路线图：VLA、世界模型，以及它们怎么在 2026 年合成了一条路

2024 到 2025 年，具身智能的会议上最常见的画面是两拨人各站一边：一拨说端到端 VLA 才是正道，一拨说没有世界模型机器永远学不会物理。 2026 年，这两拨人坐到了一张桌子上，给出的结论是——世界模型不是 VLA 的竞争路线，而是 VLA 体系的核心组成部分。 翻译一下：不是谁赢了，是发现这俩本来就是一个东西的两半。

这一篇要做两件事。第一，把「模块化 / VLA / 世界模型」这三条路线到底在争什么讲清楚，以及它们为什么必然收敛。第二，逐条拆 π0.7 那份被称作「机器人界 GPT-3 时刻」的技术报告——包括它自己承认说不清的那个地方。

一、三条路线在争什么

先看一张老图。过去几十年机器人的标准架构是三层：

感知（看到什么） → 规划（该做什么） → 控制（怎么动）

每一层独立开发，接口是人为定义的，误差逐级累积。这个架构的优点极其重要：可验证。每一层都能单独测试，失败能定位到具体环节。航天、医疗这些高可靠性场景至今仍以分层架构为主，理由就是这个。

它的缺点是泛化能力被接口锁死了。感知模块输出的是人定义的中间表示，下游全部受这个表示的限制。你想让机器人「看到杯子烫就换夹子」，得先有人定义「烫」在中间表示里长什么样。

VLA 就是冲着这个来的：输入像素和文字指令，直接输出动作信号，中间的黑盒交给网络自己学。 泛化能力从架构里自然涌现——大模型在语言领域验证过的缩放律，开始在物理世界里起作用。

但纯 VLA 有个著名毛病：它会幻觉。 做出违反物理规律的动作——手穿过桌面、把不存在的力作用在物体上。因为它学的只是「观测到动作」的映射，没有学过「动作会导致什么」。

世界模型补的正是这一块：学习环境规律、预测未来状态、推演动作影响。行动之前先在内部「想象」一遍后果，拿来做规划和安全校验。思路的源头是 LeCun 的 JEPA（联合嵌入预测架构），Meta 的 V-JEPA2 能预判行为后果就是这条线的代表。

于是就有了那场争论：VLA 路线 vs 世界模型路线。听起来像两个技术方案在竞争，实际上——第三节会说——它俩根本不在同一个层次上。

二、2026 年的融合：WAM

今年的收敛过程，我按时间线拼一下：

• ICCV 2025：银河通用最早提出世界动作模型（World Action Model, WAM）的技术路线，现在它是「银河星脑」大脑基模的底座。
• 2026 年智源大会：给出明确判断——世界模型是 VLA 体系的核心组成部分，两者融合形成的类脑架构是下一代具身大脑的方向。
• 2026 年下半年：WAM 成为受关注的技术方向，被业内定义为「同时处理未来状态预测和动作执行」的范式，相关学术研究也开始系统梳理。

WAM 一句话解释：让机器人不只回答「现在看到什么、该做什么」，还能预测「做完之后会发生什么」，并把这两件事放进同一个模型体系里。

这个融合方向有几个已经落地的形态：

方向	代表	做了什么
端到端 VLA	π0.7（Physical Intelligence）	首次实证「组合泛化」，把世界模型当子目标图像提供者接进 VLA
世界动作模型	银河通用	把 WAM 作为大脑基模，同时做小脑大模型，向全身运控一体化推进
双系统架构	Figure Helix、英伟达 GR00T N1、Google Gemini Robotics	S2 大脑（VLM，慢而聪明）+ S1 小脑（高频策略），兼顾推理与实时控制
端侧分层	智平方 GOVLA	云端万亿参数负责规划，端侧小模型负责执行

注意最后两行和第一个人是同一个趋势的不同切面。 双系统是工程上的分层妥协，端侧分层是部署上的分层妥协，而它们都在回答同一个问题：一个需要几赫兹思考的系统，怎么控制一个需要几十赫兹动作的身体。

下一篇会专门拆这个，这里只说结论：分层的理由不是「大脑不够强」，而是频率不匹配。这跟你在自动驾驶里见过的「感知跑 10Hz、控制跑 100Hz」是同一类约束。

三、π0.7：该怎么读那份报告

π0.7 于 2026 年 4 月 16 日发布，被不少媒体称作机器人领域的「GPT-3 时刻」。这个称号需要审慎对待，但报告本身值得细看。

架构层面的诚实点是：架构不复杂。 底座是 Google 开源的 Gemma 3（40 亿参数），配一个 8.6 亿参数的动作专家（action expert）负责生成实际动作。团队自己说，决定性因素不是架构，而是训练配方。

训练配方的核心是「多模态提示」——也就是怎么跟机器人说话。过去机器人模型训练时只收到一句任务描述，比如「叠 T 恤」。π0.7 额外拿到四类上下文：

提示类型	内容	解决什么问题
子任务语言指令	把任务拆成自然语言步骤	告诉模型「分几步做」
episode 元数据	这次演示的质量、速度	让低质量数据也能用：失败和慢的演示标注一下就行，不用丢掉
控制模式标签	用关节控制还是末端执行器控制	统一不同本体的控制接口
视觉子目标图像	展示子步骤结束时应该长什么样	精确指定空间布局；这些图在推理时由轻量世界模型生成

这四类信息合起来做的事是消歧：同一个任务可以有不同策略、不同行为、不同熟练度，标注之后这些数据就能混在一起训练，而不是互相污染。

那条消融实验很值得记住：没有质量标注时，加入更多低质量数据会让模型变差；有了元数据，即使平均质量下降，模型仍然从更多数据中获益。 这是「数据不是越多越好，是可解释之后越多越好」的实证。

