作者：硅基星人
https://zhuanlan.zhihu.com/p/2057783219144110491

VLA 没死，但“纯 VLA”确实不够了。

更准确地说，2026 年这轮争论不是“Vision-Language-Action 要被 World Model 替代”，而是“只把机器人策略看成感知到动作的映射，已经解释不了下一阶段的问题”。

过去几年，VLA 是具身智能的主线。从 RT-2、OpenVLA 到 π0、GR00T，基本范式都是：

视觉观测 + 语言指令 → 动作

这个范式很强。它把互联网预训练的视觉语言知识接到了机器人控制上，让机器人不再只会执行硬编码程序，而是可以理解自然语言、识别物体、在有限任务上泛化。

但到了 2026 年，大家开始发现一个问题：

能根据当前画面输出动作，不等于理解“做这个动作之后世界会怎样”。

这就是 World Model 路线重新变热的原因。

一、VLA 为什么会被质疑？

VLA 最大的优点，也是它的结构性短板：太像一个反应式策略。

它看到当前图像和指令，然后输出动作。这个动作在训练分布内往往很好用，但一旦进入动态场景、长时序任务或失败恢复状态，问题就暴露出来。

比如机器人在传送带上抓一个移动物体。纯 VLA 看到的是当前帧，输出的是当前动作。但真正有效的策略需要预测：

• 物体 0.5 秒后会在哪里；
• 机械臂过去时会不会碰到旁边的东西；
• 如果第一次抓偏了，下一步怎么补救；
• 这一步动作会不会让后续步骤更难。

这些都不是简单的“识别 + 输出动作”能解决的。

纯 VLA 常见的几个问题是：

问题	表现
缺少显式未来预测	对移动物体、动态场景反应滞后
长时序误差累积	每一步看起来对，十几步后偏到不可恢复
失败恢复弱	训练数据多是成功示范，失败状态覆盖不足
数据依赖强	高质量机器人动作数据昂贵，很难靠堆 demonstrations 扩展
物理约束弱	语言和视觉常识强，但接触、摩擦、力学预测不足

所以，“VLA 已死”这个说法有点标题党，但它抓住了一个真实问题：

VLA 的下一步，不是继续把感知和动作头做大，而是要补上世界预测能力。

二、World Model 到底补了什么？

World Model 的核心问题很简单：

如果我执行动作 a_t，世界会从 s_t 变成什么？

写成形式化一点，就是学习：

或者在视频模型里：

它和 VLA 的区别不是“有没有图像和语言”，而是有没有把“未来”显式放进模型里。

VLA 更像是：

看到现在 → 直接行动

World Model 更像是：

看到现在 → 想象未来 → 评估后果 → 再行动

这就是为什么现在很多论文不再满足于训练一个 policy，而是开始训练 video-action world model：同一个模型既要能输出动作，也要能预测执行动作后的未来视频，甚至能评价这个未来是否接近任务目标。

三、2026 年几条代表性路线

1. InternVLA-A1：不是抛弃 VLA，而是给 VLA 加上预测专家

InternVLA-A1 是 2026 年初很值得看的一个工作。

它的出发点很清楚：传统 VLA 的语义理解很强，但缺少物理动态预测；纯视频世界模型能预测未来，但又容易缺少语义锚定。

所以 InternVLA-A1 做了一个混合方案：Mixture-of-Transformers。

它把模型拆成三个专家：

• scene understanding expert：理解场景和语言；
• visual foresight generation expert：生成未来视觉预测；
• action execution expert：输出机器人动作。

三者通过统一的 masked self-attention 协同工作。

这件事的意义在于：它不是说 VLA 不行，而是承认“只靠 VLA 不够”。VLA 需要一个能预测未来的生成专家来补上动态场景能力。

论文报告 InternVLA-A1 使用 InternData-A1 和 Agibot-World 等混合数据，覆盖超过 533M frames，在 12 个真实机器人任务和仿真 benchmark 上评估。尤其在动态场景中，相比 π0、GR00T N1.5 等模型提升明显。

