涌现可能需要接近千万小时级数据。

上海的技术路线较为多元。大晓机器人使用开悟世界模型3.1驱动设备，在中国石油上海销售公司的便利店试运营，机器人可在75厘米宽通道内完成线上订单拣选和打包，模型约每100毫秒预测一次未来状态。穹彻智能已在全国50多个城市采集超过10万小时真实世界数据，并大量使用人类数据完成预训练和后训练；灵初智能则将人手操作转换为机器人动作，再通过客户现场强化学习迭代。

面向工业场景，它石智航的新一代模型已用于汽车线束装配等产线。上海人工智能实验室发布InternW0-Δ，将视觉、力觉和触觉纳入统一模型，支持机器人连续完成实验室移液等操作。具脑磐石尝试类脑认知世界模型，使机器人无需预先建图即可在陌生环境中探索、导航和操作；苏度科技则先在仿真环境训练，再迁移到真实机器人。无论采用何种路径，最终标准都是在真实场景中保持可靠性。

浦东相关规划提出重点布局“具身大模型+世界模型”融合技术，推动机器人理解物理规律并自主决策。工信部公开征求意见的《国家人形机器人产业标准体系建设指南（2026版）》已将世界模型纳入标准体系，《上海市人工智能标准体系建设指南（2026—2028年）》也将其列为关键技术标准，并要求建立多维度评测体系。未来机器人能否从“完成动作”进一步做到“预判后果”，仍将取决于训练场、门店、实验室和工厂中的持续验证。