RSS 2026 现场观察：VLA 与世界模型并非二选一

2026 年 7 月，机器人领域顶级会议 RSS 在悉尼举办。量子位现场观察发现，尽管国内「VLA 已死、世界模型当立」的叙事已流传数月，但 RSS 议程中模仿学习与 VLA 相关报告依然占据后半场，而世界模型更多被安排在讨论环节。来自 Physical Intelligence（PI）等北美头部团队的研究者、斯坦福教授 Karen Liu、以及佐治亚理工博士生 Simar Kareer 等多位嘉宾分享了对模型路线、数据策略和产业落地的最新判断。

VLA 与世界模型：我全都要

在与 Sergey Levine 组（PI）两位博士生的交流中，研究者明确表示两条路线并不矛盾，甚至可以同时推进。PI 最新模型 π0.7 本身就内置了一个世界模型组件。

研究者认为，不同任务适配不同的处理方式：家务类任务需要先理解自然语言指令、再把复杂任务拆解成子任务，这时语言推理承担主要角色；而把物体从 A 点移动到 B 点这类任务，则可以借助视频预测能力，生成下一步需要达到的视觉状态。

值得注意的是，PI 并不排斥图像或视频生成，但更倾向让视觉语言模型（VLM）承担语义理解和任务推理，再通过语言指令、视觉子目标等接口，把高层推理「落地」到机器人的具体动作上。从《Steerable Vision-Language-Action Policies》到 π0.7，「Steerable」始终被放在核心位置——即让人类或上层模型能持续引导机器人选择和组合动作。

当被问到世界模型与 VLA 的经典划分（前者预测未来状态辅助规划，后者直接输出动作）时，一位 PI 实习生反问了一句：「你真的见过一个部署了世界模型的机器人说『这个动作可能有问题，不该这样做』吗？」这把问题拉回到更具体的层面：世界模型关键不只是能否预测未来，还在于应该预测什么，以及这些预测能否真正帮助机器人完成操作。

香港大学陈立博士在 Robot World Models 研讨会上进一步拆解：即便确定了预测对象，「生成未来」与「判断这个未来是否有用」也未必交给同一个模型。他的 RISE 框架将动力学模型（生成未来状态）与价值模型（判断是否符合任务目标）解耦，让机器人先在模型生成的未来中尝试不同路径，再利用价值信号改进策略。

数据量重要，但 Curation 更重要

虽然模型创新更好发论文、更吸引眼球，但数据已毫无争议地成为具身领域最核心的问题。Simar Kareer 在从 EgoMimic 到 EgoVerse 的研究中聚焦第一视角人类数据，但当被问到数据该如何 scaling 时，他的建议却颇为意外：不建议直接从数据公司买数据。

他援引了大模型领域的做法：OpenAI、Anthropic 等公司不光是数据多，更重要的是数据的清洗、筛选、配比和组织，机器人领域同样如此。具体配比，Simar 给出的是 π0 的训练规模（约 1 万小时）作为参照，而非已经验证的 scaling law。

诺亦腾机器人的工作人员补充了一个观察：对于模型公司或实验室而言，架构可以写入论文，数据配方更像那份不会轻易示人的 recipe。这也解释了为什么几乎所有人都在谈数据，论文里最显眼的却仍然是模型。

EgoVerse 的实验重新画了一遍数据金字塔：

只使用机器人数据与自由形态人类数据，提升有限；
只加入与任务对齐的人类示范，改善同样不大；
最明显的提升来自三类数据共同出现：机器人遥操作数据、与机器人任务对齐的 episodic human data、覆盖场景和长尾行为的 free-form human data。

机器人数据和任务对齐的人类数据共同提供「锚点」，告诉模型人类行为与机器人动作空间如何对应。数据多样性并非简单地把不同来源倒入同一个池子，真正决定效果的，可能是数据配比中有没有足够的对齐区域。

Data Poor 但 Model Rich

斯坦福计算机系教授 Karen Liu 在闭幕主旨演讲「Data Poor, Model Rich」中正面回应了数据采集难 scaling 的问题。她指出，机器人领域 Data Poor 不仅意味着靠采集员「力大砖飞」难以规模化，更重要的是，每条示范数据能否立刻对训练产生作用，本身就难以保证。

而 Model Rich 则提供了另一条路：把已有模型变成数据引擎，用它们生产训练数据。计算机图形学积累了物理仿真、动画与数字人模型；计算机视觉拥有 3D 重建与几何模型；机器人学也有轨迹优化、运动规划和动力学模型。这些模型各有所长，很难直接充当通用机器人策略，但可以相互组合，成为持续生产训练数据的「老师」。

北美具身未成熟，中国不必自贴标签

在 RSS 晚宴等线下交流中，一位来自 Levine 组的受访者直言：「包括 PI 在内，今天的具身智能公司离成熟都还有不短的距离，整个领域也尚未出现奠基性工作。中国具身在硬件上有巨大优势，对中国公司称自己为『中国版 XX』感到不解。」

李弘扬教授认为机器人下一步要解决的是覆盖移动、平衡、接触与操作的全身智能，这是一项横跨控制、感知、数据与硬件的系统工程，而非某一种单独的模型能力。Wenzhen Yuan 指出触觉大多仍以附加模态接入 VLA，背后难题不仅是数据稀缺，还包括不同触觉传感器难以迁移，以及末端执行器形态直接影响触觉能否发挥作用。

在展台交流中，智元、宇树、高擎、Seeed 等厂商反馈，现场问询以高校研究机构为主，最先追问的不是演示效果，而是价格、投资回报、二次开发条件，以及能否进入矿山、巡检等本地场景。机器人硬件出海目前明显走在软件和数据服务之前。

这些判断与国内当下流行叙事存在差异，本身也并非行业共识，但正因为存在分歧，才值得重新审视 VLA、世界模型、数据、本体与产业之间的真正关系。