星海图赵行：机器人的下一次 Scaling，不只发生在预训练

星海图赵行：机器人的下一次 Scaling，不只发生在预训练

42号电波

机器人抓起一个商品，只能说明它会做一个动作。展台上的机器人完成一次抓取，与它进入前置仓持续接单、拣选和打包，是两种不同的考验。

前者可以被压缩成一条成功轨迹，后者却要求机器人理解订单、定位货架、自主导航、处理随机摆放的商品，还要在多机协同时避让，最后完成柔性包装。任何一个环节失效，整条任务链都会中断。在前置仓场景中，机器人更要连续完成找到货架、自主导航、避开同伴、抓取随机摆放的商品等任务，最后还要把包装袋撑开并完成打包。任何一环卡住，订单就交不出去。

2026 年 8 月 21 日，星海图在北人亦创会展中心举办「2026 WRC 具身智能前沿技术与产业应用论坛」，主题为「从模型到生产力」。星海图首席科学家赵行把论坛的核心议题概括为「系统性竞争」，具身智能公司接下来比拼的，将是从模型到生产力的这一整套系统能否持续运转。

在随后的技术圆桌中，讨论进一步延伸到 VLA 是否会成为终局、世界模型究竟解决什么问题，以及真机强化学习距离规模化还有多远。几位嘉宾的回答并不完全一致，但共同指向一个变化：具身智能的下一次 Scaling，可能不只依赖更多预训练数据和更大模型，还取决于机器人能否从真实工作中继续学习。

从一个模型到一套系统

机器人行业的竞争单位，已经变了。

赵行把具身智能的发展分成三个层次。第一层是「本能智能」，机器人要控制好自己的身体，适应复杂地形和陌生环境。第二层是「作业智能」，机器人要理解并拆解任务，用双臂与环境交互。再往后是「进化智能」，基础模型与本体持续迭代，同一个「大脑」适配不同形态的机器人。

这样的划分指向一个实际问题：模型、本体和场景该如何配合？

赵行随后把三者放进同一套工作流程，他认为，「具身智能已经从单点的技术突破，单点的算法、单点的数据、单点的本体设计到单场景的应用，迈入模型、数据、本体、基础设施和应用的系统性竞争新阶段。」按照他的描述，团队要先从产业需求中定义任务，再采集和处理相应数据，用数据迭代基础模型。模型进入机器人后，真实执行结果继续回流，推动下一版模型和本体调整。

具体的场景在流程中承担了两项工作，它检验机器人能不能干活，也继续为模型提供数据。「从模型到生产力」因此形成了一个循环，在部署完成后，训练依旧会继续。

VLA不是终局：世界模型和后训练正在打开下一次 Scaling

星海图目前押注的一条路线，是把视觉、语言和动作放进统一的自回归模型。

赵行在演讲中介绍，星海图今年 6 月推出、随后公开代码和基础权重的 G0.5，会把机器人的视觉观测切成 Token，把人类的语言指令也作为 Token 输入，再把动作离散化为模型可以逐个输出的 Token。它试图复用大语言模型已经验证过的自回归范式，让机器人的观测、任务意图和动作在同一套参数中交互。

到了技术圆桌，赵行给这条路线加上了一个重要限制：「VLA 不一定是最正确的方向，但目前看来是一条非常合理的技术路线。」

他看重的并不只是 VLA 这个名称，而是语言给机器人带来的知识。单纯模仿一段动作，只能告诉机器人「人是怎么做的」；语言还可以告诉它为什么要这样做、任务的目标是什么、哪些动作有风险、失败后应该怎样调整。

在赵行的比喻里，离散化后的动作对于语言模型，就像一门新语言。视觉提供机器人看到的世界，语言表达人的意图，动作则负责把两者变成对物理环境的影响。

「动作其实是视觉观测和语言最后的一种翻译，翻译到了物理世界。」赵行说。

因此，VLA 的意义不只是把三种模态拼在一起，而是尝试让意图、观测和行动共享一套内部表示。不过赵行也没有把这条路线描述成最终答案，他在圆桌最后提到，今天的具身模型仍主要借用语言模型或视频生成模型的基础架构，真正由物理世界需求推动的原生多模态模型还没有出现。

「我非常希望能出现真正的原生多模态模型。」赵行说。

如果说 VLA 尝试直接从视觉和语言产生动作，世界动作模型则希望模型先学到世界如何变化，再据此生成机器人的行动。

问题在于，视频生成模型可以等待数十秒甚至数分钟，机器人却需要持续感知并实时动作。赵行认为，世界动作模型真正带来泛化能力的部分，主要来自预训练阶段形成的表征；进入推理阶段后，并不一定要把未来视频的每一个像素都生成出来。