这说明一个趋势：未来的 VLA 很可能不是单一 policy head，而是理解、预测、执行三者耦合。

2. UWM / τ₀-WM：把视频和动作统一建模

Unified World Models（UWM）走得更激进。

它把视频扩散和动作扩散放进同一个 transformer，用独立的扩散时间步控制视频和动作。这样一个模型可以在不同模式下工作：

• 给当前观测，生成动作；
• 给动作，预测未来视频；
• 给视频，反推可能动作；
• 同时生成视频和动作。

这类方法最有意思的点是：它可以利用没有动作标注的视频数据。

传统 VLA 非常依赖动作标签，因为它要学 p(a \mid o, l)。但世界上大量有用数据只有视频，没有机器人动作。UWM 这类模型试图把这些视频数据也纳入训练。

τ₀-WM 则把这个思路推进到更大规模。论文称它在约 27,300 小时真实机器人遥操作、UMI 风格交互、人类第一视角视频和失败轨迹上训练，提供两个接口：

• Video Action Model：从多视角观测、语言和机器人状态中联合预测未来视觉 latent 和连续动作块；
• Action-Conditioned Video Simulator：给定候选动作，rollout 多视角未来，并预测任务进展分数。

它最像“推理时想一想”的机器人模型。不是直接输出一个动作就完事，而是采样候选动作、预测后果、排序、必要时修正。

这就是 World Model 相比纯 VLA 的关键增量：test-time computation。

3. WorldDP：世界模型做高层规划，Diffusion Policy 做低层执行

WorldDP 的路线更工程化。

它不试图让一个模型同时做所有事，而是分层：

高层世界模型：预测对象状态变化，选择可行子目标
低层 Diffusion Policy：把子目标执行成具体动作

这个设计适合多阶段任务。

比如机器人要整理桌面。端到端 VLA 可能一步一步输出动作，但很容易在长序列里累积错误。WorldDP 会先把任务拆成子目标：先移动杯子，再移动盘子，再清理桌面区域。低层策略只需要完成当前子目标。

论文强调 object-centric representation，也就是把环境拆成对象，而不是把整张图像当作一个黑盒状态。这对长时序任务很有价值，因为很多任务的本质就是对象关系在变化。

4. VLA-JEPA / JEPA-VLA：世界模型作为 VLA 的表征增强

还有一条更温和的路线：不做大规模视频生成，也不把动作和视频统一扩散，而是在 VLA 的视觉表示里加入预测性表征。

VLA-JEPA 和 JEPA-VLA 都在做类似事情：用 JEPA 风格的 latent prediction，让模型学到更稳定的未来状态表示，而不是只学当前帧的视觉语义。

这类方法的优点是推理成本低，也更容易嵌入现有 VLA。缺点是它没有显式生成未来视频，规划能力不如 τ₀-WM 这类模型直接。

但从工程角度看，这可能是最先落地的一类“世界模型增强 VLA”。

四、所以路线之争可以这样看

我更倾向于把当前路线分成四类：

路线	核心思路	优点	风险
传统 VLA	当前观测和语言直接输出动作	简单、快、部署成本低	动态预测和失败恢复弱
混合 VLA	VLA + 生成/预测专家	保留语义理解，补充未来预测	架构更复杂，训练更难
统一世界模型	视频和动作统一建模	能想象未来、评价候选动作	推理成本高，数据要求大
层级世界模型	高层规划子目标，低层执行	适合长时序、多阶段任务	模块边界和状态表示难设计

如果只看短期部署，VLA 仍然很有竞争力。

原因很简单：它快，链路短，工程上好调。很多工业操作任务并不需要复杂想象，只要环境足够结构化，VLA 或 Diffusion Policy 就可以跑得不错。

但如果看更长期的通用机器人，World Model 几乎绕不过去。

机器人要从“会做一个任务”走向“能处理变化和失败”，就必须知道动作后果。没有未来预测能力，策略很难真正规划。

五、“VLA vs World Model”本身可能是个伪问题

最近一篇 position paper 题目就很直接：Robots Need More than VLA and World Models。

它的观点是：把通用机器人智能简化成“VLA 还是 World Model”，本身就是一个不完整的问题框架。

真正的瓶颈，不只是 policy learning，而是 grounding bottleneck。

世界上有大量可用的行为数据：人类视频、仿真 rollout、失败案例、交互演示、维修记录、工厂流程视频。但这些数据大多不能直接变成机器人监督信号。

缺什么？

• Data interface：把非结构化行为数据自动标注成任务、阶段、目标和状态变化；
• Embodiment interface：把人类动作或其他机器人动作 retarget 到当前机器人本体；
• World-model interface：把视频和语言里的物理信息转成可预测、可规划的状态；
• Reward interface：从视频、语言或任务描述中判断任务是否完成、进度如何。

