换架构救不了机器人，瓶颈在训练方式

机器人领域每隔几个月就冒出新架构，名字越起越长。一位研究者却泼了冷水：模型结构可能已经不是最重要的瓶颈了。

一、这个判断从哪来

雷峰网 10 月 19 日发表了复旦大学的访谈，主角是可信具身智能研究院助理教授贾萧松。他的经历本身就是一部技术转向史：读博时从自动驾驶轨迹预测转向端到端，做出过在一张显卡上三天训出复杂驾驶策略的世界模型方案，后来又转向灵巧手研究。自动驾驶踩过的坑，正在具身智能领域重演。

他的核心判断是：从学术基准看，瓶颈已经不在感知或认知，而在训练方式。现在的 VLA、WAM 模型虽然视觉语言能力更强，但在驾驶基准上未必跑赢一个充分优化的端到端模型——路过一只羊，新架构对羊的认知更深，但这不改变怎么开。真正卡住的是决策质量，而决策质量的根子在模仿学习本身。

模仿学习的局限被几个实验反复验证过：即使仿真数据近乎无限，驾驶能力也没有从「还行」跃迁到「完美」。原因有三层——它优化的是「像不像人类示范」而不是「决策对不对」；不同司机的合理开法不同，模型会拟合出一个平均动作，可平均的开法未必合理；它只教对的做法，很少教错完之后怎么恢复。

二、出路是什么

他给出的路径是「先模仿、再强化」：模仿学习快速打底，从零分推到九十分，强化学习再啃剩下十分。难点在后者——过拟合单个技能很容易，让一个通用模型几百种能力同时提高、此消彼长的矛盾不出现，至今没有答案。

世界模型他也有明确分层：能当监督信号、能当仿真器和评测场、能在推理时帮模型推演后果，三种用途都有价值。但生成式世界模型有两个现实瓶颈：长时序幻觉会影响对驾驶行为的判断，推理太慢太贵则撑不起强化学习需要的大规模并行探索。

对具身智能，他的判断是现阶段扩模仿学习数据完全有必要，因为机器人还缺「第一桶金」；但等数据规模上来，自动驾驶撞过的墙一个都不会少。他选择研究第一视角数据和灵巧手，理由是让数据采集变得像自动驾驶那样顺手。

三、怎么用这个视角看行业

1. 看到新架构发布，先问训练方式。还是纯模仿学习的话，架构再花哨也绕不开平均化决策和错误恢复缺失这两道坎。

1. 关注数据配比而非数据总量。大量重复的简单场景会稀释训练价值，稀有困难场景才决定能力上限。

1. 对「先模仿后强化」保持耐心。这是自动驾驶验证过的路线，机器人照搬会很慢，因为物理接触远比平面运动难模拟。

四、三个别信的说法

「更大的模型加更多视频数据就能学会操作。」 视频学会的是看，不是做。力和摩擦、柔性物体接触这些，靠看视频补不上。

「架构论文越多，进展越快。」 这位研究者的原话大意是：在结构上雕花解决不了真问题，值得做的是数据选择、奖励设计和大规模强化。

「机器人数据很快就会够。」 机器人的真实交互数据要靠专门遥操作去采，规模远不能和有亿级司机帮忙采数据的自动驾驶比。

五、一句话结论

从自动驾驶到机器人，横在中间的那堵墙一直是同一个：模仿学得会动作，学不会决策。

信息来源

• 雷峰网：《复旦贾萧松谈 VLA 与世界模型的真正瓶颈》，2026 年 10 月 19 日：原文

功能与价格以官方公告为准。本文写于 2026 年 10 月 25 日。