視覺-語言-動作（VLA）模型
一、核心摘要：當基礎模型遇見物理世界
視覺-語言-動作（Vision-Language-Action, VLA）模型標誌著人工智慧從純粹的數字符號處理邁向真實物理互動的臨界突破。作為一種端到端的基礎模型架構，VLA 能夠將攝像頭捕捉的視覺流與人類發出的自然語言指令直接對映為機器人末端執行器的連續控制訊號，從根本上跳過了傳統機器人系統中“感知—規劃—控制”的序列管線。其顛覆性並非來自單一演算法的改進，而在於首次將網際網路尺度上習得的世界知識、常識推論與物理互動行為統一在一個 Transformer 模型中，實現了從語義概念到精細動作的跨模態遷移。這一能力使得機器人能夠零樣本應對非結構化環境中的新物體、新任務，將生產線的重程式設計週期從數週壓縮至瞬間，為通用具身智慧的產業化打開了大門。全球範圍內，從Google DeepMind 的 RT-2 到 OpenAI 賦能的 Figure 01，從輝達的 GR00T 到眾多初創公司的垂直版面配置，VLA 已成為人工智慧領域資本密度最高、技術迭代最快的賽道之一。本報告將從技術架構、訓練範式、工程實踐、產業生態和未來趨勢等維度，對 VLA 模型進行系統性的深度剖析。
二、範式躍遷：從模組化機器人到端到端具身智慧
傳統機器人系統長期遵循一種分而治之的工程哲學。執行“把藍色杯子放進微波爐”這樣一個看似簡單的指令，底層需要經歷複雜的多步驟處理：視覺 SLAM 模組從 RGB-D 影像中分割目標物體並估計六自由度位姿；任務規劃器將自然語言指令解析為象徵性的操作圖，生成如“移動到 A 點→抓取杯子→移動到 B 點→放置”的動作序列；運動規劃演算法在聯合空間或無碰撞的笛卡爾空間中生成平滑軌跡；最後底層控制器通過 PID 或阻抗控制將軌跡轉換為電機電流。這一架構的脆弱性顯而易見——每個模組的誤差會向下遊傳播放大，視覺識別失敗便直接導致規劃器無解；而且任何環境改變（光照、物體形狀、版面配置）都需要工程師手動調節引數甚至重寫規則。這種模式將機器人的適應能力限定在一個極為狹窄的“固定劇本”舞臺之上，無法滿足柔性製造、家庭服務等泛化需求。
VLA 模型代表了一場深刻的範式革命。它採用單一的超大規模 Transformer 神經網路，將視覺輸入、語言指令與動作輸出這三個模態統一到同一個序列建模架構中。模型的輸入是來自多視角攝像頭的影像序列和一句自由格式的自然語言指令，如“小心地把綠色盒子疊在紅色盒子上，別碰倒旁邊的杯子”。經過多層跨模態注意力計算，模型直接輸出末端執行器的絕對位姿、夾爪開合角度或關節扭矩指令。這種端到端的壓縮處理，消除了中間環節的資訊瓶頸，允許視覺細節中那些難以用符號規則描述的物理特性（如物體表面的摩擦力、柔性材料的變形）被隱式地捕獲並直接對映為適當的控制動作。更具深遠意義的是，這種架構使得機器人控制可以被納入大語言模型所開闢的“預測下一個 Token”的通用範式中，從而共享語言模型在規模化訓練中湧現出的推論、常識和一搏泛化能力。
三、架構核心：多模態Token序列的統一建模
VLA 模型的架構本質上是一座架在“離散符號”與“連續物理量”之間的橋樑，其設計核心在於如何用一個生成文本的模型來生成動作。當前最主流的方案承襲了多模態大語言模型的架構，並將其擴充套件至動作空間。典型的 VLA 架構由三個關鍵元件構成：視覺編碼器、語言編碼器以及跨模態動作解碼器。
視覺編碼器通常選用視覺 Transformer（ViT），輸入不僅是當前幀的 RGB 影像，通常還會將時間上連續的若干歷史幀沿通道維度堆疊，形成一段富含運動資訊的時空視覺塊序列。每幀影像被切分為固定大小的 Patch，經線性投影和位置編碼後形成一長串視覺 Token。文本側則通過預訓練的大語言模型編碼器（如 PaLI 或 LLaMA 的早期層）將指令文本轉化為文本 Token 序列。這兩串模態異構的 Token 被拼接為一個統一的序列，送入一座巨大的 Transformer 解碼器中。在自注意力機制的作用下，每一個視覺 Token 都可以自由地與指令中的每一個詞語進行互動，例如“透明玻璃杯”這個詞會強化模型中與易碎物體邊緣梯度相關的視覺特徵，而“小心地”則影響後續力度特徵的調變。