这个视角我觉得更接近本质。

因为不管你叫 VLA、World Model、WAM 还是 JEPA，最后都要落到一个系统问题：

机器人部署
→ 收集失败和接管数据
→ 自动标注任务状态和奖励
→ 更新世界模型和策略
→ 再部署

谁先把这个飞轮跑起来，谁才真正有护城河。

六、为什么“像 LLM 一样 scaling”没那么简单？

World Model 支持者经常会类比 LLM：

文本模型可以通过海量无标注文本自监督训练，那么机器人是不是也可以通过海量无标注视频训练世界模型？

方向对，但难度差很多。

语言数据有天然 token，互联网上到处都是文本。机器人数据没有这么干净：

• 视频没有动作标签；
• 人类动作不能直接变成机器人动作；
• 相机视角、机器人本体、任务环境都不同；
• 物理接触细节常常不可见；
• 成功和失败需要 reward 标注；
• 真实机器人数据采集昂贵。

所以机器人领域的 scaling law 不会简单复制 LLM。

LLM 的关键是“预测下一个 token”。机器人更像是在学：

• 世界如何变化
• 动作如何导致变化
• 什么变化算任务成功
• 当前机器人身体如何实现这个动作

这比文本预测多了 embodiment、physics 和 reward 三层问题。

这也是为什么我不太喜欢“VLA 已死”这种说法。它听起来爽，但遮蔽了真正的问题。VLA 和 World Model 都只是系统中的一部分。

七、我对 2026 年下半年的判断

我认为短期不会出现一个明确胜者。更可能出现三种融合。

1. VLA 继续做低延迟策略主干

在很多结构化场景里，VLA 仍然会是主力。

比如桌面抓取、简单装配、仓储取放、固定工位操作，只要任务不太长、环境变化不太大，直接从视觉语言到动作是最经济的方案。

这类场景里，World Model 可能不是实时参与每一步控制，而是用于数据增强、离线评估和失败样本分析。

2. World Model 成为规划和评估层

对动态场景和长时序任务，World Model 会更重要。

它可能以三种方式接入：

• 推理时采样多个候选动作，预测未来后果，再选一个；
• 训练时生成失败变体，帮助策略学习恢复；
• 部署后分析失败轨迹，自动生成新训练数据。

这不是替代 VLA，而是在 VLA 外面加一个“想象和评估”的层。

3. 预测性表征会进入 VLA backbone

VLA-JEPA、JEPA-VLA 这类工作提醒我们，不一定非要生成像素级未来视频。

很多时候，机器人需要的不是高清未来画面，而是“任务相关的未来状态表示”。如果 predictive representation 足够好，VLA 本身就能更稳健。

这可能是短期最实用的融合方式。

结语

VLA 没死。

死掉的，是把机器人智能理解成“看一眼图片，吐一个动作”的简单想象。

World Model 也不会单独统治一切。它能提供未来预测、候选动作评估和数据生成，但它仍然需要 VLA 的语义理解，需要低层控制器，需要 reward model，需要 embodiment adapter，也需要真实部署数据。

最终的通用机器人系统，大概率会长成这样：

VLA 负责语义理解和动作提议
World Model 负责未来预测和后果评估
层级规划负责长时序拆解
低层控制负责稳定执行
数据飞轮负责持续改进

所以这场路线之争的结论不是“VLA 已死”，也不是“World Model 万岁”。

更准确的说法是：

VLA 正在从单独的策略模型，变成具身智能系统里的一个模块。World Model 正在从研究概念，变成机器人学习系统里的预测和规划引擎。

2026 年真正重要的变化，不是哪条路线赢了，而是大家终于开始认真讨论：机器人能不能在行动前先想象，在失败后能不能自我改进。

这才是具身智能从 Demo 走向真实世界的关键一步。