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

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，就能实现“通才机器人智能”吗？

这听起来像是通往通用机器人的一条“明路”，也是当前具身智能领域的主流研究范式。不过，最近一篇刚挂上 arXiv 的立场论文，直接点出一个“打脸”的结论：这条路大概率走不通。

这篇论文来自具身智能数据公司 Motoniq 的团队及其合作者。他们不仅指出了现有 VLA 和世界模型研究范式的局限性，还一针见血地揭示了实现真正物理智能所缺失的“四个组件”，并为未来研究指明了方向。

论文链接：https://arxiv.org/abs/2606.06556

简单来说，通用机器人真正缺的，远不止一个更大的策略模型。关键在于，我们需要一套能够将非结构化的物理行为，转化为结构化监督信号的完整机制。只有补齐了数据接口、具身接口、世界模型接口和奖励接口这四个关键组件，机器人才有可能不再单纯依赖预先准备好的示范数据，而是在更广阔、更真实的物理世界中自主学习。

图｜从物理经验到机器人可用的监督。

当然，这篇立场论文并非在否定 VLA 模型和世界模型的价值。相反，它们更像是整套物理智能系统中的一个核心“大脑层”，只是这个大脑的强大，离不开底层数据、本体硬件、物理动力学、奖励信号和部署反馈的全方位支撑。

为什么说现有范式不完整？

研究团队梳理了当前具身智能研究的三大主要范式：机器人原生监督、视频弱监督以及仿真与基于世界模型的数据生成。每个范式都有进展，但短板也同样明显。

目前主流的机器人学习，依然依赖于机器人能直接理解的数据形式，比如“观测-动作”轨迹、任务标签、语言指令和成功信号。像 BridgeData V2、DROID、Open X-Embodiment 这些数据集的出现，极大地扩充了这类数据的规模，也为 OpenVLA、GR00T N1、Gemini Robotics 等系统提供了训练基础。但问题在于，最有效的监督信号，至今仍然来自那些已经经过“接地”处理的机器人轨迹。动作标签、任务描述、成功/失败信号，要么在数据采集时直接记录，要么在后期费力补齐。VLA 的能力扩展，本质上还是建立在这些预先整理好的“高级食粮”之上。

互联网上浩瀚的人类操作视频，蕴含着行动的过程、物体的运动和接触的时间点。但它们无法直接转化为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 用它来预训练视觉表示，VIP 用来刻画任务进度，LAPA 和 UniVLA 则尝试从中学习潜在的动作编码，再映射到机器人控制。但视频中的“信息”和机器人学习所需的“监督”之间，存在着一条鸿沟。潜在动作并非控制指令，进度信号也未必能直接用作奖励，更何况，人类的操作策略，对于特定机器人硬件来说，往往是不适用的。

受限于真实机器人数据采集的高昂成本，研究团队开始借助仿真环境和世界模型来生成训练数据。从 MimicGen、RoboCasa365、RoboGen 等数据生成方法，到 DreamerV3、V-JEPA 2 等控制与交互仿真探索，再到 ParticleFormer、ContactGaussian-WM 等面向点云和接触操作的建模工作，进展不可谓不快。但现有的世界模型有明显局限。关键在于，除了生成逼真的未来画面，更核心的是能否保留那些决定控制成败的物理变量：几何形状、物体状态、接触点、力、稳定性、材料响应。如果模型忽略接触、质量和摩擦这些底层物理量，那么它预测出的结果，即便视觉上再完美，也无法作为可靠的机器人监督信号。

物理智能缺失的四个组件

在深入回顾现有研究后，研究团队一针见血地指出，下一步研究的突破口，或许并不在于把模型做得更大，而在于补齐以下四个缺失的组件：

要让机器人利用更广泛的物理经验，首先得有一个“物理数据引擎”。当前的机器人学习大多依赖精心整理好的训练样本，而人类视频、可穿戴传感器数据、工厂运作流程、甚至失败的轨迹，虽然蕴含着丰富的物理交互信息，却因为格式不统一而难以直接利用。为此，团队提出了“具身自动标注”（Embodied Autolabelling）的概念。核心思路是指从原始数据中自动识别任务的起止点、操作对象、接触事件、状态变化和结果，并完成时间对齐、事件分割和状态估计。这样一来，人类视频和可穿戴数据不仅能用来学习任务目标，还能帮助机器理解人的动作意图和交互方式。

不同机器人硬件在运动学、动力学、传感器和接触面上差异显著。如何将一个潜在物理动作或人类演示，有效迁移到另一台机器人上，同时保留其“对世界产生的预期效果”？这就是跨具身任务保留重定向的核心挑战。它关注的不再是复制动作本身，而是保留任务相关的关键物理变化，比如物体的位移、姿态变化、接触状态、插入时的对齐关系等。

未来的世界模型，不需要能画出多么漂亮的画面，但必须能精确预测动作带来的物理后果：这个物体会不会滑落？那个接触点会不会丢失？抽屉会不会卡住？这需要模型能正确预测与任务相关的几何形状、接触点、作用力、约束条件、材料属性以及任务进度。研究团队强调，这类模型还必须具备可靠的不确定性估计能力，知道自己什么时候“猜不准”。

机器人执行动作后，如何知道结果是否有效？这需要一种“任务条件化的奖励扎根”机制。当部署轨迹能被自动评估为成功、失败、部分进展或恢复之后，它们就不再仅仅是记录，而是转化为了宝贵的监督信号。系统可以基于这些信号进行闭环迭代，精准定位失败的根源，并以此来更新前端的决策模型，而不是笼统地进行一次全量重训练。

图｜下一代机器人：从物理经验到物理智能

未来方向

从目前来看，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，视频数据缺动作，可穿戴数据不绑定具体机器人，仿真则受限于物理保真度。未来的关键，是构建一个统一的“物理数据引擎”，将这些异构来源的数据视为同一底层物理结构的不同视图，并最终转化为结构化的、可用于训练的标签。

同时，世界模型在表示选择上尚未形成统一方案。无论是像素表示、物体中心表示，还是点云、网格、神经场、Gaussian Splatting 等三维表示，都有各自的局限性，尤其在对接触、受力和材料响应的建模上还远远不够。未来的方向是发展物理扎根的世界模型，并显著提升其不确定性量化能力。

跨具身重定向方面，目前清晰的可实现路径和验证方法依然缺失。未来的研究重点，需要从姿态保留转向任务效果保留——不再执着于复制动作的形式，而是保留动作对世界产生的实际效果。

最后，部署失败带来的反馈，往往难以沉淀为有针对性的改进信号。未来需要建立一种任务条件化的闭环机制，使系统能够精确区分进度、失败、恢复和成功等不同状态，并据此更新相应组件，而不是笼统地责备整个系统。