具身智能在 WAIC 这一周,把路线图从分歧改写成了量产

世界人工智能大会闭幕那一周,具身智能领域最值得记录的变化不是哪家公司发布了新机器人,而是「路线归一」这三个字第一次出现在多份产业报告里。

过去两年,具身智能的技术路线一直处于分歧期。一派主张「端到端」,从感知到动作让一个大模型直接出控制信号;一派坚持「分层」,把规划、决策、控制拆成多个模块;中间还有视觉-语言-动作模型、模仿学习、强化学习等多条并行的实验线。每条路线都有一家头部公司在押,资本也跟着分散。

WAIC 这一周,多份产业报告第一次用「路线归一」来描述这件事。意思不是分歧消失了,而是主流开始收敛到 VLA(视觉-语言-动作)架构加端到端训练的两条主线上,其他路线变成补充。

这种收敛背后是三个工程事实:

第一,VLA 模型在跨本体迁移上展现了优于纯分层方案的可复用性。一套在工厂机械臂上训练得到的策略,在家庭服务机器人上微调即可用,训练成本大幅下降。

第二,端到端模型在长程任务上证明了可行性。一个原本需要拆成 12 步子任务的家务动作,端到端模型可以一次给出完整的动作序列,减少了模块间的误差累积。

第三,万台量产的成本拐点到来。WAIC 上多家供应链厂商披露,VLA 模型的推理芯片已经能进入 200 美元区间,整机成本从去年的 8 万降到 4 万出头,部分工业机型进入 2 万区间。

这三件事合在一起,意味着具身智能不再是一个「实验室技术」的故事,开始具备「工业品」的基本盘。

工程上,路线归一往往比单纯的技术突破更重要。技术突破是某一家公司的故事,路线归一是整个行业的故事。当路线归一发生,配套的供应链、人才、评测标准、商业模式都会跟着收束。

今年下半年到明年,具身智能领域最值得跟踪的不是某一款机器人,而是万台量产之后的真实场景数据——这些数据会反过来校准 VLA 模型的下一轮迭代方向。