质疑VLA模型、AI完全不够用？有从业者隔空回应宇树王兴兴

在世界机器人大会上,宇树CEO王兴兴一口气提了不少“非共识”。他对 VLA (Vision-Language-Action视觉-语言-动作)模型持怀疑态度, 认为这属于“相对傻瓜式架构”；他还说机器人行业对数据关注度有点太高了，包括灵巧手在内的硬件虽然不够好但够用，行业最大的问题在于具身智能的AI完全不够用。

王兴兴的观点在业内持续引发讨论。今日世界机器人大会上，记者留意到，国家地方共建人形机器人创新中心首席科学家江磊近20分钟的演讲中，3次提到了王兴兴。

对于王兴兴关于“硬件足够用、大模型不够用”的观点，江磊分享了与阿里、华为等企业交流的体会：“我们是选不到一个很好的身体”，并坦承今天行业确实还用不上全参数模型，机器人的大脑、小脑、肢体需要深度协同；王兴兴质疑VLA并尝试用视频生成驱动机器人任务，江磊承认“感知-认知-决策-执行的闭环尚未闭合”，呼吁重构VLA模型，寻求新的解决范式；王兴兴还提到，机器人在RL（强化学习）的Scaling law（尺度定律）是非常值得做的方向，江磊认同表示，强化学习跟模仿学习都需要进入Scaling law法则，让机器人足够泛化和聪明。

以争议中的VLA模型为例，它重构了人形机器人运动控制的范式，是不少具身智能从业者押注的路线方向。江磊以OPEN VLA为例，这是一个基于Llama2语言模型基础上的7B 参数的开源VLA，参数规模并不算大。即使是目前被认为最强的通用机器人控制VLA模型π0，也无法有效运用全参数的大型语言模型（LLM），同时对数据提出更高要求。

“为什么人形机器人用不上全参数模型？”江磊抛出问题，他提出的解决思路是：业界需要积极探索云端与终端（端侧）的算力协同分配，构建完整的“云网一端”的部署架构。

他强调，真正适用于人形机器人的“大脑”模型不应仅是大语言模型，而应是一个软硬件深度协同的完整系统。同样，VLA模型也不应简单等同于“小脑”。当前的技术研究呈现割裂状态：大语言模型研究者专注于大语言，而端侧智能则聚焦于小模型，两者尚未有效融合——大脑追平实际上只发挥了一半。

江磊进一步指出，目前传统的人形机器人面临感知局限、决策断层、泛化瓶颈三大核心挑战。例如，传统机器人大多依赖预设规则来执行任务，难以理解复杂多变的环境动态性；在多任务切换过程中，机器人往往需要人工干预来重新编程或调整策略；此外，机器人在面对新的任务或场景时，需要重新进行大量的训练和调试。

他用一句话总结道：当前的问题是“大脑模型不够大，小脑模型不够小，具身智能不是大脑加小脑”。理想的“大脑”需要完整参数模型的能力，而部署在机器人本体的“小脑”模型则需要在体积和实时性上实现突破。

此外，现在人形机器人基本上打造的是感知直接到执行，如何打造实现感知、决策与执行的闭环？江磊提到，业界呼唤重构VLA模型，寻求新的解决范式。他提出了一个前瞻性思考：通过生物仿生，有没有可能提出原创的具身智能基础模型？

尽管行业仍面临不少挑战，但江磊说，今年参加世界机器人大会给了自己最大的信心，就是几乎所有人从怀疑到确信人形机器人会成为未来的一个重要产业，因此今年也被很多人称作是人形机器人的量产元年。关键在于机制、理念、政策以及从业者的战斗力和创新力，能否真正推动人形机器人成为一个规模化、可落地的产业方向。