真正體現 VLA 技術智慧的環節在於動作的解碼生成。由於機械臂的動作是連續值的集合——典型的是末端執行器的七維向量（三維位置、三維姿態、一維夾爪開度），要讓一個原本設計用於輸出離散詞彙分佈的模型生成連續量，必須引入動作的“Token化”。基礎方案是均勻離散化，將每個連續動作維度的值域劃分成數百個箱體，每個箱體分配一個詞表序號。例如，X 軸位移範圍 0 至 1 米被分為 256 個 Bin，模型只需輸出代表第 128 個 Bin 的 Token 即可。更先進的方法採用向量量化變分自編碼器，預先在海量機器人軌跡資料上訓練一個動作分詞器，將連續動作序列壓縮為離散的潛在碼本索引。VLA 模型自迴歸地生成這些索引串，再通過分詞器解碼為連續軌跡，獲得了更高的動作精度和時序平滑性。
四、動作生成策略：從自迴歸離散化到擴散策略
VLA 模型的動作解碼器設計，直接決定了機器人運動的精度、平滑度和任務成功率。當前技術路線可歸納為三大流派，它們在處理複雜物理互動時各有優勢。
第一類是基於離散 Token 的自迴歸生成。這借鑑了大語言模型最成熟的文本生成範式。模型在接收到視覺和語言 Token 後，逐個輸出代表動作維度的離散 Token，上一個輸出的動作 Token 會作為下一時刻的輸入，形成完整的預測序列。RT-2 是這一路徑的標杆，它將頭部的輸出投影直接對映到動作箱體上，用交叉熵損失進行訓練。該方法的最大優勢在於能夠無縫複用大語言模型的海量預訓練和工程最佳化沉澱，但其侷限在於，均勻離散化會導致維數災難，七維動作的精細表示要求詞表規模急劇膨脹，且自迴歸的誤差會隨時間累積。
第二類是動作分塊的自迴歸生成，代表模型為 Octo。它不再單獨預測每一步的動作 Token，而是一次性預測未來一段固定長度（如 100 步）的動作序列，即一個動作“塊”。模型依然自迴歸地生成這些塊，但各塊內的動作是並行解碼的。這種設計大大減少了推論步數，提升了時間一致性，並能更有效地捕捉動作的時間結構。
第三類則是近期興起的擴散策略。這類方法將動作生成建模為條件去噪擴散過程。模型在訓練時學習如何從純噪聲中逐步恢復出乾淨的動作軌跡，條件是視覺和語言上下文。推論時，模型從隨機噪聲開始，經過數十步去噪迭代，產生出一個連續的動作分佈。擴散策略天然適合處理高維連續空間，在需要精細力控的接觸密集任務（如精密裝配、插入）中表現出更高的成功率與柔順性。當前許多前沿 VLA 系統，特別是結合了深度強化學習微調的版本，已開始採用擴散 Head 替代傳統 MLP 分類頭，實現了更擬人化的連續運動曲線。
五、視覺-語言的預訓練根基：世界知識的物理投射
VLA 模型之所以能夠理解“拿起那個透明玻璃杯”並施加恰好的力度，而不是像傳統工業機器人那樣要麼抓碎要麼滑落，其核心奧秘在於大規模的視覺-語言預訓練。在接觸到任何機器人資料之前，模型已經通過在數十億級網際網路圖文對（如 LAION、WebLI、COYO 等資料集）上的訓練，內化了一個龐大而豐富的“世界模型”。這個模型知道玻璃是易碎的、水是流動的、動物是活體會動的——這些常識是無法通過少量機器人遙運算元據習得的。
在這個過程中，模型學習的是跨模態的語義對齊。當視覺 Transformer 處理一張包含“透明玻璃杯放在桌沿”的影像時，其內部的注意力頭會與語言編碼器處理“透明玻璃杯”一詞時的啟用模式形成高餘弦相似度。這種關聯使得模型不僅識別出畫素模式，還抽取出了抽象屬性：材質屬性（透明、光滑）、空間關係（在桌沿，意味著不穩定）以及風險語義（易碎）。當後續在少量機器人軌跡資料上進行微調時，模型只需要學習一個簡短的“對映層”——將這些語義屬性轉化為相應的物理約束。比如，識別到“易碎”屬性時，自動降低夾爪的期望接觸力矩閾值。這種從網際網路規模的感性知識到物理互動的直接投射，是 VLA 模型泛化能力的根本來源，也是它區別於所有單純依賴模擬或遙運算元據訓練的傳統方法的根本差異。
