世界模型和 VLA：机器人动手之前先想一遍

机器人从货架上取一盒药，动作只要两秒。难的是伸手之前那一秒：它得先算出，这样抓会不会碰倒旁边那排。

一、发生了什么

先分清两个词。

VLA 是视觉、语言、动作的合体：看懂画面，听懂指令，直接输出动作。它解决的是「能干」。世界模型解决的是「想清楚再干」：在内部建一个可模拟的环境，行动前推演不同选择会带来什么结果。中国工程院院士郑南宁的解释是，系统要先在内部模拟环境，再评估各个决策的可能后果。

在上海张江，这两条线已经同时在跑。

蚂蚁灵波的「灵波通用大脑」在预训练阶段适配了 17 个主流机器人品牌、20 种构型，同一个大脑可以跨本体、跨任务使用。搭载它的机器人已在上海国大药房多家门店上岗：识别包装相近的药盒，探臂夹取，送到取药窗口。这家公司还发布了具身原生的世界动作模型 LingBot-VA 2.0。

智元 9 月发布 GE-Act 2.0，把「预测下一步」和「生成动作」塞进同一个模型。训练数据从 300 小时扩到 3 万小时，在陌生场景、陌生物体上不做额外训练直接测，其中一款机器人的总体成功率从 17.1% 提升到 44.1%，陌生场景成功率提升约 2.6 倍。在 RTX 5090 上，生成一个连续动作块约需 104 毫秒。

大晓机器人的开悟世界模型 3.1 则直接驱动机器人干活：9 月起，它和中石油上海销售公司合开的加油站便利店开始试运营，机器人在不到一米宽的过道里拣货、打包。董事长王晓刚说，作业时大约每 100 毫秒，世界模型就对未来状态预测一次。

数据是另一条暗线。穹彻智能在全国 50 多个城市采集了超过 10 万小时真实数据；上海人工智能实验室的 InternW0-Δ 把视觉、力觉、触觉放进同一个模型，能连续完成实验室移液。有研究者判断，能力明显涌现可能需要接近千万小时级的数据。

标准也在补。工信部公开征求意见的《国家人形机器人产业标准体系建设指南（2026 版）》已把世界模型标准列项，上海的 2026 至 2028 年标准体系建设指南也把它列为关键技术标准，要求建立多维度评测体系。对买家来说，这意味着以后能按同一把尺子比不同厂商。

二、跟你有什么关系

家里有老人、想要个帮手的人：还得等。药房是固定货架、固定流程，家里是每天都不一样，这两件事的难度不在一个量级。

在制造业的人：可以先看。国地中心的「灵龙」已进驻汽车零部件企业延锋，在火焰处理、齐套分拣等工位做验证，路径是训练场训练、模型迭代、现场部署。

只是看新闻的人：别被演示视频骗。演示是跑通一次，落地是每天跑通一千次。

三、怎么判断

1. 问能不能换场景。换一家店、换一批包装，模型要补多少数据、调多久，这才是真本事。
2. 问延迟。预测再准，如果推演要一秒，机械臂早就撞上去了。百毫秒级是门槛。
3. 问数据从哪来。真机数据贵，人类视频数据便宜但难对齐，数据来源决定了这套方案能不能规模化，也决定了它在你的场景里要补多少课。

四、三个别信的说法

「世界模型和 VLA 是二选一」。 现在的共识是融合：VLA 负责执行，世界模型负责预判，有的公司把世界模型直接嵌进 VLA 里。

「成功率翻倍就快进家门了」。 从 17% 到 44%，仍然意味着一半以上的失败。工业场景可以靠工装和流程兜底，家里没人兜底。

「参数越大机器人越聪明」。 机器人缺的往往不是模型容量，是带力觉、触觉的真实数据，和能覆盖意外的评测标准。

五、一句话结论

机器人离进家门，差的不是一条腿，是那只手在陌生环境里第一万次的稳妥。

信息来源

• 量子位：从「看懂世界」到「预演下一步」：世界模型与 VLA，如何让机器人拥有真正的「具身大脑」？（2026 年 10 月 16 日）

功能与价格以官方公告为准。本文写于 2026 年 10 月 17 日。