星海图的 Fast-WAM 路线据此省去推理阶段的未来视频生成，保留动作输出。赵行将其解释为一道计算量的选择题：一段视频包含大量像素，而机器人最终需要执行的动作轨迹只包含有限的轨迹点。如果模型已经在预训练中学到了有效表征，推理时再完整生成视频，可能并不是机器人实时控制所必需的步骤。

Fast-WAM 论文报告的单步推理延迟为 190 毫秒，较论文中对照的「先想象、再执行」类世界动作模型快 4 倍以上。这个结果不能直接外推到所有机器人和任务，但至少说明，训练阶段借助视频建模，与推理阶段必须显式生成未来视频，并不是一回事。

但在圆桌上，北京通用人工智能研究院具身机器人中心主任黄思远对「世界模型是不是一个 buzzword」的回答是「一半一半」。在他看来，宣传往往放大了模型架构和名称，世界模型真正的价值仍然是状态预测，以及更有效地利用视频和多模态数据完成长程闭环任务。

清华大学深圳国际研究生院助理教授于超则把当前世界模型概括为两条路线：一条把它做成可交互的模拟环境，用来替代昂贵的真机试错；另一条把它作为表征或预测器，吸收人类视频、机器人数据和其他异构数据，再用少量本地数据生成动作。

这些差异说明，行业对「世界模型」的定义仍然宽泛。所以，看到一家机器人公司谈世界模型，应该先问它在训练和部署中具体做什么，是模拟环境、预测状态、统一表征，还是直接产生动作？

预训练解决的是泛化：让机器人面对没见过的物体和环境时，仍然有一个可用的初始能力。但到了具体岗位，客户要求的通常不是「偶尔能做」，而是速度、精度和稳定性。赵行认为，只靠示教和模仿学习，机器人的上限仍会被人类示范所约束。强化学习的价值，是让机器人在环境中展开真实动作，把成功轨迹、失败轨迹和人工接管都收集回来，通过反馈继续优化策略。

为加快这个过程，星海图搭建了 G-Fleet 分布式真机强化学习系统：任务和基础模型被同时下发给多台机器人，机器人并行执行并回传数据，训练系统集中更新策略，再把新版本重新部署到机器人舰队。

「机器人的下一次 Scaling，不仅仅是在预训练，也要在后训练阶段进行 Scaling。」赵行说。

于超在圆桌中给出了补充的判断：「预训练更多是把一条能力边界塑造出来，后训练的目标是将这个能力边界继续向外扩展。」但要向外扩展，首先要找到模型到底在哪里不会。今天的真机强化学习仍受制于机器人数量、多机稳定性，以及大量人工修正；真正在线、并行、大规模的后训练还没有成为行业通用能力。

赵行的判断代表了机器人未来的一种方向。多机系统可以提高真实交互的并行度，但机器人能否长时间稳定运行、任务结果能否自动验证、人工接管是否足够低，仍然决定着真机强化学习能不能真正扩展。

真实场景才是下一轮学习的起点

真机部署产生的数据并不会自动变成训练材料。不同机器人、传感器和采集方式生成的轨迹，需要经过重建、质检、去重、任务切分、语义标注和版本管理，模型才能理解一段动作对应的任务意图。赵行把这部分工作称为「苦活、累活」，要完成包括轨迹重建、信号质检、轨迹去重、任务切分、语义标注、数据导出和版本管理在内的一系列步骤。星海图为此搭建了 EDP 具身智能开发平台，即 Embodied Development Platform。在 EDP 平台中，处理后的真机数据和第一视角人类数据，可以进入 VLA、世界动作模型和强化学习后训练。

赵行在圆桌上给出了一个大胆的判断：「大语言模型的数据量是有限的，但具身数据量是无限的。」

这里的「无限」，更适合理解为物理世界会持续产生新数据。数据多不等于数据好。北京大学人工智能研究院助理教授李昊轩举了一个简单的例子：孩子年龄增长时，鞋码和数学知识都会增加，但鞋码变大不会让数学变好。训练数据里的虚假相关性也是同样的道理，机器人要判断动作是否真的造成了状态变化，还需要主动干预和物理交互。

前置仓演示的价值就在这里。它把接单、货架定位、自主导航、多机避让、抓取、撑袋和打包放进同一条任务链。机器人会不会抓取只是其中一环，系统必须把整张订单跑完。当然，展台演示仍是限定条件下的验证。至于系统能否长时间稳定运行，能否以合适的成本复制到真实仓库，还要看后续部署。

具身智能的竞争因此出现了两种不同的 Scaling：一种发生在预训练中，依赖更广泛的数据和更强的模型；另一种发生在部署之后，依赖机器人能否发现失败、吸收反馈，再把现场经验变成下一版模型。

对机器人而言，生产力不是模型训练的终点。它更像下一轮学习真正开始的地方。对机器人公司来说，部署不会结束训练。机器人开始真正干活之后，下一轮学习才刚刚开始。