六、協同微調範式：在不遺忘中習得物理技能
僅有世界知識還不足以讓模型指揮真實機械臂，它還需要習得精確的物理互動技能。VLA 模型的訓練普遍遵循“預訓練+協同微調”的雙階段範式，其核心技術挑戰在於解決災難性遺忘——如何在注入物理運動能力的同時，儘可能保留模型在網際網路資料上習得的語義理解與常識。
目前最有效的方法被稱為“混合 Token 訓練”。研究者將動作 Token 直接新增到原有語言模型的詞彙表中，建置一個統一的詞表。訓練資料採用交錯的格式，即同一批次內既包含標準的圖文問答對（保持語言能力），也包含帶動作標籤的機器人演示資料。在計算損失時，僅在序列中動作 Token 出現的位置施加交叉熵損失或迴歸損失，而對於語言和視覺相關 Token 的部分，或者將其輸出掩碼掉，或者使用極低的學習率進行小幅偏移修正。許多先進實現還會引入 LoRA 或介面卡模組，專門在 Transformer 的特定層中插入可訓練的低秩矩陣，讓模型以極小的引數增量（通常不到總引數的 2%）來適應動作輸出任務。這種精妙的平衡使得最終的 VLA 模型能夠理解一句含糊的指令，比如“把那個東西挪開點，別太用力”，並據此調整動作的力控引數，展現出一種近乎直覺的物理常識。
微調所需的資料集是關鍵瓶頸。目前Google DeepMind 聯合全球 33 家實驗室建置的 Open X-Embodiment 資料集是規模最大的公開資源，包含超過 100 萬個真實機器人演示片段，覆蓋 60 多種不同形態的機械臂和數百種任務。這使得 VLA 模型能夠跨機器人本體進行訓練，湧現出一定的“本體遷移”能力。
七、零樣本泛化：湧現出的物理常識推論
VLA 模型最令產業界興奮的價值點是其突出的零樣本泛化能力。在傳統的工業視覺系統中，識別一種新型的、產線上從未出現過的透明包裝袋，需要採集數百張缺陷樣本並重新訓練模型。而對於一個充分訓練的 VLA 模型，只要指令到位，它可以在第一次見到這種物體時就完成抓取和放置，成功率甚至超過傳統系統無數次迭代後的效果。
這種泛化能力根植於模型對語義概念的抽象表徵。模型並非記住了訓練時見過的特定物體“紅色圓柱體積木”的三維點雲端，而是理解了“圓柱體”、“紅色”、“可抓取”這樣的解耦語義因子。當面對一個白色的圓柱體馬克杯時，其內部的注意力機制能夠重構這些因子的組合，啟用與圓柱體抓取姿態相關的運動程式模組，並依據視覺 Token 中關於物體表面的微小特徵來決定是否需調整抓取力度以適應陶瓷材質。更令人驚歎的是空間關係的泛化。指令“把盤子上的杯子拿給我”中，“盤子上的”這一空間關係是模型在大量圖文資料中學會的；而在機器人資料中它只練習過“拿起杯子”。兩者結合，它便能自發地生成先去往盤子所在位置、在三維視覺特徵中找到杯子、再執行抓取的動作序列，而從未被針對性地進行過“從承載物上取物”的組合任務訓練。
眾多公開實驗展示了這一能力的驚豔表現。在斯坦福的實機測試中，OpenVLA 模型對訓練任務之外的新物體、新背景、新幹擾物以及完全新的組合指令，成功率遠超基於預定義技能的基線方法。正是這種泛化性讓柔性製造成為可能——一條產線上的機械臂，上午通過自然語言切換完成手機中框的精密組裝，下午即可切換到同一產線對異形包裹進行柔性碼垛，不再需要任何硬體調整或重新示教。
八、大規模並行訓練：算力之下的系統工程
