智源大會(huì)上，智平方郭彥東終結(jié)世界模型與VLA之爭(zhēng)

6月，北京智源大會(huì)現(xiàn)場(chǎng)，圍繞具身智能的技術(shù)路線之爭(zhēng)再次成為行業(yè)焦點(diǎn)。

過(guò)去一年，隨著機(jī)器人產(chǎn)業(yè)快速升溫，一個(gè)問(wèn)題持續(xù)引發(fā)討論：機(jī)器人究竟應(yīng)該走VLA路線，還是世界模型路線？

對(duì)此，作為本次大會(huì)具身產(chǎn)業(yè)CEO論壇的首位開場(chǎng)主旨演講嘉賓，智平方創(chuàng)始人兼CEO郭彥東博士一上臺(tái)便化身“終結(jié)者”，對(duì)這一行業(yè)爭(zhēng)論拋出明確答案：

世界模型不是VLA的競(jìng)爭(zhēng)路線，而是VLA體系中的核心組成部分；而在世界模型與VLA融合之后，類腦架構(gòu)將成為下一代機(jī)器人大腦的重要演進(jìn)方向。

這一判斷背后，也對(duì)應(yīng)著智平方過(guò)去三年持續(xù)高壓強(qiáng)的技術(shù)布局——從端到端VLA，到融合世界模型，再到最新發(fā)布的類腦大模型NeuroVLA，一條清晰的機(jī)器人大腦進(jìn)化路線正在成型。

終結(jié)世界模型與VLA之爭(zhēng)

世界模型無(wú)疑是當(dāng)下全球具身智能領(lǐng)域最熱門的話題之一。

不少研究者認(rèn)為，機(jī)器人首先需要建立對(duì)物理世界的理解能力，才能進(jìn)一步產(chǎn)生可靠行為；也有人認(rèn)為，VLA直接從視覺(jué)和語(yǔ)言生成動(dòng)作，是更高效、更現(xiàn)實(shí)的技術(shù)路徑。

郭彥東博士認(rèn)為，從生命演化的角度來(lái)看，行動(dòng)能力并不是孤立產(chǎn)生的。生命首先需要感知環(huán)境、理解環(huán)境，然后才會(huì)產(chǎn)生行動(dòng)。

換句話說(shuō)，世界模型負(fù)責(zé)理解世界，而VLA負(fù)責(zé)作用于世界，兩者并非對(duì)立關(guān)系，而是天然統(tǒng)一的整體。

他在演講中指出，當(dāng)前被廣泛討論的“世界模型”，本質(zhì)上并不是物理規(guī)律驅(qū)動(dòng)，而是靠海量數(shù)據(jù)訓(xùn)練出來(lái)的。“數(shù)據(jù)足夠多，模型就知道水杯越過(guò)桌面會(huì)下落、手機(jī)屏幕用力敲可能會(huì)碎——這不是物理規(guī)律的總結(jié)，而是大數(shù)據(jù)學(xué)習(xí)的結(jié)果。”

基于這一判斷，郭彥東重新給出了VLA的定義：VLA是多種模態(tài)融合的大數(shù)據(jù)驅(qū)動(dòng)的端到端模型架構(gòu)的總稱。在這個(gè)定義下，世界模型與VLA沒(méi)有本質(zhì)區(qū)別，更不是替代關(guān)系。

“世界模型解決的是對(duì)物理環(huán)境進(jìn)行稠密、包含時(shí)間維度的4D預(yù)測(cè)，它是一個(gè)非常好的空間基礎(chǔ)模型，是VLA空間感知的一部分，能幫助機(jī)器人大腦越來(lái)越好。”

他進(jìn)一步用具體任務(wù)解釋了為什么兩者必須融合：“如果不把世界模型合并在VLA里面，很多任務(wù)完全做不了。比如泡茶要先拿茶包再倒水，做咖啡要先拿杯子再接水——這些推理認(rèn)知邏輯靠語(yǔ)言模型更容易完成。世界模型擅長(zhǎng)的是短程預(yù)測(cè)，比如水杯靠近桌邊可能掉落。只有把兩者合并，機(jī)器人才既能做短程物理預(yù)測(cè)，又能做長(zhǎng)程任務(wù)規(guī)劃。”

除了在VLA中融合世界模型的預(yù)測(cè)能力，智平方還利用世界模型生成真實(shí)環(huán)境中難以采集的邊緣數(shù)據(jù)（corner case）。“比如采集杯子數(shù)據(jù)時(shí)，采集到的可能都是桌子中間的，忘記采集桌子邊緣的。這時(shí)就可以用世界模型生成桌子邊緣的樣本，來(lái)補(bǔ)足VLA。”

基于這一判斷，智平方很早便開始推動(dòng)世界模型與VLA的融合研究。

2025年11月，智平方聯(lián)合北京大學(xué)率先推出融合世界模型的新一代架構(gòu)Video2Act，首次實(shí)現(xiàn)“先預(yù)測(cè)、后執(zhí)行”的機(jī)器人模型范式。

在智平方看來(lái)，世界模型最大的價(jià)值從來(lái)不是生成視頻，而是生成行動(dòng)。

機(jī)器人不僅需要預(yù)測(cè)未來(lái)會(huì)發(fā)生什么，更需要基于這種預(yù)測(cè)決定下一步應(yīng)該做什么。

因此，Video2Act并非傳統(tǒng)意義上的視頻生成模型，而是一個(gè)融合4D世界模型的VLA架構(gòu)。通過(guò)空間稠密信息建模以及動(dòng)作時(shí)序的持續(xù)輸入，機(jī)器人能夠提前理解未來(lái)狀態(tài)變化，并將這種預(yù)測(cè)能力直接轉(zhuǎn)化為行動(dòng)決策。

