具身智能机器人年度总结，来自英伟达机器人主管

henry 发自 凹非寺
量子位 | 公众号 QbitAI

“机器人领域仍处于蛮荒时代。”

这是英伟达机器人主管Jim Fan，在2025年，即将收官之际给出的判断。

乍一听，这个结论多少有些刺耳。

毕竟，在这一年里，我们已经看到机器人打乒乓球、打篮球，完成复杂的长程搬运与跨场景任务——

当然，也少不了各种翻车“冥”场面。

但就像Jim Fan，以及聪明的网友反复指出的那样：

• 很多演示，本质上只是从上百次尝试中，挑选出来的最好一次。

这背后，恰恰暴露出机器人领域至今缺乏统一、可复现的标准评测体系的核心问题。

也正因如此，几乎人人都能通过添加限定词，宣称自己达到了SOTA。

除此之外，Jim Fan还指出——

当前机器人硬件进展快于软件，但硬件可靠性不足，反而限制了软件的迭代速度；同时，主流的VLM→VLA技术范式本身也存在结构性问题。

以下为分享全文：

2025年，机器人领域教给我的3件事

所有人都在为vibe coding感到兴奋。在节日气氛中，请允许我分享一下我对“机器人领域狂野西部”的焦虑——这是我在2025年学到的3个教训。

硬件走在软件前面，但硬件可靠性严重限制了软件迭代速度

我们已经看到了极其精妙的工程杰作：Optimus、e-Atlas、Figure、Neo、G1等等。

但问题是，我们最好的AI还远没有把这些前沿硬件的潜力榨干。（机器人）身体的能力，明显强过大脑目前能发出的指令

然而，要“伺候”这些机器人，往往需要一整个运维团队。

机器人不像人类那样会自我修复：过热、马达损坏、诡异的固件问题，几乎是日常噩梦。

错误一旦发生，就是不可逆、也不宽容的。

真正被scaling的，只有我的耐心。

机器人领域的基准测试，依然是一场史诗级灾难

在大模型世界里，人人都知道MMLU、SWE-Bench是怎么回事。

但在机器人领域没有任何共识：用什么硬件平台、任务如何定义、评分标准是什么、用哪种模拟器，还是直接上真实世界？

按定义来说，每个人都是SOTA——因为每次发新闻，都会临时定义一个新的benchmark。

每个人都会从100次失败里，挑出那次最好看的demo

到2026年，我们这个领域必须做得更好，不能再把可复现性和科学规范当成二等公民。

基于VLM的VLA路线，总感觉不太对

VLA指的是Vision-Language-Action（视觉-语言-动作）模型，目前这是机器人大脑的主流范式。

配方也很简单：拿一个预训练好的VLM checkpoint，在上面“嫁接”一个动作模块。

但仔细想想就会发现问题。VLM 本质上是被高度优化用来爬诸如视觉问答这类 benchmark的，这直接带来两个后果：

• VLM的大多数参数，都服务于语言和知识，而不是物理世界；
• 视觉编码器被主动训练去丢弃低层细节，因为问答任务只需要高层理解，但对机器人来说，微小细节对灵巧操作至关重要。

