从“看懂世界”到“预演下一步”：世界模型与 VLA，如何让机器人拥有真正的“具身大脑”？
内容提要
上海张江AI小镇推动具身智能落地，VLA模型让机器人在药房、工厂上岗，解决“能干”问题；世界模型负责“想清楚再干”，预测未来状态。蚂蚁灵波、智元、擎朗等企业探索两者融合，多条技术路线并行验证。行业认为二者互补，标准与评测体系正加速制定，最终以真实场景可靠性为检验标准。
延伸解读
VLA与世界模型：分工与融合的产业共识
文章指出，VLA模型让机器人“能干”，已在药房、工厂等场景上岗；世界模型则让机器人“想清楚再干”，通过预测未来状态辅助决策。两者并非互斥，产业共识在于结合。蚂蚁灵波、智元、擎朗等企业探索了不同融合路径，如嵌入式融合、世界-动作模型整合等。这种分工与融合的探索，反映了行业对机器人核心能力——既要有执行力又要有预判力——的共识。
能力迁移：从单点验证到规模复制的挑战
机器人在一家药房完成取药，并不意味着换一家店也能稳定作业，因为货架布局、药品包装和摆放方式都可能变化。进入工业现场，还需适应不同零件形态和操作要求。模型能否应对这些变化，需要补充多少数据、进行多少训练和现场调试，都需逐一验证。衡量VLA应用进展，既要看当前任务完成度，也要看能力复用率和适配新场景的额外投入。
世界模型的三大技术门槛：速度、真实性与数据
世界模型需满足“要快、要真、要数据”的要求。推演需快速：在RTX 5090上，GE-Act 2.0生成一个连续动作块约需104毫秒。拟真要精确：有的模型能生成逼真画面，但杯中之水却纹丝不动。数据要丰富：据专家判断，能力明显涌现或需“接近千万小时级”的数据。这些门槛决定了世界模型能否从实验室走向真实场景。
标准与评测：为具身智能划定可靠性的标尺
产业标准正在加速制定。工信部《国家人形机器人产业标准体系建设指南（2026版）》（征求意见稿）已将世界模型标准列项；《上海市人工智能标准体系建设指南（2026—2028年）》将“世界模型标准”列为关键技术标准，要求建立多维度评测体系。这些举措旨在为技术路线多元发展的具身智能产业提供统一标尺，最终以真实场景中的可靠性为检验标准。
Q&A
VLA模型和世界模型在机器人中分别解决什么问题？
VLA解决“能干”，即让机器人会看、会听、会动手；世界模型解决“想清楚再干”，即依据当前状态与动作推演未来演化，在行动前预测与推演，评估不同决策的可能结果。
蚂蚁灵波的“灵波通用大脑”有什么特点？
它在预训练阶段适配了17个主流机器人品牌、20种机器人构型，让同一个“大脑”可以跨本体、跨任务运行，搭载该大脑的机器人已在上海国大药房多家门店正式上岗。
智元GE-Act 2.0世界—动作模型取得了哪些效果？
它将“预测未来”与“生成动作”整合进同一模型，训练数据从300小时扩展至3万小时，在陌生场景、陌生物体上不做额外训练直接测试，其中一款机器人总体成功率从17.1%提升至44.1%，陌生场景成功率提升约2.6倍。
世界模型在实际应用中面临哪些挑战？
世界模型需要做到快、真、数据丰富。推演需快速，例如GE-Act 2.0在RTX 5090上生成一个连续动作块约需104毫秒；拟真要精确，有的模型能生成逼真画面但杯中之水却纹丝不动；数据要丰富，能力明显涌现或需“接近千万小时级”的数据。
上海在具身智能产业上有哪些独特的探索？
上海面对同一问题，多种解法同时尝试落地。例如大晓机器人用自研开悟世界模型3.1直接驱动机器人，与中国石油合作便利店试运营；穹彻智能在全国50多个城市采集超10万小时真实世界数据；灵初智能通过自研世界模型将人手操作转化为机器人动作；它石智航从B端产线出发；上海人工智能实验室发布InternW0-Δ；具脑磐石发布类脑认知世界模型；苏度科技在仿真环境中训练再迁移至真机。
关于世界模型和具身智能，目前有哪些标准和政策支持？
《浦东新区加快推进新型工业化“十五五”规划》提出重点布局“具身大模型+世界模型”融合技术；工业和信息化部《国家人形机器人产业标准体系建设指南（2026版）》（征求意见稿）已将世界模型标准列项；《上海市人工智能标准体系建设指南（2026—2028年）》将“世界模型标准”列为关键技术标准，要求建立多维度评测体系。