訓練一個具備通用能力的 VLA 模型是一項龐大的系統工程，其計算量遠超單純的文本大語言模型。原因在於視覺 Token 的數量極其龐大：一幀 224x224 解析度的影像經 ViT 處理後通常產生 256 個 Token，而為了捕捉運動，往往需要堆疊 5-10 幀歷史影像，使得單個樣本的視覺 Token 長度就達到數千。當目光投向更高解析度和多視角輸入時，這個問題會被進一步放大。
為此，VLA 的訓練通常藉助大規模 GPU 叢集，並融合多種並行策略。張量並行將單層內的引數切分到多個裝置，流水線並行將模型的不同層分佈到不同的計算節點，使得前向和反向傳播可以像工廠流水線一樣執行。然而，最大的挑戰在於處理超長的 Token 序列，傳統的自注意力計算複雜度為序列長度的平方，這要求在視覺側採用特殊的序列並行方案，比如 Ring Attention 或 FlashAttention 的分散式變體，將長序列切分到多個裝置上，通過環形通訊高效計算注意力。此外，為了解決視覺 Token 的冗餘，一些高效架構在 ViT 之後引入可學習的查詢向量（Perceiver Resampler），將數千個視覺 Token 壓縮為固定的幾十或幾百個抽象特徵，在幾乎不損失資訊的情況下大幅縮減後續 Transformer 的序列長度。
目前的標杆模型如Google的 RT-2 在 Cloud TPUv4 叢集上訓練，引數規模達 550 億；而 UC 伯克利主導的 OpenVLA 則採用 70 億引數的 LLaMA 骨架，通過精巧的視覺對映實現可控的訓練預算，凸顯了開源社群的最佳化能力。訓練一個頂級的 VLA 模型通常需要數千 A100-80GB 級別的 GPU 周，算力成本已成為產業競爭的核心門檻。
九、低延遲推論與邊緣部署：通往即時控制之路
要將 VLA 模型部署在真實的機器人上，推論延遲是決定生死的硬性指標。物理世界的即時控制環路通常要求從感測器輸入到運動指令輸出的延遲低於 100 毫秒，高動態任務甚至要求 10 毫秒以下。這對於動輒數百億引數的 Transformer 來說是巨大挑戰。VLA 的推論最佳化因此成為工程落地的核心戰役。
當前產業界的最佳化方向主要沿著三條路徑展開。其一是應用稀疏專家混合架構。模型在推論時只啟用與當前任務相關的一小部分引數，而非全模型推演。Google的 RT-2 和某些未公開的商業模型便採用了這種技術，可在保持模型總容量的同時將啟用引數量削減至總規模的四分之一以下。其二是模型蒸餾。即訓練一個引數量大幅縮減的學生模型去模仿大型 VLA 的輸出分佈。這種方式特別適用於部署在輝達 Jetson AGX Orin 或高通 RB6 等邊緣 AI 計算平台上。例如，斯坦福團隊將 OpenVLA 蒸餾至 1B 引數以下後，能在 Jetson 上實現 50 毫秒以內的推論速度，且效能僅下降幾個百分點。
第三條路線是推論架構的專項最佳化，包括使用 TensorRT-LLM 進行圖編譯最佳化、採用 KV Cache 壓縮技術減少視訊記憶體佔用、以及將模型量化為 4 位元或 8 位元整數。在併發控制層面，先進的系統採用非同步推論管線：當 GPU 在推論當前幀時，CPU 同步進行下一幀的影像預處理和動作後處理，形成流水線重疊，進一步壓縮有效延遲。可以預見，隨著晶片架構（如輝達的 Thor）和推論架構的持續進化，大型 VLA 模型在人形機器人等具身終端上的即時執行將在 1-2 年內成為產業標配。
十、標杆模型圖譜：從 RT-2 到 GR00T 的技術路線競合
VLA 領域已進入一個模型井噴的活躍期，幾大標杆模型清晰地展現了技術的演進方向。
Google DeepMind 的 RT-2 是這一領域的奠基之作。它直接基於視覺-語言模型 PaLI-X 和 PaLM-E 建置，在訓練上首次展示了網際網路預訓練知識與機器人資料的強協同效應。其最大的貢獻在於確立了一個技術範本：只需將動作離散為 Token 加入詞表，就能將大語言模型的推論能力注入機器人控制。緊接著，斯坦福的 Mobile ALOHA 系統以較低成本實現了精細的雙臂操作，通過模仿學習結合 VLA 微調，它展示了 VLA 在精密任務（如打雞蛋、組裝鏈輪）中的潛力，並引發了開源社群的復現熱潮。
