VLA模型走不通，機器人的下一步該怎么走？

商湯科技聯合創始人、執行董事、大曉機器人董事長王曉剛

具身智能一直仰仗的VLA技術線路，在實際開發過程中正在面臨越來越多的挑戰。

所謂VLA模型，即視覺-語言-動作模型。它的技術邏輯可以簡單描述為，將人類指令和外界多模態信息（聲音、圖像、視頻）轉化為計算機語言，繼而控制機器人行為。

但在VLA模型的訓練中，互聯網上的靜態、非結構化文本和圖像數據，并不是訓練所需的核心數據。訓練VLA模型需要的具身智能數據，是連續的、動態的、三維甚至四維的時空軌跡流。而物理世界數據的稀缺與復雜性，成為了制約VLA模型能力躍升的主要瓶頸。

“具身智能的大腦，靠讀文章、看圖片永遠不可能理解真實的物理世界。”

商湯科技聯合創始人、執行董事、大曉機器人董事長王曉剛對筆者表示，AI的研究范式，要從以機器為中心轉變成以人為中心，通過采集人類的真實行為數據，學習真實的物理規律，去訓練具身智能的世界模型。

“以人為中心”的ACE范式

12月18日，基于“以人為中心”的研究路徑，大曉機器人推出了ACE具身研發范式。

具體來講，ACE范式就是以人類與物理世界的互動規律作為研究起點，以環境式數據采集為引擎，構建了一套從“環境式數據采集—開悟世界模型3.0—具身交互”的技術體系。

在環境式數據采集中，通過整合第一視角與第三視角視頻、力觸覺信息、運動軌跡、語音等多模態數據，構建基于物理基礎的3D資產庫。

在數據處理環節，通過時序一致性對齊、交互動態軌跡預測建模與物理正確性仿真校正，將采集到的“人—物—場”信息轉化為可直接用于模型訓練的動態場景數據。

同時，以環境式采集數據為基，大曉機器人發布了首個開源且商業化應用的世界模型——開悟世界模型3.0，形成跨本體的統一世界理解框架，融合物理規律、人類行為和真機動作，使機器不僅能“理解”物理世界因果規律，還能“生成”長時動靜態交互場景。

“在跟物理世界的交互過程中產生智能，這也是世界模型存在的價值。”

王曉剛對筆者表示，至于模型能否覆蓋更多的場景以及人類的更多的動作，這則是大曉機器人的目標。實現這一切核心的關鍵是，ACE范式能否實現更大范圍的快速擴展，讓更多的廠商和開發者使用這種方式采集數據，產生回流。

模型開源，行業共建

為了讓ACE范式實現更大范圍內的適用，大曉機器人宣布“開悟世界模型3.0”面向全行業開源。

據介紹，開悟具身智能世界模型產品平臺集成了多模態生成能力，內置支持11大類、54細類，累計328個標簽，覆蓋115個垂類具身場景，開發者只需輸入簡單指令，就能快速生成可視化的任務模擬內容，以此降低具身智能的開發門檻。

在具身本體領域，大曉機器人已攜手智元機器人、銀河通用、鈦虎機器人、國地中心等多家具身智能企業，打通ACE技術范式、世界模型與機器人硬件的適配鏈路，共同打造適用于不同場景的解決方案。

在算力側，開悟世界模型3.0則與沐曦、壁仞科技、中科曙光、輝曦智能、影微創新等多款國產廠商芯片完成適配。

硬件領域，大曉機器人與Insta360、臥龍電驅、帕西尼等深度綁定，依托硬件廠商的感知等各類硬件，強化世界模型、模組產品對多視角、動態場景的信息采集能力。

而在具身智能產品的落地節奏上，王曉剛則認為：

短期內，以具備自主導航能力的四足機器狗為主，在安防、巡檢等B端場景快速推廣；中期，機器人會聚焦前置倉、閃購倉等物流場景，解決人力密集型作業痛點；長期來看，機器人將探索家庭場景，但需解決安全性、責任界定等復雜問題。

“從明年開始，國內將出現大量前置倉與閃購倉，這類場景需要大量人力支持7×24小時服務，而機器人的加入不僅能提升生產效率，還具備較強的可復制性，能夠充分發揮其在這類環境中的優勢。”

王曉剛表示，“以人為中心”的ACE范式，大方向是正確的，特斯拉、Figure AI等企業，也在朝著這個方向轉變。“這個賽道還沒到收斂階段，仍在不斷涌現新的機會點，接下來的一到兩年會是非常關鍵的時期。”（作者 | 科技潛線，文 | 饒翔宇 編輯 | 鐘毅）