VLA不是终局
逛过WAIC具身智能展区的人，多半有同一个疑问：
都2026年了，机器人干活，怎么还是慢吞吞的？
转头一讨论，大家默认的答案是： 技术不行，快不了 。
但一位刚成立机器人公司的负责人，给出了一个扎心得多的解释：
不是不能快，是怕出错。速度是可以调快的，调快以后出错概率就会增加，给别人演示的时候就会掉链子 。
原来，展台上的慢，是主动调低的安全档。
而不敢调快的根源，正是行业如今热议的「大脑」： 机器人的大脑，还没跨过实用门槛 。
换个环境、换个物体，动作就开始变形，所以很多展示只能停留在Demo层面，在精心布置的场景里小心完成。
说这话的人叫 潘嘉 ，国家科技进步一等奖主要完成人、科大讯飞杰出科学家、具身智能前沿科学带头人。
就在WAIC 2026开幕前，科大讯飞悄悄注册了一家新公司： 安徽爻方智能科技有限公司 ，注册资本3亿元，由潘嘉带队，专攻的正是机器人大脑。
同期，团队联合中国科学技术大学、聆动通用机器人交出了一篇技术报告： iFLYTEK-Embodied-Omni 。
报告很厚，判断却很短：
现在主流的机器人大脑，造法就不对 。
VLA不是终局，世界模型还需补上「本体认知」这一环
总结下来，爻方的思路可以概括成这样两点：
第一，VLA不是终局。这个当下最热的路线，天花板在哪还没人验证过，但理论上的短板，已经摆在了明面上。
第二，接棒VLA的世界模型，也有可以完善的空间，比如「本体认知」这味关键药引子。
要理解这两点，不妨来完整看一下整个行业围绕「大脑」的这场激烈争夺。
为什么大家都在争「大脑」？这背后其实是一个逐渐成型的共识： 具身智能真正的瓶颈，从来不在身体，在大脑 。
原因很简单，交互方式变了。
过去几十年，人机交互停在离身的符号层面。你说话它识别，你打字它应答，始终隔着一块屏幕。
而具身交互要的是另一件事：机器人得用身体走进物理世界。
倒一杯水，它就得知道壶有多重、水会怎么流、洒了怎么办。每一个动作背后，都是对物理规律的理解和推演。
这不是能力的线性延伸，是一次底层跃迁 。
而承担这次跃迁的，只能是大脑。身体的关节、电机、灵巧手，供应链一年比一年成熟；但让身体知道该做什么、会发生什么的那颗大脑，还没造好。
瓶颈在此，战场也自然在此。
至于这颗「大脑」怎么造？行业的分歧，集中在两件事上： 用什么架构，和拿什么数据喂 。
先说架构之争 。
很长一段时间里，VLA都是绝对主流。它直接将视觉和语言映射为动作，见效快、门槛低，所以一时备受追捧。
但VLA的软肋也越来越明显：
它更像一个「即时反应系统」，只管现在怎么做，不管做完之后世界会变成什么样 。
就好比在路上开车，看到红灯它确实知道踩刹车，但它预判不到雨天路滑、这一脚下去车会打滑失控。
只对当下做反应，不对后果做推演——这就是「VLA不是终局」这一判断的根本原因。
△图片由AI生成 正是看到了这一点，世界模型接棒火了起来。其逻辑在于：
先预测未来画面，再从画面推出动作，让机器人也学会「先想后动」 。
英伟达把这条路的招牌「Physical AI」喊成了年度关键词，各家世界模型在榜单上轮番刷榜，行业开始集体从VLA迁向WAM（World Action Model）。
看上去方向是对了，但爻方认为：这里面还藏着两个坑。
第一个坑是误差累积 。
主流世界模型把预测和动作拆成两步串行：先生成未来画面，再从画面反推动作。问题就出在这中间的交接上，视觉预测一旦出错，误差就会直接传导进动作，任务越长，滚得越大。
学界给这个坑起过名字，叫「可执行性鸿沟」：
画面生成得毫无破绽，物理上却根本做不到，机械臂一执行就露馅。
第二个坑更隐蔽，即缺乏本体认知 。借用潘嘉提到的打羽毛球的例子：
好的运动员会预判球的落点和速度，同时他对自己身体的极限能做到什么，也非常清楚。球在这里，我是跳过去扣杀，还是够一下把它救回来。
而现在的世界模型，恰恰缺了后半句。
现在的世界模型，更多还是在关注预测这一点。不管是世界模型还是之前的policy，都没办法通过任务去增加对本体的认识。
预判世界，却不认识自己。画面算得再准，不知道这具身体做不做得到，动作照样落空。
这，就是爻方要补的那味药引子：本体认知 。
