引言：一场没有标准答案的争论
2026年6月13日，智源大会“具身智能与人形机器人”分论坛现场，气氛比往年任何一届都要热烈。
台上，星海图首席科学家赵行正在阐述“多模态具身基础模型”的技术路线。台下，40余位CEO挤满了会场。一个持续了一整年的问题被再次推到聚光灯下：VLA与WAM，谁才是具身智能机器人的“终极大脑”？
过去两年，VLA（视觉-语言-动作模型）几乎是具身智能基座模型的标准答案——输入视觉和语言，直接输出动作。这套“感知-决策-执行”的端到端架构，支撑了行业从“示教重复”到“指令泛化”的第一次跃迁。
但进入2026年，世界模型成为新的技术热点。WAM（世界-动作模型）带着“先预演、后行动”的理念强势登场。有人高喊“VLA已死，WAM当立”，也有人冷静判断“二者并非替代关系”。
对于技术管理者来说，这不仅仅是一场学术争论。选错技术路线，可能意味着数百万元的研发投入打水漂、18个月的产品周期被浪费。本文不试图给出一个“标准答案”——因为根本不存在——而是帮助读者建立判断框架，看清两条路线的真实优劣与适用边界。
一、VLA：让机器人“边看边做”的端到端方案
核心观点
VLA的核心逻辑是“感知即行动”——输入视觉与语言，直接输出动作指令，架构简洁、推理高效。
VLA是什么？一个比喻
想象一个熟练的厨师。你告诉他“做一份红烧肉”，他看一眼食材和灶台，直接上手操作。他不会在脑子里先模拟一遍“如果我放糖会怎样”，而是凭借经验和直觉直接行动。
VLA就是这样的“直觉型”大脑。它把视觉理解、语言推理和动作生成放在同一条模型链路中，输入图像和指令后直接输出动作。没有中间推演环节，没有“先想想再动手”的延迟。
技术架构与代表案例
VLA的架构可以概括为：视觉编码器 → 语言模型 → 动作解码器。视觉信息与语言指令被统一编码后，由模型直接生成关节角度或末端位姿等动作指令。
2026年最具代表性的VLA进展包括：
星海图G0.5——采用统一自回归VLA架构，将视觉理解、语言推理与动作生成融入同一链路，并沉淀出可迁移的基础动作单元。其核心突破是“从后训练到零样本泛化”，让机器人能够面向未见过的新物体直接操作。G0.5已刷新全球7大榜单、稳居全球第一梯队，并正式开源众测。
Physical Intelligence π0.7——2026年4月发布的50亿参数VLA模型。架构上由VLM骨干（4B参数的Gemma3）、Action expert（860M参数的transformer）和World model三部分组成。π0.7证明了组合泛化能力——能将学过的原子技能组合起来解决未经过专项训练的新任务，例如在口头指引下使用空气炸锅。
北京人形Pelican-Unify——2026年8月世界机器人大会上发布的首个统一表征具身世界模型。它集成VLM视觉理解、Action Model动作操控、WFM世界模型三重能力，打通了“理解—推理—预演—执行”全智能闭环。值得关注的是，它本质上走的是 “VLA+世界模型”的融合路线，而非纯VLA。
VLA的优势与短板
优势有三：
第一，推理效率高、延迟低。因为没有中间推演环节，VLA可以直接输出动作，非常适合机器人的实时控制需求。
第二，语义理解能力强。VLA继承了大规模语言模型的语义理解能力，能够理解复杂的自然语言指令。
第三，端到端简洁。一个模型完成从感知到执行的全流程，系统复杂度低。
短板同样明显：
第一，泛化能力受限。VLA跳过环境认知建模，面对训练数据未覆盖的新场景或新任务时，泛化能力显著下降。
第二，缺乏物理因果建模。VLA不内建物理世界的因果规律，难以完成需要高安全性与长程规划的复杂任务。
第三，数据依赖严重。VLA依赖大量高质量的遥操作示教数据，而这类数据的采集成本极高、规模化难度大。
二、WAM：让机器人“先想再做”的推演式方案
核心观点
WAM的核心逻辑是“先预演、后行动”——在执行前先“想象”动作的结果，再据此决定怎么做，长程规划能力更强。