這是世界模型第一次真正成為機(jī)器人行動(dòng)系統(tǒng)的一部分。

在第三方評(píng)測(cè)中，Video2Act相較于硅谷同類標(biāo)桿模型取得超過(guò)30%的性能領(lǐng)先。

更值得關(guān)注的是，2026年，由英國(guó)皇家兩院院士、圖靈人工智能世界領(lǐng)先研究員Philip Torr、強(qiáng)化學(xué)習(xí)領(lǐng)域奠基者Pieter Abbeel等全球頂級(jí)學(xué)者聯(lián)合完成的世界模型權(quán)威綜述《World Model for Robot Learning: A Comprehensive Survey》中，Video2Act被作為“世界模型+VLA融合路線”的代表性成果重點(diǎn)引用。

這意味著，關(guān)于“世界模型還是VLA”的爭(zhēng)論，正在被新的技術(shù)范式所取代。

真正重要的問(wèn)題已經(jīng)不再是誰(shuí)替代誰(shuí)，而是誰(shuí)能夠率先實(shí)現(xiàn)兩者的深度融合。

世界模型與VLA融合之后，下一代機(jī)器人大腦來(lái)了

如果說(shuō)世界模型與VLA的融合解決了機(jī)器人“看懂世界”的問(wèn)題，那么機(jī)器人如何像人一樣穩(wěn)定、高效地行動(dòng)，則成為新的挑戰(zhàn)。

這也是智平方近期重點(diǎn)突破的方向。

在智源大會(huì)上，郭彥東重點(diǎn)介紹了智平方最新發(fā)布的類腦具身智能系統(tǒng)NeuroVLA，目前唯一同時(shí)具備主動(dòng)感知、故障自恢復(fù)與時(shí)序記憶三大類生物運(yùn)動(dòng)能力的具身智能系統(tǒng)。

他提出一個(gè)觀點(diǎn)：

“大家做人形機(jī)器人，天天想著如何長(zhǎng)得像人，但沒(méi)有人想如何讓腦子更像人。”

在現(xiàn)有VLA架構(gòu)中，機(jī)器人雖然已經(jīng)具備較強(qiáng)的理解能力，但面對(duì)真實(shí)世界的復(fù)雜環(huán)境，仍然普遍存在響應(yīng)慢、動(dòng)作抖動(dòng)、能耗高等問(wèn)題。

原因在于，大多數(shù)機(jī)器人仍然依賴一個(gè)統(tǒng)一的大模型同時(shí)處理感知、推理與控制。

而人類大腦并不是這樣工作的。

人腦中，皮層負(fù)責(zé)思考，小腦負(fù)責(zé)協(xié)調(diào)運(yùn)動(dòng)，脊髓負(fù)責(zé)本能反射，不同系統(tǒng)在不同時(shí)間尺度上協(xié)同運(yùn)作。

借鑒這一機(jī)制，智平方構(gòu)建了全球首個(gè)“皮層—小腦—脊髓”三級(jí)類腦架構(gòu)NeuroVLA。

其中，皮層負(fù)責(zé)語(yǔ)義理解和任務(wù)規(guī)劃；小腦負(fù)責(zé)高頻運(yùn)動(dòng)協(xié)調(diào)與動(dòng)態(tài)修正；脊髓則負(fù)責(zé)毫秒級(jí)運(yùn)動(dòng)執(zhí)行與安全反射。

這一設(shè)計(jì)讓機(jī)器人首次具備了類似生物系統(tǒng)的層級(jí)智能能力，從架構(gòu)層面提升機(jī)器人在真實(shí)物理世界中的穩(wěn)定性、實(shí)時(shí)性與能效。

實(shí)驗(yàn)結(jié)果顯示，NeuroVLA能夠?qū)C(jī)器人運(yùn)動(dòng)抖動(dòng)降低75%以上，在碰撞發(fā)生后20毫秒內(nèi)完成反射響應(yīng)，同時(shí)顯著降低系統(tǒng)功耗。

對(duì)于機(jī)器人而言，這些數(shù)字背后意味著一次質(zhì)變。

過(guò)去的機(jī)器人能夠思考，卻難以流暢行動(dòng)。未來(lái)的機(jī)器人不僅能夠思考，還能夠像人一樣即時(shí)反應(yīng)、自主修正和持續(xù)適應(yīng)。

機(jī)器人開始從“會(huì)推理”，走向“會(huì)本能反應(yīng)”。

從某種意義上說(shuō)，NeuroVLA所解決的已經(jīng)不再是簡(jiǎn)單的模型問(wèn)題，而是機(jī)器人大腦架構(gòu)問(wèn)題。

它試圖回答的是：機(jī)器人如何擁有真正接近生物系統(tǒng)的智能。

而這正是類腦智能的價(jià)值所在。

從端到端VLA，到Video2Act，再到NeuroVLA。過(guò)去三年，智平方持續(xù)圍繞機(jī)器人大腦進(jìn)行系統(tǒng)性創(chuàng)新。

如果說(shuō)VLA讓機(jī)器人擁有了行動(dòng)能力，世界模型讓機(jī)器人擁有了理解和預(yù)測(cè)能力，那么NeuroVLA則進(jìn)一步賦予機(jī)器人接近生物系統(tǒng)的反應(yīng)與控制能力。

這三次演進(jìn)背后，其實(shí)對(duì)應(yīng)著同一個(gè)方向：

如何讓機(jī)器人擁有一個(gè)更像人腦的“大腦”，讓機(jī)器人越來(lái)越接近真正的人類智能。

在本次智源大會(huì)的舞臺(tái)上，郭彥東給出的不僅是一套技術(shù)方案，更是一條關(guān)于下一代機(jī)器人大腦的演進(jìn)路線。