△图片由AI生成 有意思的是，英伟达其实也踩过前一个坑。
它早期的打法是标准两段式：Cosmos负责做梦，生成机器人干活的视频，再从画面里反推动作。到了今年2月的DreamZero，也就是新一代GR00T 2的底子，英伟达改了主意，把预测画面和生成动作塞进了同一个模型里联合训练。
换句话说，爻方押的「联合生成」这条路，头部玩家也走到了同一个路口。
但走到路口之后，两家迈的腿不太一样了。
在英伟达的方案里，机器人的本体状态只是喂给模型的一个输入信号；而在爻方这里，认识本体是一道必答的训练任务——告诉它未来几帧要到的位置，让它自己算出每个关节该怎么转。
一个把身体当条件，一个把身体当考题 。
这个差别有多要紧？英伟达自己的技术文档里也写得很直白：靠2D视频做预训练，深度和空间理解会失准，预测看上去没问题，机械臂一伸手，够过头或者没够着。
△图源英伟达官网 画面对了，动作落空。病根，还是不认识自己。潘嘉在采访里也正面聊过这层差异：
以往的模型没办法通过任务去认识本体，爻方干脆把逆运动学做成了任务本身 。
架构上的差异逐渐显现，那数据呢？
机器人数据比语言数据少了几个量级，Scaling Law这张底牌至今没能翻开，真机泛化也就迟迟没有公认解法。
眼下行业能用的数据来源，无非这几种：
△图片由AI生成 面对数据这道坎，爻方又甩出了一个让人意外的说法： 行业当下最主流的叙事，可能是个陷阱 。
当前行业最普遍的做法是：先量产再采集。
先最低限度跑起来，让数据自然回流，带动飞轮转起来，模型就能越来越强 。
特斯拉验证过的路，机器人再走一遍。
但潘嘉对这种做法持保留意见。
在他看来，效果不过关就大规模铺货，用户不会买单，数据飞轮根本转不起来。飞轮的前提是有人愿意用，而不是先把轮子造出来。
量产之前，首先要跨过实用门槛。盲目上线，最后牺牲的就是品牌，第一个吃螃蟹的人，就变成了先烈。
听上去很有道理，不过要解决的问题却很现实：
不靠量产堆数据，泛化从哪来？
细挖爻方的解法
爻方的答案，其实就写在那篇技术报告里： 用更聪明的架构，把有限的数据用到极致 。
具体怎么落地？这里面有几个比较关键的动作。
关键1：大脑，是双核的
传统VLA的短板前面说过了。
对症下药，iFLYTEK-Embodied-Omni在VLM之外，专门引入VGM（视频生成模型），来负责预测未来的视觉状态。
说白了，机器人在动手之前，先在脑子里把动作的后果预演一遍，这种「预见」在长时序任务里尤其关键：
传统VLA往往只能等错误发生后被动补救，而它能在行动前就主动规避风险 。
不过这里有个细节很值得琢磨：为什么偏偏挑视频生成来干预测这活？
眼下行业里能预测未来的技术路线主要有三条，而「视频生成」在不少人眼里恰恰是当中「不够高级」的一条，但爻方偏偏选了它。
△图片由AI生成 对于这点，潘嘉也没藏着掖着：
现在的视频生成也是用自回归大模型结合扩散模型做的，跟我们整套模型的backbone比较契合。
因为和自家架构合得来，所以选了它。至于将来会不会换其他路线，他也没把话说死，等哪条路成熟了同样能为我所用，眼下先挑最跑得通的那条。
务实，是爻方的底色。而它给模型取的名字，藏着同样的讲究。
除了世界模型，我们还有传统的VLA、policy学习，还增加了像逆运动学这样的任务，所以我叫它Embodied-Omni（统一多模态具身基础模型），而不是直接称作WAM 。
一个「Omni」，装下了理解、预测、动作三件事。
而其中的逆运动学任务，正是前面反复说的那味药引子，「本体认知」的落地方式。
需要说明的是，「本体感知」（Proprioception）在机器人学中并非新概念，传统机器人很早就通过关节角度、扭矩等传感器来感知自身状态。
但感知是一回事，认知是另一回事。传感器能告诉模型身体现在在哪，不等于模型懂这具身体能做到什么。此前的技术路线，无论VLA还是主流世界模型，都很少把后者当成训练目标，融进端到端的具身大模型里。
爻方的做法是： 不直接告诉模型手该怎么动，只给它看要到达的终点，逼它自己补全中间每一步，练的就是一副「身体的直觉」 。
预测未来，是学会看世界；逆运动学，是学会看自己。