OpenVLA 則代表了開源路線的突破。這個 7B 引數的模型基於 LLaMA-2 和預訓練的視覺編碼器，在 Open X-Embodiment 資料集上訓練，並且所有權重、訓練程式碼和資料集完全公開。它證明了無需超大規模企業閉源基礎設施，研究者也能訓練出具備強泛化能力的 VLA 模型，極大地加速了學術研究和中小企業的創新。輝達的 GR00T 專案則另闢蹊徑，建置了一個完整的基礎模型和模擬訓練平台生態，藉助 Isaac Sim 生成海量多樣化的合成數據，旨在為任何型別的機器人建立通用的大腦。GR00T 的策略強調了模擬在衝破資料瓶頸中的核心作用。此外，OpenAI 與 Figure 的合作將 GPT 系列的語言理解能力直接與仿人形機器人的物理實現結合，展示了端到端 VLA 在商業人形機器人上的震撼效果。這些模型共同勾勒出一個多路線並進、開源與閉源競合的蓬勃圖景。
十一、產業應用場景：穿透製造業與服務業的價值鏈
VLA 的產業價值率先在製造業的柔性化改造中兌現。在消費電子、汽車零部件等行業，產品生命週期縮短，個性化定製增多，傳統產線換線時間長、成本高。引入 VLA 驅動的協作機器人後，工人只需通過語音或打字輸入“請把左上料盤中的 Type-C 線材插入第二檢測工位的夾具”，機械臂即可立即理解任務，識別此前未建模的異形線材，生成柔順的插拔動作。這對於應對多品種、小批次的製造趨勢具有里程碑意義。倉儲與物流分揀是另一塊試金石。VLA 模型能依據“把透明塑膠袋包裹的退貨商品翻過來檢視標籤”這類複雜指令，處理高反光、變形、纏繞等傳統視覺演算法完全失效的物品。該領域已出現實現 99.5% 以上分揀準確率的頭部試點案例。
在家庭與商業服務場景中，VLA 讓服務機器人具備處理開放式任務的能力。例如，一個家用機器人接到指令“把沙發上散落的兒童玩具收進藍色的玩具箱裡，積木和毛絨要分開放”，這要求它結合房間語義地圖、物體細粒度識別和靈巧的操作規劃。VLA 模型從通用語料中習得的“積木”與“毛絨”的材質和分類概念，可直接對映為不同的抓取和放置策略。輔助醫療與康復也是極具前景的方向，VLA 能讓康復外骨骼根據患者語音意圖和肌肉力反饋做出連續自適應輔助。儘管目前仍主要處於結構化場景的驗證階段，隨著安全性和可靠性提升，這些泛化服務將逐步從演示走向產品化落地。
十二、競爭格局：巨頭、初創與開源力量的三角博弈
VLA 賽道已形成“科技巨頭+精銳初創+開源社群”三足鼎立的格局。巨頭陣營中，Google憑藉 DeepMind 的先發優勢，通過 RT 系列的持續迭代和 Open X-Embodiment 的生態卡位，牢牢佔據學術與技術的制高點。輝達通過“算力硬體+模擬平台+基礎模型”三位一體的 GR00T 戰略，意圖成為具身智慧的“基礎設施提供商”，吸引大批機器人本體廠商加入其生態。OpenAI 雖未直接公開 VLA 模型架構，但通過投資並深度賦能 Figure 和 1X 等明星初創，其大語言模型能力已成為多款人形機器人的核心大腦，形成了強大的間接影響力。
初創公司方面，Figure AI 憑藉與 OpenAI 和寶馬等合作，在仿人形機器人上實現了端到端 VLA 部署，估值飆升。Physical Intelligence 等公司則試圖打造通用機器人基礎模型，推動技術的平台化輸出。國內，銀河通用、星塵智慧等初創也在 VLA 與具身操作方面取得快速進展。開源社群則成為技術的加速器，OpenVLA、Octo 以及基於它們的各種微調版本，讓中小企業和研究機構能以極低成本快速搭建原型。這種三角結構加速了技術擴散，也導致了激烈的人才爭奪和資本聚集。預計未來兩年，能夠成功將 VLA 與特定垂直場景資料深度結合、建置起閉環資料飛輪的企業，將有望在這輪競賽中勝出。
