最近在2025世界机器人大会上，宇树科技创始人王兴兴的一番“暴论”引发了行业震动。他直言不讳地指出：当前被寄予厚望的VLA（视觉-语言-动作）模型，可能根本不是具身智能的未来，反而正在成为技术发展的绊脚石。这番言论像一盆冷水，浇醒了人们对“端到端大模型+机器人”的盲目乐观。VLA架构看似能打通感知与行动，但在真实世界中却频频“翻车”，其背后暴露的是数据依赖、泛化能力差和现实迁移难三大硬伤。
VLA的理想与现实落差
VLA模型的目标很宏大——让机器人像人一样看懂环境、听懂指令并做出合理动作。理论上，它可以通过海量数据训练出强大的泛化能力，比如完成“把水递给穿蓝衬衫的人”这种复杂任务。但理想很丰满，现实很骨感。实验数据显示，这类任务在真实场景中的成功率还不到30%，即便机器人能在失败后尝试调整策略，也恰恰说明它的“理解”只是表面模式匹配，而非真正认知。更关键的是，一旦环境光照、物体位置或任务逻辑稍有变化，模型性能就会断崖式下滑。这揭示了一个本质问题：VLA依赖大数据驱动的端到端学习，却缺乏对物理世界的深层理解能力。
三大核心瓶颈：数据、泛化与落地鸿沟
首先，VLA极度依赖高质量多模态数据，但真机采集成本高、效率低，仿真数据又难以跨越Sim2Real鸿沟。业内对此分歧明显：“仿真派”认为合成数据足够，“真机派”则坚持没有真实交互数据就无法突破瓶颈。而王兴兴更进一步：就算数据再多，VLA架构本身就有缺陷，无法解决根本的泛化问题。其次，当前VLA的泛化能力远不如人类，几乎做不到“举一反三”，面对新物体或新场景往往束手无策，需要重新训练。他形容这阶段的模型状态，就像GPT出现前两三年的语言模型，尚未迎来智能涌现。最后，从实验室到现实世界，机器人要应对动态环境、物理干扰和不确定性，而VLA这种“输入-输出”的固定流程，缺乏常识推理和适应性决策机制，导致执行失败频发。
未来方向：或许VLA并非终点
王兴兴的观点其实不只是批评VLA，更是提醒整个行业反思技术路径。他认为人形机器人的硬件已经基本够用，真正的短板是AI大脑不够聪明。与其继续堆数据训练笨重的VLA模型，不如探索新方向。他个人更看好视频生成模型——先让AI生成动作视频作为“思维预演”，再指导实体执行，尽管目前GPU消耗太大；同时，谷歌的Genie 3这类世界模型也被视为潜在替代方案，能模拟物理规律并生成多样化行为。长远来看，具身智能可能需要走向“统一模型+低成本硬件+分布式算力”的新范式，而VLA的困境警示我们：如果只靠数据喂养而不追求模型本质突破，最终只会陷入“数据越多，机器人越傻”的怪圈。