能力上的三个实证：

1. 跨本体零数据：把一个从没见过的 UR5e 双臂工业机器人指向一堆衣服让它叠 T 恤——该硬件上零训练数据。成功率约 80%，与经验丰富的真人遥操作者首次尝试时持平。注意这个对照组很讲究：不是和「熟练工人」比，而是和「第一次上手的人」比。
2. 一个模型顶掉所有专家模型：单个 π0.7 在叠衣服、做浓缩咖啡、组装箱子这些任务上，达到甚至超过此前为单项任务做 RL 微调的 π*0.6 专家模型。
3. 语言指导可以现场教会新任务：空气炸锅烤红薯——直接下指令成功率 5%，改成逐步语言指导后升到 95%。注意这个数字，它就是「提示工程降临机器人」的第一份量化证据。

四、报告里那个说不清的地方

现在说争议，这部分比上面的成绩更重要。

π0.7 声称的核心能力是组合泛化：把学过的技能重新组合来解决没见过的问题。证据是那个空气炸锅案例——团队说，训练数据里只有两段「机器人关上空气炸锅」的片段，加上开源 DROID 数据集里的一段 Franka 机械臂数据。

质疑很具体：DROID 数据集那段视频里，Franka 打开的是空气炸锅的抽屉、往里面放了个瓶子。从结构上看，这和「把红薯放进空气炸锅」非常接近。

团队自己的回应也值得引用：考虑到数据集的规模和多样性，几乎无法确定哪些任务是真的全新的。他们主张「重新组合已知积木」这件事本身就是组合泛化的本质，所以实践中「泛化得来的技能」和「从相似场景迁移来的技能」（他们称为 remixed）没有区别。

这就是语言模型圈争论了很多年的数据污染问题，原封不动地搬到了机器人领域。 而它在这里更难判定，因为机器人数据不像网页文本那样可以检索比对。

我的读法是：

• 不要因为存在争议就否定它。 UR5e 零数据那个实验的可信度要高得多——硬件不同、惯性不同、夹爪不同，80% 成功率不是靠检索能解释的。
• 也不要把它当成已解决。 「是真泛化还是检索到了相似样本」在机器人领域暂时没有公认的评估方法。这是整个领域的开放问题，不是 π0.7 一家的瑕疵。
• 报告最后留的那个尾巴最有意思：团队暗示，像 π0.7 这样的可引导模型，未来可能通过提前「想清楚」可能的方案来解决更复杂任务。当前版本还不会自己走这一步。 这正好是 WAM 要补的位置。

另一个开放问题是安全。一个会泛化的机器人，也是一个会以全新方式误解新情境的机器人。 它在没受训过的任务上会怎么失败，难以刻画——这句话对自动驾驶的读者应该很耳熟，它就是长尾问题的另一种说法。

五、映射回驾驶

这套东西在你熟悉的领域里几乎能一一对应上：

机器人	自动驾驶
分层控制 → VLA 端到端	感知-预测-规划流水线 → 端到端驾驶
纯 VLA「幻觉」违反物理	端到端模型生成不合物理的轨迹
世界模型做子目标预测	世界模型做未来帧预测辅助规划
双系统（慢大脑 + 快小脑）	慢速规划回路 + 高频控制回路
组合泛化 / 数据污染之争	端到端模型是「学会开车」还是「记住了路」
UR5e 零数据跨本体	换车型、换传感器配置后的能力迁移

第二行和最后一行尤其值得在意。「换了硬件还能不能干活」在机器人圈是核心命题（cross-embodiment），在自动驾驶圈对应的是「换车型要不要重训」。 机器人领域的答案已经比较明确——用统一提示框架消歧，让不同本体的数据混着训。这条经验早晚会被 AD 吸收。

DINOv3 系列里讨论过「冻结编码器 + 轻量适配器」的跨配置迁移思路，跟这里其实是同一个问题的两种解法：那边的答案是把感知固化成通用的，这边的答案是把接口描述做得足够丰富。哪个更胜一筹，现在还不知道。

六、这一篇的三个结论

1. 三条路线不是竞争关系，是层次关系。 分层控制提供可验证性，VLA 提供泛化，世界模型提供物理直觉。收敛形态是 WAM，双系统和端侧分层是它在工程和部署上的投影。
2. 提示的权重在上升。 空气炸锅从 5% 到 95% 的跃升、元数据让低质量数据变得可用——这两件事合起来说明，机器人模型正在重演语言模型的路径：从「模型能力决定一切」走向「上下文决定模型能用出多少」。 这句话对读过上下文工程系列的读者应该很亲切。
3. 评估方法落后于模型能力。 组合泛化和数据污染的边界说不清，是目前最大的方法论空白。谁能给出一个公认的评估方案，贡献可能比再训一个更大的模型还大。

下一篇拆双系统：为什么最前沿的具身大脑，都在同一个地方做妥协。

---

信息源：π0.7 的技术细节以 Physical Intelligence 官方博客与技术报告为准（含 Gemma 3 4B 底座 + 860M 动作专家、多模态提示框架、元数据消融实验、UR5e 叠衣 80% 成功率、空气炸锅 5%→95%）；对其组合泛化的质疑与 DROID 数据集的对照引自 the-decoder 的分析报道，PI 在报告中的自我说明亦按原文引用。WAM 提法源自银河通用在 ICCV 2025 的工作，《2026 年人形机器人产业技术白皮书》与 2026 智源大会公开讨论确认了融合趋势；出货量、融资、双系统阵营等产业数据来自科技日报/战略研究院综述与 WAIC 2026 相关报道。文中「驾驶与机器人的类比」及三条结论属于本专栏的分析，非行业共识。