VLA模型终极进化：机器人迈向AGI的关键一步 | AIGCbar AI资讯

type

status

date

slug

summary

VLA范式的诞生：从RT-1到RT-2的奠基之路

要理解VLA的重要性，我们必须回到它的起点。在VLA出现之前，机器人控制系统往往是割裂的：感知模块负责“看”，语言模块负责“听”，而动作规划则是另一套独立的系统。这种模式效率低下，且难以泛化到新任务中。

谷歌Robotics团队率先打破了这一僵局。2022年，他们推出的RT-1模型，首次将“预训练+微调”这一在LLM领域大获成功的范式引入机器人控制，通过在海量机器人演示数据上进行模仿学习，让模型具备了跨任务的泛化能力。这就像教会了一个机器人“举一反三”，为VLA的诞生奠定了坚实的基础。

2023年7月，里程碑式的RT-2模型横空出世，正式确立了VLA的范式。RT-2的革命性之处在于，它创造性地将机器人的连续动作“翻译”成离散的文本Token，与视觉、语言数据一同在大模型中进行联合训练。这使得机器人不仅能“看懂”图像、“听懂”指令，还能将指令直接转化为精确的物理动作。RT-2的成功证明，一个统一的端到端模型，是实现通用具身智能的最优解，正式开启了“大模型驱动机器人”的新纪元。

开源与效率革命：RoboMamba与OpenVLA的挑战

RT-2虽然强大，但也暴露了两个核心痛点：第一，面对复杂任务时推理能力有限；第二，庞大的模型体量带来了高昂的算力成本，限制了其广泛应用。技术社区迅速响应，一场围绕效率和开源的革命就此展开。

关键时刻，中国力量开始在国际舞台上崭露头角。国内具身智能领军企业智平方联合顶尖高校，率先将新兴的Mamba架构引入VLA，推出了轻量化的RoboMamba。Mamba架构以其线性复杂度和强大的长序列处理能力，完美解决了传统Transformer架构的效率瓶颈。RoboMamba在显著降低模型复杂度的同时，大幅提升了推理速度和泛化能力，证明了在VLA领域，除了Transformer，我们还有更高效的选择。

几乎同时，由Physical Intelligence、斯坦福等机构联合推出的OpenVLA则将重点放在了开源和性能上。他们发现RT系列模型在精细化视觉识别上表现不佳。为此，OpenVLA融合了更先进的视觉编码器，并基于Llama 2骨干网络进行构建。最终，仅用RT-2-X约七分之一的参数量，就在29项操作任务上实现了性能反超。RoboMamba和OpenVLA的出现，极大地推动了VLA技术的普及和民主化。

追求极致泛化：π系列与混合架构的探索

当效率问题得到初步解决后，研究者们开始向更高的目标——极致的泛化能力——发起冲击。如何让模型在从未见过的环境和任务中，依然能表现出色？

Physical Intelligence提出的π系列模型给出了一个答案。其核心采用了“流匹配（Flow Matching）”架构，结合预训练的视觉语言模型，能够对高自由度的连续动作进行精准建模。从π₀到π₀.₅，该系列模型在零样本执行、自然语言指令遵循和快速技能微调方面展现出惊人能力，尤其是在开放世界中的适应性，标志着VLA向现实世界大规模推广迈出了坚实一步。

与此同时，以中国团队主导的HybridVLA则探索了另一种可能——混合架构。他们创新地将自回归（Autoregressive）和扩散（Diffusion）两种生成范式进行融合，通过协同训练，让模型既能拥有自回归模型的稳定性和逻辑性，又能利用扩散模型的生成多样性。这种“取长补短”的设计，成功攻克了复杂环境下鲁棒性与泛化能力难以平衡的难题。

“快慢双系统”：FiS-VLA如何实现「即知即行」

尽管VLA技术分支众多，但一个核心矛盾始终存在：具备强大通用推理能力的VLM（视觉语言模型）通常速度较慢，而反应迅速的机器人视觉-运动策略又缺乏通用性。这就像一个人，要么思考缜密但行动迟缓，要么反应神速但缺乏远见。

诺贝尔奖得主丹尼尔·卡尼曼的双系统理论为解决这一难题提供了灵感。该理论将人类思维分为快速、本能的“系统1”和缓慢、理性的“系统2”。Figure AI的Helix、英伟达的GROOT N1等模型率先尝试了这种“快慢解耦”的架构，让一个系统负责高层“慢思考”，另一个系统负责底层“快执行”。

然而，这些模型的快慢系统相对独立，导致“快系统”无法充分利用“慢系统”中蕴含的丰富知识。为了攻克这一瓶颈，智平方再次联合顶尖学术机构，提出了革命性的Fast-in-Slow（FiS-VLA）架构。

FiS-VLA的绝妙之处在于，它不再是两个独立的系统，而是将负责执行的“快系统”深度嵌入到负责推理的“慢系统”之中，二者共享部分参数。这使得“快系统”能够直接继承VLM的预训练知识，无缝理解“慢系统”的“思考结果”，从而在保证10-20Hz高频实时控制的同时，还能进行复杂的长程推理。实验结果显示，FiS-VLA在仿真和真实环境中的任务成功率和运行速度均全面超越了当时最强的开源模型，真正实现了机器人的「即知即行」。

结语：VLA开启的AGI星辰大海

回顾VLA模型的演进历程，我们看到了一条清晰的技术迭代路径：从RT-2确立范式，到开源模型提升效率，再到π系列追求泛化，最终到FiS-VLA以创新的“快慢紧耦合”系统实现性能的飞跃。这不仅是技术的层层递进，更是人工智能从数字世界走向物理世界的关键一步。

在这场波澜壮阔的技术浪潮中，以智平方为代表的中国力量，凭借其在RoboMamba、FiS-VLA等项目上的原创性突破，为全球具身智能的发展贡献了中国智慧。VLA模型的成熟，正加速机器人在智能制造、家庭服务等领域的落地应用，我们离那个机器人能真正融入日常生活的未来，又近了一步。

VLA不仅仅是AI技术的又一个分支，它更是通往通用人工智能（AGI）的坚实阶梯。想要持续追踪AI前沿动态，洞悉AGI的未来脉络？欢迎访问AI门户网站 https://aigc.bar，获取最新最全的AI新闻和深度分析。