Let's Make AGI Real

视觉语言动作（VLA）模型正处于机器人智能化的前沿，它们赋予机器人观察、理解环境并自主执行复杂任务的能力，标志着机器人技术发展的一个重要转折点。长期以来，工业机器人主要被用作执行特定预编程任务的工具，面对变化的环境和新的指令时缺乏灵活性. 根据国际标准 ISO 8373:2012 的定义，工业机器人是一种“多功能、可重编程、自动控制的机械手，可在三个或更多轴上编程，可固定在一个区域或移动用于工业自动化应用”。

目前，工业制造业中常见的机器人类型主要有五种：

• 铰接式机器人，通常拥有四到六个自由度，具有大范围或大尺寸、有效载荷能力，是最常见的类型；
• Delta 机器人，也称为三角式机器人，采用独特的平行连杆臂设计，重量轻，速度极快；
• SCARA 机器人，采用柔顺关节机械臂设计，可在单个平面上操作，专门用于横向运动；
• 笛卡尔机器人，使用笛卡尔坐标系在三个线性轴上工作，常用于数控机床或 3D 打印；以及
• 协作机器人，拥有先进的安全功能，可以直接进行人机交互。

这些工业机器人广泛应用于汽车、电子、航空航天、食品和医疗等行业，执行焊接、组装、码垛、材料移除、检查、材料处理和包装等预设工作。然而，这些机器人通常需要针对特定任务进行编程，难以适应新的或未预料到的情况.

VLA 模型通过赋予机器人“看、想、做”的能力，极大地拓展了机器人的应用潜力。与传统机器人不同，VLA 模型能够接收视觉和语言数据作为输入，并直接输出可执行的动作指令。其核心在于类似人类的“思维链”推理能力，使得机器人能够理解复杂的环境和自然语言指令，自主决策并规划动作序列，直接输出运动指令。这种能力使得通用机器人能够在各种场景下执行不同的任务，无需为每种任务专门进行复杂的开发和编程。过去需要为 100 种场景开发 100 种专用机器人，而 VLA 模型的出现带来了通用机器人的曙光。

VLA 模型与主要处理文本信息的大型语言模型（LLM）不同，它能够同时“看”和“听”，并直接“做”——输出与物理世界交互的动作，因此被认为是“具身智能”的基础。虽然视觉语言模型（VLM）在感知和理解方面取得了显著进展，但VLA 模型的核心优势在于其动作输出能力。许多 VLA 模型的架构会利用 VLM 来增强感知和理解. 最终 VLA 模型可能演化为“世界模型”，能够理解和预测物理世界的规律，逐步构建对物理世界的认知和预测能力，这与通用人工智能（AGI）的愿景高度一致。通过预测未来状态，机器人可以做出更明智的决策和行为.

当前国内市场上，尤其是在消费级领域，一些机器人产品的智能化水平仍然有限，往往依赖预设程序或简单的遥控操作，与真正的自主智能相去甚远。VLA 模型代表了赋予机器人强大“大脑”的技术方向，使其能够像人类一样理解世界并自主行动，从而摆脱对简单遥控和预设程序的依赖。国内科研机构和企业已经深刻认识到人工智能大模型对机器人产业升级的重要性，并积极投入相关研究，例如清华大学等研究机构以及字节跳动和理想汽车等企业都在积极布局。

在全球范围内，已有不少科技巨头和初创公司投入 VLA 模型的研究和开发，如谷歌 DeepMind、特斯拉、Figure AI、NVIDIA 和 Alphabet X (Everyday Robots)。中国的大学和研究机构在机器人技术方面拥有深厚的积累，国内科技公司也开始积极布局 VLA 模型，例如字节跳动 (AILab) 和清华大学。值得一提的是，智能汽车企业如理想汽车、华为、百度 Apollo 也在探索将 VLA 模型应用于自动驾驶领域，以提升车辆对复杂交通场景的理解和决策能力。

VLA 模型有望使机器人具备更强的环境适应性、自主控制能力和人机交互能力，从而将机器人技术带入工业制造、家庭服务和智能驾驶等更广泛的应用领域。搭载先进 VLA 模型的机器人有望真正走进人们的生活，成为重要的智能助手，开启全新的智能时代。例如，在工业领域，VLA 模型可以使机器人不再仅仅重复简单的动作，而是能够理解复杂作业需求，实现智能化和群体协同作业。在服务领域，具备视觉和语言理解能力的机器人可以提供更自然、更智能的交互和服务. 在自动驾驶领域，VLA 模型能够从传感器数据中提取丰富的环境信息，借助语言模型理解人类指令并生成可解释的驾驶决策，从而推动智能驾驶从“功能时代”迈向“体验时代”.

与机器人流程自动化（RPA）系统相比，VLA 模型代表了不同的自动化思路。RPA 系统主要通过自动化处理企业日常运营中的常见任务，如数据录入、订单处理、报表生成等，侧重于重复性和基于规则的操作. 虽然 RPA 也逐渐与 AI 技术结合以提升在复杂任务中的处理能力，例如文本识别和自然语言处理，但其核心仍然是基于预先设定的流程。而 VLA 模型则更侧重于使机器人具备感知、理解和自主行动的能力，以应对更加动态和复杂的环境.

机器人技术的研究方向正从针对特定任务的机器人学习（Robotic Learning）发展到利用大规模数据集进行预训练的基座模型（Foundation Model）。在这种模式下，一个通用的模型可以通过微调（Fine-tuning）或提示（Prompting）来适应不同的机器人本体和任务。研究也表明，在各种各样的数据集上进行训练形成的通用模型，在性能上往往优于在单一任务和数据集上训练的专用模型。当前 VLA 模型的研究热点还包括统一模型（Unified Model），旨在将视觉理解、语言理解、行为预测和动作生成等多种能力整合到一个统一的框架中，从而实现更全面的智能。此外，强化学习（Reinforcement Learning）也被认为是提升 VLA 模型性能的关键途径，可以帮助模型在与环境的交互中不断学习和优化策略，突破单纯模仿学习的限制.