北京
【编者按】Vision-Language-Action（VLA）正在把“看得懂、说得明白、做得出来”的机器人从演示推向真实系统。但模型、数据、范式爆发式增长的同时，也带来一个现实困境：新入门者不知道从哪里学起，从业者也难以判断该从哪些维度系统性提升能力。这篇由树根科技、三一集团耘创新实验室、伦敦国王学院、港理工、达姆施塔特工业大学，挪威阿哥德大学，帝国理工大学等单位联合完成的最新综述，给出了一张清晰的“问题全景图”和学习路线，并提供一个持续更新的在线参考框架。
近期，具身智能（Embodied AI）已成为人工智能与机器人领域最活跃、同时也最具探索空间的前沿方向之一。从类 GPT 机器人助手的演示，到多模态大模型逐步走向真实机器人平台，“让机器看得见、听得懂、会行动”正从概念验证走向系统化探索。
然而，随着模型规模迅速膨胀、数据集与方法不断涌现，领域内部也愈发显现出一种结构性的困惑：刚进入这一方向的研究者往往难以判断应当从何入手；而已身处其中的从业者也常常面临一个更具体的问题——究竟该从哪些维度、以什么顺序系统性提升 VLA 的能力？在快速扩张与路径分化并存的当下，单纯罗列模型与方法已难以提供有效指引，更需要从核心挑战出发，对问题结构与发展脉络进行系统梳理。
实际研究与工程落地过程中，这种结构性的困惑并非停留在理论层面。作为一家致力于“赋万物智能，助工业进步，创社会富足”的科技公司，树根科技锚定工业智能，在真实工业场景中持续探索软硬一体具身智能系统的落地实践。团队在真实工业场景的前沿探索中，直面稳定性、泛化性等关键挑战。也正是在这样的背景下逐渐意识到：除了单点能力的持续突破外，更需看到全局，从整体结构上厘清问题本身。
在这一背景下，一篇综述论文《An Anatomy of Vision-Language-Action Models: From Modules to Milestones and Challenges》（《视觉-语言-动作模型剖析：从模块到里程碑和挑战》）发布，旨在为这一快速演进却结构日益复杂的研究领域提供一个清晰、系统的参考框架。
论文链接：https://arxiv.org/abs/2512.11362
项目主页：https://github.com/SuyuZ1/VLA-Survey-Anatomy
实时更新网站地址：https://suyuz1.github.io/VLA-Survey-Anatomy/
两项核心贡献：不再只是罗列工作，而是理清问题结构
这项工作不仅是一篇系统综述，更是构建了一个持续演进、每周更新的 VLA 研究参照体系（https://suyuz1.github.io/Survery/），用于系统跟踪 VLA 相关研究工作的最新进展、校准学术研究方向。具体更新的内容会按照本文的整体分类方法（模块—里程碑—挑战）进行整理与归类；相关内容将每周一上午固定更新到项目网站。同时，我们也会在 GitHub 同步维护更新记录与索引，欢迎大家一起补充、讨论与提交 PR，共同把它维护成一个长期可用的开源社区。终极目标是长期服务于社区对 VLA 问题结构的共同理解。
在持续更新的基础上，论文本身也希望解决两类常见痛点：一是很多综述把“挑战”放在结尾，缺少系统拆解；二是章节组织偏碎，信息虽多，却难以形成连贯、演进的问题脉络，不利于读者建立从基础到前沿的整体认知。
贡献一：把挑战提升为全文主线。 我们将 VLA 发展中反复出现却尚未被系统梳理的关键瓶颈，作为全文的分析主线，并围绕能力演进路径归纳出 五大核心挑战（及其子问题），为理解现有工作与孕育新研究提供清晰的问题定位点。
贡献二：按自然认知顺序构建学习路线。 我们在整体结构上贴合研究者理解新领域的自然顺序，构建一条由基础到前沿的清晰路线：先建立模块级共同语言，再沿时间线理解关键里程碑，最后回到挑战框架进行系统定位。
综述使用方法：不同阶段读者的使用路线图
