具身机器人研究全都错了？最新论文：不能只靠VLA和世界模型

文章作者、来源：学术头条

具身机器人的“GPT时刻”依然很远。

更多的机器人示范数据、更大的视觉-语言-动作（VLA）模型，再配上更懂“物理定律”的世界模型，就可以实现“通才机器人智能”吗？

这是当前具身智能的主流研究范式，但一篇刚刚发表在 arXiv 上的研究论文却给出了一个打脸的结论：并不可行。

在这篇立场论文中，来自具身智能数据初创公司 Motoniq 团队及其合作者，指出了当前 VLA 和世界模型研究范式的不足、真正物理智能缺失的“四个组件”，以及实现物理世界可泛化机器人的未来研究方向。

论文链接：https://arxiv.org/abs/2606.06556

具体而言，通用机器人真正缺的，不只是更大的策略模型，而是一套能把非结构化物理行为转化为监督信号的机制；只有补齐数据接口、具身接口、世界模型接口和奖励接口这四个关键组件，机器人才能不只依赖示范数据，而是在更广阔的物理世界中学习。

图｜从物理经验到机器人可用的监督。

当然，这篇立场论文并非认为 VLA 模型、世界模型不重要。相反，它们更像整套物理智能系统中的一层，背后离不开数据、本体、动力学、奖励和部署反馈的支撑。

为什么说现有范式不完整？

研究团队指出，机器人原生监督、视频弱监督和仿真与世界模型，构成了当前具身智能研究的主要范式。

目前的进展和不足如下：

机器人原生监督的进展与不足

目前主流的机器人学习，仍然依赖机器人能直接学习的数据，比如观测-动作轨迹、任务标签、语言指令和成功信号。BridgeData V2、DROID、Open X-Embodiment 扩大了这类数据的规模，也为 OpenVLA、GR00T N1、Gemini Robotics 等系统提供了训练基础。

但最有效的监督，依然来自已经 grounded 的机器人轨迹。动作标签、任务描述和成功/失败信号，要么在采集时直接记录，要么在后期补齐，VLA 的扩展至今仍建立在预先整理好的监督数据之上。

弱监督视频：信息丰富，却难以直接用

互联网上有大量人类操作视频。它们能展示任务怎么做、物体怎么动、什么时候发生接触，但不能直接变成机器人可执行的动作。现有工作更多是把这类视频当作间接监督。R3M 用来预训练视觉表示，VIP 用来刻画任务进度，LAPA 和 UniVLA 则尝试从中学习潜在动作，再映射到机器人控制。

但视频中的信息并不能直接用于机器人学习，潜在动作不是指令，进度信号未必能直接作为奖励，人类的操作策略也未必适用于特定机器人具身。

生成物理经验：仿真与世界模型

受限于真实机器人数据采集成本，研究团队开始借助仿真和世界模型补充训练经验，目前进展也从 MimicGen、RoboCasa365、RoboGen 等数据生成方法，扩展到 DreamerV3、V-JEPA 2 等控制与交互仿真探索，以及 ParticleFormer、ContactGaussian-WM 等面向点云和接触操作的建模工作。

不过，研究团队也指出，现有世界模型仍有明显局限。除了生成逼真的未来画面，未来关键更在于能否保留决定控制成败的物理变量，包括几何形状、物体状态、接触、力、稳定性和材料响应。若忽略接触、质量和摩擦，预测结果即便视觉上合理，也难以作为可靠的机器人监督信号。

物理智能缺失的四个组件

在回顾现有研究之后，研究团队指出，下一步研究的突破口，未必在更大的模型上，而更可能取决于这四个缺失组件：

1.物理数据引擎与具身自动标注

要让机器人利用更广泛的物理经验，首先需要一个“物理数据引擎”。现在的机器人学习大多依赖已经整理好的训练样本，而人类视频、可穿戴传感器数据、工厂流程和失败轨迹虽然包含丰富的物理交互信息，却难以直接用于训练。

为此，研究团队提出了“具身自动标注”（Embodied Autolabelling），即从原始数据中自动识别任务起止、操作对象、接触、状态变化和结果，并完成时间对齐、事件分割和状态估计。

研究团队还指出，人类视频和可穿戴数据不仅可以用于学习任务，也有助于机器人理解人的动作和互动方式。

2.跨具身的任务保留重定向

跨具身的任务保留重定向，关注的是如何把潜在物理动作或人类演示转成机器人可执行的动作，保留其对世界的预期效果。不同具身在运动学、动力学、传感器和接触面上差异很大，因此需要保留任务相关的物理变化，如物体位移、姿态变化、接触状态和插入时的对齐关系。

3.物理扎根的世界模型

物理扎根的世界模型用于预测动作带来的物理后果，例如物体是否会滑落、接触是否会丢失、抽屉是否会卡住。这类模型关注的不是视觉上是否逼真，而是与任务相关的几何、接触、力、约束、材料属性和任务进度能否被正确预测。研究团队也强调，世界模型还需要具备可靠的不确定性估计能力。

4.自我改进的部署循环

机器人执行动作后，需依据任务目标判断结果是否有效，这依赖任务条件化的奖励扎根（Task-Conditioned Reward Grounding）。这样以来，部署轨迹因此不再只是成败记录，而会转化为监督信号，推动闭环迭代，并进一步定位失败来源。

图｜下一代机器人：从物理经验到物理智能

未来方向

目前，当前各类物理经验都只提供了不完整的监督：机器人数据缺标签，视频缺动作，可穿戴数据不绑定具体机器人具身，仿真则受限于物理保真度。未来，需要构建物理数据引擎，把这些异构来源统一为同一底层物理结构的不同视图，并进一步转化为结构化标签。

研究团队也提到，世界模型在表示选择上仍未形成统一方案。现有的像素表示、物体中心表示，以及点云、网格、神经场、Gaussian Splatting 等三维表示都有局限，对接触、受力和材料响应的建模也还不够好。未来，需要发展物理扎根的世界模型，并提升其不确定性量化能力。

与此同时，目前跨具身重定向仍缺少清晰的实现和验证路径。未来需要从姿态保留走向任务效果保留，即重点不再是复制动作形式，而是保留动作对世界产生的实际效果。

最后，研究团队提到，部署中的失败往往还难以沉淀为有针对性的改进信号。未来需要建立任务条件化的闭环机制，使系统能够区分进度、失败、恢复和成功，并据此更新相应组件，而不是笼统地重新训练。