十三、資料瓶頸與合成數據破局：模擬與生成式 AI 的融合
VLA 模型的進步曲線直接受限於高質量機器人互動資料的規模與多樣性。與網際網路圖文資料近乎無限不同，真實機器人的演示資料採集極其昂貴，往往需要專業人員通過遙操作進行數小時採集才能完成一個簡單任務，且資料泛化性受場景限制。這構成了當前最大的產業瓶頸。
為了突破這一困境，合成數據與模擬技術被寄予厚望。以輝達 Isaac Sim 為代表的高保真模擬平台，能夠以千倍於真實世界的速度自動生成海量帶標籤的視覺-動作互動資料，涵蓋各種物體幾何、材質、光照和物理規則。結合近年來爆發的生成式 AI，研究者已在探索利用文生圖、文生影片模型自動擴充訓練資料分佈，如生成同一場景不同天氣、不同干擾物下的影像，然後用域隨機化技術訓練 VLA 模型，極大增強其視覺魯棒性。更為前沿的路徑是利用大規模影片資料中的人類操作影片進行無監督預訓練。通過分析網際網路上億級別的“手與物體互動”影片，模型可以在完全沒有動作標註的情況下學習物理世界的手眼協調先驗，然後僅用極少量真實遙運算元據即可微調至特定機器人平台。這種從“看影片學習”到“動手實踐”的範式，有望真正將 VLA 模型的資料需求降低一至兩個數量級，是後續研究的重點突破方向。
十四、安全、倫理與對齊：物理世界大型模型的底線責任
當一個大型模型有能力驅動數百瓦功率的機械臂或雙足機器人在物理空間中運動時，安全問題便從數字域的資訊安全躍遷到了人身與財產安全的層面。VLA 模型的幻覺、對抗攻擊脆弱性或訓練資料的偏見，都可能導致災難性的物理後果。例如，一個錯誤地將“用力砸核桃”的指令與“旁邊的玻璃水杯”相關聯的動作，可能引發碎片飛濺傷人。因此，物理世界中的對齊成為產業的底線命題。
當前的應對策略涵蓋多個層面。在模型層面，引入物理常識約束訓練，通過建置包含危險狀態和正確干預的負樣本資料，教會模型識別並拒絕危險指令，或在其動作Token分佈中施加硬約束（如速度、力矩上限）。在系統層面，設計獨立的執行時安全監視器，使用確定性演算法驗證 VLA 輸出的動作在碰撞檢測、力安全裕度等方面是否合規，形成最後一道物理保險。人機互動層面，設定顯式的確認與接管機制，在關鍵任務節點請求人類監督員確認。倫理與法律責任方面，產業界亟需建立 VLA 驅動的具身智慧系統的分級安全認證標準，類似於汽車領域的 ISO 26262，明確製造商、模型提供商與使用方的責任邊界。只有當安全性得到制度性保障，VLA 才能在貼近人類的場景中大規模鋪開。
十五、結語與前瞻：具身智慧元年的投資啟示
站在當前時點，VLA 模型的技術成熟度正從“實驗室突破”快速邁向“工程化落地”的臨界區。它承載著大型模型溢位到物理世界的宏大敘事，是人工智慧改造實體經濟最直接的技術抓手。投資者和產業參與者應重點關注以下趨勢：第一，模型能力將從簡單的拾取放置，向複雜的接觸密集型裝配和雙手協調操作演進，擴散策略的應用將是關鍵訊號。第二，模擬與真實資料的閉環將加速，能建置起“部署-採集-重訓練-再部署”資料飛輪的企業將建立持續壁壘。第三，邊緣推論晶片與端側 VLA 的協同進化，將催生一批針對垂直場景的高性價比解決方案。第四，人形機器人是 VLA 的理想載體但不是唯一載體，製造業中數量龐大的固定臂和移動底盤也可能是率先起量的市場。
VLA 的最終願景，是建置一個通用的機器人基礎模型：下載到任何形態的機器人中，就能像人類一樣，通過觀看和聆聽來快速學會新的物理技能。儘管距離這一終極目標仍有長路，但產業級的奇點已然臨近。這不僅僅是一個技術故事，更是一場關乎生產力範式、全球供應鏈重構和人機關係重塑的深刻變革。對於試圖在這一浪潮中捕捉價值的觀察者與決策者而言，深刻理解 VLA 模型的技術脈絡和產業邏輯，是把握下一個十年智慧經濟脈搏的必要前提。