RSS 2026 现场：具身智能还在争论 VLA 与世界模型
量子位 · wechat · 2026-07-25
RSS 2026 现场给具身智能更现实的答案：VLA 与世界模型并不对立
这篇公众号线下报道的核心不是“谁赢谁输”，而是 RSS 2026 现场反复出现的几个更具体判断：具身智能公司整体离成熟还很远；世界模型和 VLA 不是替代关系；真正的难点在于模型该预测什么、这些预测如何服务动作。
- 多位受访者认为，VLA 仍然有价值，尤其在语言推理、任务拆解和层级控制上。
- 仅做视频预测，可能只能生成“看起来合理”的未来画面，但未必知道真实动作约束，比如手型、物体尺寸、接触关系。
- 有研究者提出把动力学预测和价值评估解耦：前者负责生成未来，后者判断这些未来对任务是否有用。
文章后半段强调，机器人领域真正稀缺的不是“数据量”，而是数据配方与筛选：
- 第一视角人类数据有用，但不能直接买来就用，清洗、配比、组织比单纯堆量更重要。
- 更有效的数据组合往往是：机器人遥操作数据 + 任务对齐的人类示范 + 覆盖长尾场景的自由形态人类视频。
- Karen Liu 的闭幕演讲把领域概括为 “Data-poor, Model-rich”：既有的仿真、图形学、规划与控制模型，可以被改造成“老师”，生产训练数据。
- 她团队的 VLK 管线在重建室内环境中自动合成了 4.8 万条视觉-语言-全身轨迹，并迁移到真实的 Unitree G1 上完成导航和搬运。
文章最后还提到，RSS 现场的产业讨论已经很务实：不少厂商被问得最多的不是演示效果，而是价格、ROI、二次开发以及能否落到矿山、巡检等本地场景。
「具身」频道最新
- 亚马逊谷歌卖出6亿台音箱,AGI 时代为何无人再造智能音箱 — julianlehr · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- 波兰开发者做 iPhone 应用 可探测附近的 Meta 智能眼镜 — Low-Honeydew6483 · 2026-09-11
- 蚂蚁阿福用户达 1.5 亿，外滩大会展示 AI+硬件健康管理联盟 — APPSO · 2026-09-11
- JHU 开设全栈机器人学习课:组装机械臂、采数训练部署一条龙 — _krishna_murthy · 2026-09-11
- SyncWorld:少量视觉校准即可零样本模拟机器人跨视角交互 — ChongZzZhang · 2026-09-11