VLA模型

Vision-Language-Action Model = 视觉 + 语言 + 动作三模态端到端模型。是 具身智能 的"大脑"，让机器人具备"看懂 → 理解 → 执行"的完整能力。

技术细节

• 架构 — 通常基于多模态 VLM 微调（如 PaLI、Llama-3.2-Vision），输出层重新训练为动作 token
• 训练 — 大规模机器人遥操数据 + 互联网视频 + 仿真数据，标注 SoTA 包括 群核科技 SpaceVerse
• 推理 — 端到端单次前向输出动作序列，频率 10-30 Hz
• 挑战 — 训练数据稀缺（不像 LLM 有互联网文本）、长程任务、安全保障

主要玩家

国际

• Google RT-2 — 2023-07 首个公开 VLA，开创范式
• OpenAI — 与 Figure AI 合作（早期）
• Figure AI Helix — 2025 自研 VLA
• NVIDIA Project GR00T — 通用机器人基础模型
• Tesla FSD → Optimus — 一份模型迁移

中国

• 智元机器人 天工大模型 — 与 360集团 合作（据 具身智能 hub）
• 优必选 Walker AI — 整机厂自研路径（同上）

在 AI 产业链中的角色

• 是 模型工厂 在 具身智能·人形机器人 中的具体应用形态
• "数据飞轮"决定 VLA 上限：机器人部署越多 → 真实场景数据越多 → VLA 越强
• 与传统模块化机器人控制形成路径之争

演进历史

• 2022-07 Google RT-1 — 模仿学习 transformer 控制
• 2023-07 Google RT-2 — 首个公开 VLA，从 VLM 微调
• 2024 OpenVLA / OctoVLA 等开源工作
• 2025 Figure AI Helix / NVIDIA GR00T 商业化产品
• 2026E Tesla Optimus 端到端 VLA 量产落地

相关概念

• 具身智能 / 人形机器人（VLA 是其核心）
• 仿真训练（Isaac Sim / Omniverse / SpaceVerse）
• 强化学习 / 模仿学习

已废弃叙述