飞象网讯（喜乐）近两年，具身智能无疑是最热门的赛道之一。据中国信息通信研究院副总工程师许志远介绍，当前，具身智能已经取得认知智能与物理智能的双线突破，但模型路线、数据范式以及最佳机器人形态仍未定型，大规模落地仍处于早期阶段，其未来方向仍在持续竞争与快速演化中。

一方面，机器人的“认知智能”实现明显跃升（即“大脑”能力），大模型使机器人能够完成传统机器人难以处理的复杂任务，具备“可感知、可思考、可交互”的智能特征。另一方面，“物理智能”加速突破：基于强化学习，人形机器人在复杂地形行走、高难度舞蹈等动态任务上表现显著提升；基于模仿学习与大模型范式，上肢操作能力快速增强，已能执行切黄瓜、倒水、叠衣服等精细操作。

尽管技术突破不断，具身智能的大规模落地仍处于早期阶段。当前行业仍面临三个核心焦点问题。一是模型路线之争；二是数据训练范式之争；三是形态路线之争。

与此同时，许志远指出，目前，利用大模型提升机器人的泛化能力已成为业界共识，但如何有效地将大模型应用于机器人系统，仍存在多条技术路径，行业也在持续探索中。

第一条路径是采用大语言模型（llm）对人类指令进行语义理解与任务分解，这是赋予机器人高层智能的关键能力，谷歌的saycan是早期代表性工作。

第二条路径是在llm的基础上引入视觉，使模型具备语言与视觉跨模态融合能力，通过视觉语言模型（vlm）进行机器人控制。借助视觉信息，模型不仅能分析环境的空间关系和物体属性，也能更好支撑高层任务规划。谷歌的palm-e展示了跨模态推理在机器人控制中的潜力。

第三条路径是在vlm的基础上进一步加入动作生成能力，形成视觉-语言-动作模型（vla）。这类模型以视觉图像和语言指令为输入，直接输出机器人控制指令。vla路线自2024年底以来受到高度关注。各家厂商在模型架构、模块设计和动作生成方式上不断优化，例如美国的figureai、pi，以及国内的智元、银河通用等均聚焦于这一方向。

许志远强调，目前，许多vla模型采用moe架构，以vlm作为骨干网络，动作层常使用自回归预测、扩散模型或流匹配等生成方式。同时，在vlm与动作预测之间通常加入隐向量用于信息传递，以兼顾复杂任务推理与实时控制需求。vla在复杂、多步骤、多样化任务上展示出一定适应性。“然而，我们也观察到，尽管vla在结构上不断演进，其实际落地效果仍未达到预期。原因在于物理世界具有高度多样性与不确定性，而当前可获取的机器人数据量级有限、覆盖场景不足，使得vla难以充分学习并泛化到真实环境中。”

展望未来，在vla的基础上引入世界模型（worldmodel），借助其对物理世界的理解、预测与推演能力，有望成为进一步提升机器人大模型能力的重要发展路径。