WAM是什么？另一个比喻
现在想象另一位厨师。他接到“做红烧肉”的指令后，不会立刻动手。他先在心里模拟一遍：先放糖还是先放酱油？火候大了会不会糊？翻动几次最合适？他在脑子里预演一遍之后，再开始操作。
WAM就是这样的“推演型”大脑。它不直接输出动作，而是先预测执行某个动作后世界状态会变成什么样（比如“我拿起这个杯子之后，它会出现在什么位置”），再根据预测结果反推应该采取什么动作。
技术架构与代表案例
WAM的典型架构是：视觉/语言输入 → 世界模型预测未来状态 → 动作生成。它本质上是在“想象”中完成规划，再用规划指导行动。
复旦大学团队在2026年5月正式提出WAM范式，将其定义为“一种统一环境动态建模（世界建模）与动作生成的具身基座模型”。
2026年的WAM代表案例包括：
星海图Fast-WAM——2026年3月发布的世界动作模型，核心突破在于将训练阶段的视频建模与推理阶段的显式未来生成解耦，以提升模型效率。星海图同时坚持“VLA+WAM”双技术路线。
上海交大AHA-WAM——异步视野自适应世界-动作模型，攻克了长期困扰WAM模型落地的延迟难题。
Dyna-2——在7项基准测试中，WAM架构的成功率达到上一代VLA模型的1.55倍；高精度制造任务的成功率从Dyna-1的20%跃升至80%-90%。
WAM的优势与短板
优势有三：
第一，长程规划能力强。WAM支持“近处精细、远处粗略”的分层控制，适合需要多步推理的复杂任务。
第二，鲁棒性更优。通过“预测-验证”机制，WAM可以实现异常检测与策略自纠。
第三，数据效率更高。WAM对互联网视频数据利用率更高，有望降低对高成本真机示教数据的依赖。
短板同样明显：
第一，推理算力开销大。因为需要预演物理状态，WAM对端侧芯片算力与带宽提出更高要求。
第二，语义理解能力弱于VLA。对复杂自然语言指令的跟随性不足。
第三，精密操作表现不如VLA。在需要毫米级定位或双臂协同的精密装配任务中，WAM的表现明显弱于专注动作优化的VLA模型。
三、争论的本质：VLA与WAM并非“你死我活”
核心观点
VLA与WAM不是同一维度的替代关系，而是分别对应具身智能的两类核心能力——VLA侧重认知与语义理解，WAM侧重物理推演与运动控制。
为什么会有“VLA已死”的论调？
2026年上半年，“VLA已死，WAM当立”的说法在行业内广为流传。
这种论调的背景是：VLA在泛化能力和长程任务规划上的短板日益明显，而WAM恰好在这两个维度上表现更优。当行业从“让机器人动起来”走向“让机器人在复杂场景中稳定干活”，VLA的局限性被放大了。
但“VLA已死”的判断，经不起推敲。
一方面，VLA并未停滞不前。π0.7在VLA基础上引入世界模型生成视觉子目标，用世界模型“画”出未来画面，再由VLA输出动作。这本质上是用WAM的“预演”能力来增强VLA的规划能力。
另一方面，WAM在精密操作场景中的表现仍弱于VLA。在需要毫米级定位的工业装配任务中，VLA的“直觉式”直接映射反而比WAM的“推演式”更精准、更高效。
行业共识正在形成：融合而非替代
智源大会上，多位专家表达了一个趋同的观点。
智平方创始人郭彦东明确指出：“世界模型不是VLA的竞争路线，而是VLA体系里的核心组成部分。”
Physical Intelligence研究科学家任至意在WAIC 2026上表示：VLA与WAM并不冲突，未来会逐渐收敛。
星海图选择了“VLA+WAM”双技术路线，同时推进G0.5（VLA）和Fast-WAM（WAM）的研发。
北京人形的大一统模型Pelican-Unify则更进一步——它集成VLM视觉理解、Action Model动作操控、WFM世界模型三重能力于一身，本质上是在一个框架内融合了VLA和WAM的核心能力。
行业正在形成一个共识：物理AI基座模型远未抵达架构定局阶段。VLA与WAM不是“谁取代谁”的关系，而是“如何融合”的问题。
