文章核心观点 - 具身智能领域VLA与世界模型两条技术路线的争论正被GPT-6 Astra等大模型的出现所消解，行业核心短板在于缺乏高频输出动作的System 1控制系统，而非高层推理能力 [6][7] - 无论哪条技术路线，当前更需要补齐的是对物理世界的多模态感知与反馈能力，将多模态感知反馈与高频动作执行结合是具身智能走向生产生活的必经路线 [9][10] - 真正有价值的融合重在能力互补而非两套模型简单拼接，核心是System 1与System 2的融合，而非VLA与世界模型架构层面的拼接 [21][22][24] 技术路线之争与核心能力短板 - GPT-6 Astra可视为承担高层推理与任务规划的System 2，机器人更欠缺的是高频输出动作、完成给定任务的System 1控制系统 [6] - 多数具身企业不具备OpenAI级别算力资源训练超大规模VLA模型，更现实的目标是提升System 1能力，让机器人高频输出动作并泛化完成不同任务 [6] - 引入动作专家模块的VLA、世界动作模型、仿真环境中训练的小模型，都是实现System 1目标的不同技术路径 [7] - 世界模型未必是具身智能最终收敛的技术范式 [7] - GPT-6等大模型算力消耗、Token开销和执行速度仍有优化空间 [9] - 机器人在拧螺丝、插拔PCB板等精细任务中不仅需识别物体，还需判断施加力的大小及操作后状态变化 [9] - GPT-6依靠视觉信息也可能完成任务但耗时较长，引入物理反馈后可明显提升执行效率 [10] 模型能力下一步突破方向 - System 1模型需快速处理触觉等外部传感信息并完成高质量3D感知，目前VLA与世界动作模型的零样本泛化能力普遍偏弱 [11] - 核心难点在于视觉层面如何实现对三维世界的泛化理解，BeingBeyond推出Being-H0.8后重点攻坚该方向 [11] - 具身模型需将反馈、行动、感知真正闭环走起来，通过与环境交互获得反馈并基于反馈提升模型性能，实现零样本或少样本泛化 [12] - 行业探索In-Context learning等工作，目标是在更多任务上具备泛化能力和更强适应能力 [12] 触觉在精细操作中的角色 - 触觉属高频处理传感模态，可应用于预训练阶段从视觉信号识别接触点位融入下一状态预测，以及真实机器人控制环节旁路介入实时修正动作输出 [14] - 面向高阶灵巧操作触觉不可或缺，但面向大量现实商用任务触觉不一定带来本质性能提升 [14] - 触觉可补足夹持力大小信息约束动作执行，并捕捉瓶盖拧开、PCB插拔、容器形变等物理状态变化帮助模型预判后续演化 [14] - 触觉对数据采集设备提出新要求，带力反馈的采集手套等硬件是行业正在探索但成本仍然较高的解决方案 [14] 数据路线与训练策略 - 100条真机数据仅能支撑单一任务，视频生成合成数据成为重要手段；卢宗青方向选择输入50万小时人类第一视角视频训练隐空间世界动作模型 [15] - GPT-6 Astra同时使用大量第一、第三人称视频叠加真机数据完成训练，与Being-H0.8预训练数据构成逻辑相近 [15] - 训练目标决定数据策略：训练GPT-6级别大模型需海量Ego视频与真机数据；训练侧重动作输出、追求3D物理泛化的System 1模型则盲目扩大数据规模并非最优解 [15] - 行业普遍认同"数据金字塔"思路，工人佩戴设备采集Ego数据容易实现规模扩张并提供样本多样性构成预训练底座，仿真与视频生成合成数据可在预训练阶段发挥价值 [16] - 真正难点是不同训练阶段的数据配比，大模型领域预训练、中期训练、后训练配比已有成熟实践，具身智能领域仍处探索阶段 [16] - 评测痛点在于更换场景、硬件后效果波动，仿真榜单成绩亮眼但仿真—现实鸿沟始终存在，真机榜单被认为意义不大，增加了确定最优数据配比方案的难度 [16] - 行业共识是预训练保证样本广度、下游依靠真机数据微调，以此搭建完整数据体系 [16] 高训练成本下的行业格局 - AMI Labs估值30亿欧元、World Labs被AMD以82亿美元收购、英伟达Cosmos单次训练成本堪比一部高端工业影片 [17] - System 2级别具身基础模型短期门槛极高，OpenAI、国内Seed等大模型公司已开始积累机器人数据训练类似Astra的模型 [17] - 具身创业公司核心突破口是打造具备泛化能力的高频控制System 1模块，并与System 2大模型探索结合，依靠RSI机制获得新场景泛化能力 [18] - 短时间之内更多看到的是垂类模型，部分模型规模甚至不到2B参数，聚焦单一工位完成高节拍、高成功率重复作业，只要ROI跑通即可落地 [18] - 具身公司需考虑在顺丰/京东等工厂采真机数据、训模型、部署后如何基于现有模型商业化并拓展至所有工厂场景，应用是接下来1-2年最大挑战 [18] - GPT-6 Astra对机器人的控制更像高水平开发者编写控制代码，耗时久、泛化能力有限，真实驱动机器人完成任务终究离不开System 1控制系统 [19] - 大模型走的是从"通用—专用—通用"路线，Coding能力提升后通过蒸馏可将能力放入一个模型，GPT-6、Opus-5.5已在很多领域有很强能力 [20] - 具身智能比大模型更难，难点在于涉及大量机械控制及与环境本身的相关部署，阻碍大规模推广应用，实现通用可能是未来5-10年的事情 [20] VLA与世界模型的有价值融合 - VLA和世界模型只是不同训练方法，一个基于Transformer、一个基于DiT backbone，最终不一定会融合，因为最后训练的技术路线只有一条 [21] - 更多融合可能是System 1和System 2的融合，真正训练出System 1模型再加上System 2，有可能实现RSI、Online强化学习，这是未来具身最需要融合的地方 [21] - 架构方面融合较难且在GPT-6背景下没有太大意义，核心是思想融合，如世界模型的视觉预测、视觉预测思维链可放入VLA模型，属于High Level的规划与控制融合 [22] - 真正有价值的融合重在能力互补而非两套模型简单拼接，既要补齐System 1高频控制、触觉物理交互等底层执行能力，也要正视高昂训练成本带来的行业现状，技术最终要回归真机落地 [24]