摘要：阿里达摩院、湖畔实验室跟浙江大学一起，搞出了个叫WorldVLA的东西。这玩意儿不是简单的AI模型升级，而是想让AI真正“理解”世界，之前AI能看东西、能做动作，现在终于能搞懂动作和环境的关系了。

阿里达摩院、湖畔实验室跟浙江大学一起，搞出了个叫WorldVLA的东西。这玩意儿不是简单的AI模型升级，而是想让AI真正“理解”世界，之前AI能看东西、能做动作，现在终于能搞懂动作和环境的关系了。

这步突破比单纯提升识别精度实在多了，毕竟机器人光会动没用，得知道为啥这么动、这么动会有啥结果。

之前AI圈有个头疼事儿，VLA模型和世界模型各干各的，像俩半块拼图凑不到一起。

VLA模型能让机器人做动作，但它只把动作当“输出”，根本不琢磨这个动作意味着啥，世界模型倒是能预判环境变化，可它自己不会生成动作，遇到要主动干活的场景就歇菜。

我之前看机器人抓奶酪的实验，基线模型就傻愣愣冲过去，抓不住就放弃，现在才明白，问题出在这俩模型没配合上。WorldVLA的解决思路挺直接，搞了个统一的框架，把图像、动作、文本都拆成“小积木”（也就是token）来处理。

本来想简单说下这三套分词器，后来发现得讲清楚咋分的才好懂。

图像分词器用的是VQ-GAN，把图片压缩后拆块，256×256的图拆256块，512×512的拆1024块，码本大小是8192，动作分词器更细，把机器人动作拆成7个维度，位置、角度、夹爪状态都算上，每个维度再分成256个区间，文本分词器用的是现成的BPE，词表有65536个词，还特意把图像和动作的“积木”也加了进去。

还有个细节特别关键，就是注意力掩码的设计。传统模型用的因果掩码有个毛病，前面动作错了，后面全跟着错，像多米诺骨牌似的。

WorldVLA改了个新掩码，让当前动作只看图像和文本，不被前面的错误影响，这样就能同时生成好几个动作。很显然，这个改动针对性极强，就是奔着解决动作生成的连锁错误去的。讲完设计，就得看实际表现了。

研究团队把动作模型和世界模型的数据混在一起训练，效果很明显。就算没经过预训练，WorldVLA也比离散化的OpenVLA表现好，而且图像分辨率越高，模型越厉害，512×512的比256×256的抓东西更准。

我觉得这很好理解，就像人干活得看清楚细节一样，机器人抓东西也得靠高清图像找准位置，Chameleon主干模型本来就在高分辨率下优化过，算是占了个优势。

光在实验室厉害不算啥，能落地到真实场景才叫本事。现在不少场景已经用上了这个技术，厨房操作就是个典型例子。

纯世界模型在厨房经常出洋相，要么拉不开抽屉，要么移动盘子时把碗弄“消失”，WorldVLA就不会这样，它能连贯地完成动作，还能确保碗平稳放在灶台上。

还有广州享刻智能的炸物机器人，用上WorldVLA后订单都排到百台了，这说明市场是认这个技术的。

跟其他公司的技术比，WorldVLA也有自己的定位。特斯拉的世界模拟器主要给自动驾驶用，侧重数据闭环，智源的Emu3.5擅长视频生成，但动作规划不行，华为的乾崑ADS3.0搞的是车路云一体化。

如此看来，WorldVLA的核心优势就是“动作生成+环境理解”的结合，专门解决机器人“动手又动脑”的问题，跟这些竞品刚好错开了赛道。

现在具身智能的商业化也在加速，医疗和农业领域都有突破。力之智能搞的康复机器人，结合了脑机接口和WorldVLA相关技术，解析脑电信号的准确率能超90%，千寻智能的叠衣机器人Moz1，误差率能控制在5%以内，年底就要量产了。

我挺看好这种“小而精”的落地方向，比起追求大而全的概念，这种能解决具体问题的技术更有价值。当然了，WorldVLA也不是没瓶颈。

首先是实时性，自回归模型解码有点慢，得靠TensorRT这类硬件加速才行，其次是数据偏见，如果训练数据不够多样，模型可能只懂一部分场景，还得靠OpenX-Embodiment这类数据集补短板，最后是伦理风险，机器人自主决策多了，得有个风险评估模块，避免泄露隐私或者做出错误判断。

不过整体来看，这个技术的方向是对的。现在国家也在支持具身智能，北京、上海、粤港澳大湾区都建了创新中心，投的钱超45亿元，预计2030年市场规模能到4000亿元，2035年能破万亿。

小米的陈龙说“VLA+世界模型才是通往AGI的答案”，我挺认同这个说法。AI要想真正融入生活，光会看、会动还不够，得学会理解世界的规律，WorldVLA算是在这条路上走了关键一步。

WorldVLA的意义不仅在于技术突破，更在于它为AI打开了“理解世界”的大门。未来要是能解决实时性、数据偏见这些问题，机器人说不定真能像人一样，既能动手干活，又能琢磨干活的逻辑。

对于普通人来说，这意味着以后会有更多“懂事”的机器人走进家里、走进工作场景，帮我们解决实际问题，这大概就是技术进步最实在的价值吧。

来源：鉴史观一点号