具身智能领域 2026 年上半年有一场持续的路线争论：具身大脑该走 VLA，还是走世界模型？
先把两个词说清楚：
| 模块化流水线（过去） | VLA（现在主流） | 世界模型（新增能力） | |
|---|---|---|---|
| 结构 | 感知 → 规划 → 控制，三段独立 | 端到端，一个网络到底 | 先预测未来状态，再决策 |
| 输入 | 各段分别处理 | 图像 + 语言指令 | 当前观测 + 想象的后果 |
| 输出 | 逐段传递 | 动作信号 | 预测帧 → 送入 VLA |
| 主要问题 | 误差逐段累积 | 会「幻觉」，泛化有限 | 单独用时任务成功率不如 VLA |
一年前 VLA 成为主流，一位投资人的说法很实在：不是因为它绝对正确，而是这条路线在可控场景下能跑通，是最现实的选择。经过一年发展，VLA 在泛化性、动态环境、长程任务上的短板逐渐显现，从业者开始把世界模型的预测与建模能力融进原有架构。
2026 智源大会上给出的判断是：世界模型并非 VLA 的竞争路线，而是 VLA 体系的核心组成部分。二者融合形成的类脑架构，是下一代具身大脑的方向。
这个判断不是和稀泥，它有具体的技术依据——融合路径在工程上是明确的：
纯 VLA 像一个从没下过水、靠看视频学游泳的人——动作都记得，但一下水就慌，因为没预判过水的阻力。世界模型是让他在脑子里先「游一遍」：我这样划水，身体会往哪偏，水花会怎么溅。真正下水时，心里有底。
关键是：想象不会替代真实的感受，它只是多了一路信息。这也是为什么「融合」而不是「替换」在工程上成立。
| 模型 | 机构 | 公开要点 |
|---|---|---|
| π0.7 | Physical Intelligence | 首次在机器人领域实证「组合泛化」，被称机器人领域的 GPT-3 时刻；首次将世界模型作为 Subgoal Image Provider 集成进 VLA |
| HyVLA-0.5 | 腾讯 | 4B MoT 骨干 + 370M 动作专家的双塔 Flow Matching；10K 小时动捕数据；长时程双臂任务成功率 94%–99% |
| G0.5 | 星海图 | 视觉/语言/动作离散化为 Token，GPT 式自回归逐个输出；Max 版 8 月底全面开源 |
| Thinker-VLA | 优必选 | 小参数高性能全开源，10B 以下具身大脑基准 9 项第一，最大基座达 100B |
| LingBot-VLA 2.0 | 蚂蚁灵波 | 预训练融入 6 万小时真实物理数据，覆盖 17 个品牌 20 种机器人构型 |
| NeuroVLA | 智平方 | 「皮层—小脑—脊髓」三层类脑架构；称可抑制 75% 以上动作抖动，碰撞后任务恢复率 54.8% |
| UnifoLM-VLA-0 | 宇树 | 2026 年 1 月开源，LIBERO 基准 98.7 分 |
一位行业人士给的量级对比很说明问题：今天的 VLA 模型大部分在 70 亿参数规模上下，离早期语言模型的千亿级差得远。很多人训练今天的 VLA，几十个 GPU 甚至几张卡就够。
语言模型有整个互联网当免费粮仓，所以能长到千亿参数。机器人模型的数据得靠人一遍遍抓杯子抓出来，一小时遥操作可能只产出几百条有效样本。粮仓太小，模型就长不大。这也是为什么「仿真合成数据」会成为一个独立赛道——用假粮先把模型喂大，再用真粮微调。