这篇综述并非只面向少数“圈内人”，而是被刻意设计成一份真正能用、且会长期发挥价值的工具型综述。读完之后，读者将对 VLA 领域形成更清晰、更完整的整体认知框架：不仅能够快速梳理出核心技术脉络与关键问题，还可以高效定位当前 VLA 真正受限的能力环节，并对“下一步应当如何改进、从哪里入手”形成初步而可靠的判断。
对新入门者：先建立整体认知，再逐步深入
如果你对 VLA 领域还不算熟悉，但希望系统入手，这篇论文可以作为一条清晰的切入路径：
从基础模块入手，建立对完整 VLA 系统组成方式的整体把握，理解感知、表征、规划与控制之间的功能分工及其常见设计取舍；
沿里程碑章节建立演进视角，把握关键能力是在何时、因何种问题需求而出现，区分长期核心问题与阶段性技术解法；
以五大挑战作为统一参照系，迅速了解前沿研究热点&学术问题，将分散的模型与方法放回其所试图解决的核心问题中，形成稳定的问题定位能力。
通过这一阅读路径，新入门的读者可以在较短时间内系统补全 VLA 领域的核心知识脉络，建立起对该领域整体结构与关键问题的清晰认知。
对从业者：以挑战为锚点，精准定位能力提升空间
如果你已经在做 VLA 相关研究或工程实践，这篇综述更适合作为一张高效的能力定位与提升路线图，帮助你在复杂方法空间中迅速找准真正值得投入的方向：帮助你在复杂方法空间中迅速找准学术研究中真正值得投入的方向，并在科研工作中可以更清晰地界定研究问题、明确创新落点，从而提升科研工作的聚焦度和效率。
从五大挑战切入，直接对照当前系统在表征、执行、泛化、安全或数据与评测等层面的核心瓶颈，快速锁定最具提升潜力的能力短板，而不必在零散方法比较中反复试错；
围绕已定位的挑战回溯技术路径，结合对应的模块设计与里程碑工作，理解不同技术路线在解决同一类问题时的关键假设、能力边界与实际代价；
借助持续更新的内容形成动态判断，区分哪些方向正在快速成熟，哪些问题仍处于探索阶段，从而更理性地分配时间与研究精力。
在这种用法下，这篇综述的价值不在于“覆盖多少工作”，而在于帮助从业者以更低的认知成本，持续、有效地定位和提升 VLA 系统的关键能力。
基础模块解析：先建立一套统一的技术共同语言
在结构设计上，文章首先在Basic Modules 章节中对 VLA 系统的基础构成进行系统拆解：从感知、表征到决策与控制，以模块为单位梳理不同方法在视觉编码、语言理解、跨模态融合、规划机制与动作生成等关键设计上的共性与差异。
这一部分的价值在于：当你面对大量论文与工程实现时，能够先用一套稳定的“模块级词汇表”对齐讨论对象，避免在不同论文的术语体系中反复迷路，也为后续的时间线回顾与挑战分析奠定统一基准。
里程碑回顾：沿时间轴看清 VLA 的范式迁移
在建立模块级认知基础之后，论文沿时间轴系统回顾了 VLA 的关键演进阶段，试图回答一个核心问题：VLA 是如何一步步从早期概念验证，发展到今天多路线并行、面向真实部署的通用框架的？
整体上，这一演进过程并非单一路线的线性推进，而是多条技术路径不断分化、交汇与重组的结果。论文所覆盖的里程碑工作，基本囊括了当前 VLA 研究的主要技术谱系。
起点：具身问答与长时序任务：EmbodiedQA 明确了具身智能的闭环问题定义，ALFRED 将语言指令与长时序任务系统化，奠定了 VLA 的任务与评测基础。
转折：大模型统一建模：RT-1 / RT-2 实现视觉、语言到动作的端到端学习，PaLM-E 进一步统一多模态输入空间，Diffusion Policy 则将生成式建模引入连续控制。
统一尝试：语义× 控制：π0 / π0.5 与 OpenVLA 探索在单一框架中连接高层决策与低层动作，并推动开源实践。
推理能力：链式与物理约束推理：Cosmos-Reason1 标准化物理落地推理流程，CoT-VLA 通过显式视觉中间目标引入可训练的链式推理。
当前方向：闭环学习与世界模型：VLA-RL、LUMOS 以及世界模型方法共同推动系统具备在线学习、反思纠错与后果预测能力。
总体来看，这一时间线覆盖了从对齐、大模型、开源框架，到强化学习与世界模型等多条核心技术路线，勾勒出 VLA 从“能跑 demo”走向“可持续、可扩展具身智能体”的范式迁移，也为后续围绕核心挑战的系统分析提供了清晰的发展脉络定位。