四、产业适配：不同场景，不同选择
核心观点
没有“最好”的技术路线，只有“最适配”的技术路线。场景决定选择。
什么场景适合VLA？
VLA更适合“感知-动作”映射直接、对实时性要求高的场景。
以星海图G0.5为例，其统一自回归架构将视觉理解、语言推理与动作生成融入同一链路。这种架构的优势在于低延迟——不需要额外的推演环节，输入即输出。
适合VLA的场景特征：任务相对明确、环境相对结构化、对响应速度要求高。比如：
-3C电子装配中的定点操作
-仓储物流中的标准件抓取
-家庭服务中的简单指令执行
什么场景适合WAM？
WAM更适合需要多步推理、长程规划、高安全性的复杂场景。
Dyna-2的数据很有说服力：高精度制造任务的成功率从VLA架构的20%跃升至80%-90%。在需要“想三步、走一步”的复杂操作中，WAM的推演能力优势明显。
适合WAM的场景特征：任务链条长、环境不确定性高、安全要求严苛。比如：
-汽车总装中的多工序操作
-医疗场景中的精细操作
-家庭服务中的复杂多步骤任务
现实中的企业选择
智元机器人——推出了GO-1与GO-2基座模型，GO-2引入动作思维链解决规划到执行的衔接问题。同时推出支持记忆的GE-Act模型及Act2Goal模型，后者完成了从未来预测到机器人闭环控制的关键跨越。
腾讯——采用分层架构Apexio，划分为上层认知系统、中层感知行动系统与底层肢体反应系统，VLA与WAM作为不同层级工具协同运行。
Physical Intelligence——在VLA基础上嵌入未来视觉子目标生成模块，用世界模型生成目标画面，再由VLA输出动作。
这些企业的共同特征是什么？没有一家是“纯VLA”或“纯WAM”。大家都在探索融合方案。
结论：别押注“谁赢”，要思考“怎么用”
回顾全文，一个清晰的图景浮现出来：
VLA没有“死”，WAM也没有“立”。两条路线正在从“对立”走向“融合”。
VLA的优势在于效率与语义理解——它让机器人“看得懂、反应快”。WAM的优势在于规划与鲁棒性——它让机器人“想得远、做得稳”。两者不是替代关系，而是互补关系。
北京人形的大一统模型Pelican-Unify、星海图的“VLA+WAM”双路线、π0.7的“VLA+世界模型”融合——这些2026年最具代表性的技术进展，都在指向同一个方向：融合，而非替代。
对于不同角色的从业者，这意味着不同的行动信号：
对技术管理者：不要急于在VLA和WAM之间“二选一”。更务实的做法是评估自己的目标场景——如果任务以短程、高实时操作为主，VLA路线更成熟；如果任务以长程、高复杂度规划为主，WAM路线值得重点投入。但无论选哪条，都要预留“融合”的空间——因为行业正在向这个方向收敛。
对运维工程师：VLA和WAM的部署方式有本质差异。VLA的模型更“轻”、推理更快，但需要高质量的真机数据支撑；WAM的模型更“重”、算力要求更高，但对数据的依赖度相对较低。提前熟悉两种路线的工具链和部署流程，将成为核心竞争力。
对企业IT决策者：芯片选型与技术路线深度绑定。VLA对端侧芯片的实时推理能力要求高，WAM对算力带宽和模型规模要求更高。在评估芯片方案时，要同步评估其支撑的技术路线——跑VLA和跑WAM，对芯片的要求完全不同。
对投行分析师：关注两条路线的融合趋势。纯粹的VLA或WAM标的正在减少，能够同时驾驭两条路线、甚至实现融合方案的企业，才是真正值得关注的对象。北京人形的Pelican-Unify、星海图的“VLA+WAM”双路线、π0.7的融合架构——这些案例表明，行业的竞争焦点已经从“选哪条路”转向“怎么融合两条路”。
2026年，具身智能的技术路线之争远未结束，但争论的焦点已经变了。从“VLA还是WAM”变成了“如何让VLA和WAM更好地协同”。谁能在融合中率先找到最优解，谁就可能在这场“终极大脑”的竞赛中占据先机。