因此，VLA 的性能没有理由随着VLM参数规模的增长而线性提升。问题出在预训练目标本身就不对齐。

相比之下，视频世界模型（video world model）显然是一个更合理的机器人策略预训练目标。我正在在这个方向上下重注。

在Jim Fan的推文下面，不少网友也表示了赞同。

有网友表示，硬件的容错能力确实非常重要：

• 硬件约束导致迭代变慢，是一个常被低估的瓶颈。软件可以高频更新，但物理系统必须建立在可靠的机械基础上，而这需要真实时间去验证和打磨。

硬件很关键，但数据很重要

在Jim Fan的讨论中，硬件被放到了核心位置，但与此同时，我们也发现数据作为一个核心元素被忽略了。

在机器人研究中，数据塑造模型能力，而模型的发挥又离不开硬件，这是其典型的全栈特性。

在今年，我们已经看到了像Figure03、宇树H2、众擎T800、小鹏IRON机器人、智元精灵G2等全新硬件本体。

从展示效果看，这些新硬件在运动能力上表现亮眼：

无论是宇树的翻跟头，还是小鹏机器人的步态控制，都已明显超出年初的平均水平，并且证明了大型机器人（成年人身高）也能像小型机器人一样灵活。

但真正现实的问题可能正如Jim和网友谈到的，如何在维持高性能的同时，进一步提升硬件可靠性，例如抗摔性、电池发热、长时间运行稳定性等工程层面的挑战。

在数据方面，今年最值得注意的例子之一是Generalist，它通过大量的数据规模证明了具身智能的Scaling law。

其中，数据越大，模型参数越高，模型在具体任务上的表现也就越好，符合我们在LLM上观察到的现象。

与此同时，也出现了像Sunday这样方便数据采集的定制化机器人硬件。

这套系统与机器人的手部协同设计，利用技能捕捉手套采集人类动作数据，并能以近90%的成功率转换为机器人可用数据。

同样受到关注的还有Egocentric-10K，一个汇集了1万小时工作数据的大型数据集。

可以说，在具身智能领域，数据的重要性已不言自明。但具体的数据路线仍未收敛：人类中心采集（可穿戴设备、Umi、视频）、真机遥操数据、仿真数据，以及互联网数据、数据模态、配比仍是开放问题。

2025机器人年度词汇——VLA

在模型方面，VLA毫无疑问是2025机器人领域最热的词汇。

根据伦敦国王学院、香港理工大学等研究机构的最新综述，仅2025年一年就发表了超200篇VLA工作。

前段时间更是有网友调侃道：2026年可能会有一万篇VLA工作。

那么，VLA到底是啥呢？

简单来说，VLA 赋予了机器人一个大脑，这个“大脑”可以同时处理以下三种模态的信息：

• 视觉 (Vision, V)： 通过摄像头感知环境，理解物体的形状、位置、颜色、状态和场景布局。
• 语言 (Language, L)： 理解人类的自然语言指令（例如，“把桌上的红苹果放到碗里”）并进行高层推理。
• 动作 (Action, A)： 将理解的指令转化为机器人可以执行的低级物理动作序列（例如，移动关节、抓取、推动等）。

传统机器人通常需要为每个新任务进行专门编程或训练，而VLA模型通过大规模数据学习，能够执行训练中未明确见过的任务，甚至在陌生环境下也能工作，从而具备泛化性。

但正如Jim Fan在上面提到的，基于VLM (视觉-语言模型) 的VLA模型，其骨架本质上是为问答和知识推理而优化的，其庞大的参数库和服务目标，与机器人所需的物理世界精细操作存在严重错位。

在这篇综述中，我们也找到了对Jim Fan提出的观点的一些回应，以问答形式梳理如下：

Q：VLM的视觉编码器倾向丢弃低层物理细节，仅保留高层语义（如“这是苹果”）。而这些微小细节恰恰决定了抓取、推动等动作的成功率

A：未来的 VLA 需要整合物理驱动的世界模型，内部表征 3D 几何、物理动态、因果关系和可供性，实现语义指令与物理精度的统一。

Q：由于VLM预训练目标与机器人控制不对齐，增加模型参数并不会线性提升性能。

A：通过“形态无关表征”解耦高层语义规划与低层本体感知控制，使通用机器人大脑能够通过轻量适配器实现零样本跨具身迁移，从而发挥数据规模带来的泛化能力，而非盲目堆叠参数。

Q：Jim Fan建议以视频世界模型作为机器人预训练目标，因为它天然编码时序动态与物理规律。

A：当前研究趋势是将世界模型能力“嫁接”到VLM上，例如训练数据驱动模拟器学习物理动态，再嵌入VLA作为解耦内部模拟器，实现显式规划，使VLA从“被动序列生成器”转向主动物理感知智能体。

此外，在数据和评测基准方面，综述更倾向“仿真派”，提出以模拟优先、失败为中心的数据范式。

一方面，依赖真实世界的大规模异构数据不可持续，未来需转向高保真模拟环境生成多样化轨迹。

另一方面，应充分利用失败轨迹，从中学习，提高数据利用效率。

在评测方面，现有标准过于依赖二元成功率，难以反映鲁棒性、效率和安全裕度。未来必须进行更全面的能力评估。

One more thing

最后插播两条趋势性消息：

据摩根士丹利的研究，机器人产业有望从当前的910亿美元激增至2050年的25万亿美元。

与此同时，硅谷巨头除微软/Anthropic外，全部加码机器人软/硬件。

所以，虽然现实很骨感，但机器人题材依旧sexy～

[1]https://suyuz1.github.io/Survery/

[2]https://x.com/DrJimFan/status/2005340845055340558[3]https://x.com/rohanpaul_ai/status/2004891515878080673