五大挑战：VLA 真正卡在哪里？
如果抛开模型规模和 benchmark 分数，VLA 目前真正的瓶颈究竟在哪里？这篇综述的核心并不在于“又总结了多少模型”，而是试图直面一个更现实的问题：为什么 VLA 看起来进展飞快，但距离稳定、可规模化落地，依然存在明显鸿沟？
作者将当前纷繁复杂的技术难点系统收敛为五大挑战，并将其作为全文主线，而非论文结尾的例行展望。这种组织方式本身传达了一个判断：当下 VLA 的瓶颈并不主要来自“模型不够多”，而是来自对问题结构理解不够清楚。
从整体上看，这五大挑战覆盖了一个 VLA 系统从“感知世界”到“真实部署”的完整路径。无论你在做架构设计、数据采集、系统集成，还是评测与基准构建，都可以在这套挑战框架中定位自己工作的落点。
挑战 1：表征（Representation）
尽管多模态模型在语义对齐方面进展显著，但在真实物理环境中，语言表达的抽象意图依然难以被稳定、精确地映射为连续动作。视觉、语言与动作的统一并不仅是特征拼接或投影，而涉及空间结构、时间一致性与物理因果关系的长期建模。
这也是为什么世界模型、物理感知以及更原生的多模态表示被视为突破瓶颈的关键方向。
挑战 2：执行（Execution）
大量工作已经表明，“理解指令”并不等价于“可靠执行”。在长时序、多约束任务中，系统需要在任务拆解、规划决策与底层控制之间保持高度一致，同时应对环境扰动、执行误差与不确定性。
这一挑战决定了 VLA 是停留在 demo 层面，还是具备真正工程可用性。（对工业场景而言，往往不是“做不出来”，而是“做得不稳”。）
挑战 3：泛化（Generalization）
现实世界的变化远超训练数据覆盖：场景、物体、工具，甚至机器人本体都可能改变。综述指出，许多方法仍高度依赖特定数据分布或固定硬件配置，在跨任务、跨场景乃至跨机器人时性能显著下降。
因此，如何实现跨分布迁移、持续学习以及对新环境的快速适应，是 VLA 从专项能力走向通用能力必须跨越的门槛。
挑战 4：安全（Safety）
当 VLA 面向真实应用，“做不出来”已不再是最严重的问题，更大的风险在于“做错了却无法被及时发现”。安全不仅意味着避免危险动作，还包括决策过程的可解释性、对不确定性的感知能力，以及在高风险情况下主动暂停、澄清或请求人类介入的机制。
这些能力决定了 VLA 是否具备被信任与规模化部署的前提。（在高风险工况下，“可靠可控”常比“更聪明”更重要。）
挑战 5：数据与评测（Dataset & Evaluation）
如果缺乏高质量、多样化的数据来源，以及统一、细粒度的评测标准，领域很容易陷入“各刷各的分数”。成功率难以全面反映系统能力，过程质量、鲁棒性、失败恢复等维度同样关键。
数据与评测不仅是基础设施问题，也在很大程度上塑造了研究社区关注和优化的方向。
问题链路视角：五大挑战并非孤立。表征决定执行上限，执行影响泛化能力，泛化与安全共同约束真实部署可行性，而数据与评测贯穿始终，决定这些能力能否被客观衡量与持续改进。
面向未来的 VLA 愿景：从开环执行走向闭环自治
在总结现有研究的基础上，综述描绘了未来可能方向：例如“原生多模态架构”（从训练伊始就统一模态表示）、融合物理与语义的因果世界模型（能预测后果、推演未来），以及具备“自我觉察”的智能体（理解自己为何行动，并能在闭环中反思与纠错）。
这勾勒出下一代具身智能体的雏形：不仅会做事，还能在真实世界里做得稳、做得对、做得可控。
总体而言，这项工作不仅勾勒了 VLA 领域的全景结构，更试图提供一套可长期复用的认知与判断框架——让读者在一次系统阅读后，真正看清这个领域在做什么、难点卡在哪里，以及未来该沿着哪些方向持续推进。在模型与范式快速更迭的背景下，它更像是一张可反复对照的“问题全景图”，帮助研究者与从业者在不断变化的技术浪潮中保持方向感与判断力。（ 投稿或寻求报道：zhanghy@csdn.net ）
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
