VLA（视觉-语言-动作模型）

定义

VLA（Vision-Language-Action）是把视觉输入 + 语言指令直接映射到机器人动作的端到端模型。相比”先识别再规划再控制”的传统分层，VLA 用一个学习到的策略统一处理感知到动作，目标是跨任务、跨形态的泛化。

为什么重要

VLA 是 2026 具身智能最主流的投资逻辑：谁的模型泛化更好、数据更足，谁就可能成为机器人行业的”基础模型层”。它也是判断一家公司”是卖硬件还是卖智能”的分水岭。

技术现状

• 路线分化：纯端到端 vs 分层（如 Figure 的 System 0/1/2、慢思考+快反应）
• 数据是瓶颈：靠遥操作 + 仿真 + 视频喂（见数据基建）
• 开放 vs 封闭：开源（OpenVLA 可微调）与封闭（π0 限合作伙伴）并存，生态打法不同

谁在做

库内 18 家智能层公司多在这条线上（见下方「关键玩家」）；本体厂商也在自研（如宇树 UnifoLM-VLA、Figure Helix）。各家路线与赌注的判断见其公司页「判断卡」。

数据待补

各模型的 benchmark 对比难标准化，我们只放已核实的事件与公开对照，不放未经核对的”性能排名”。