VLA大模型突破

VLA（视觉-语言-动作）模型是具身智能领域最具突破性的技术方向。中泰证券研究报告指出，谷歌RT-2（2023年）在VLM预训练基础上用机器人数据微调，使模型获得“涌现能力”——可理解训练数据中从未出现的命令并推理决策。Figure AI的Helix（2025年）首创“系统1、系统2”双系统VLA架构，系统2（7B参数）慢思考场景理解，系统1（8000万参数）快思考200Hz实时控制，仅用500小时监督数据训练（此前VLA数据集的<5%），实现了强大的对象泛化能力。VLA模型结合了视觉识别、语言理解和动作控制三种能力，是端到端具身智能的核心技术架构。从RT-1到RT-2再到Helix，VLA模型的进化正在加速具身智能从“实验室演示”走向“真实场景应用”。

VLA模型是在VLM（视觉-语言模型）基础上发展而来的关键技术突破。传统VLM只能理解图像和文本，无法产生物理动作。VLA在VLM基础上利用机器人运动轨迹数据进行进一步训练，使模型能够输出可用于机器人或汽车控制的动作序列。VLA模型的核心优势是三种能力的深度融合：视觉能力识别物体、场景和空间关系；语言能力理解指令含义和任务目标；动作能力将理解转化为精确的机械臂/机器人控制信号。与模块化方法（感知模块→规划模块→控制模块依次传递信息）不同，VLA在同一个模型中协同优化三种能力，避免了信息传递损耗，实现了从“看到”到“理解”到“行动”的无缝衔接。

谷歌RT系列代表了VLA模型的演进路径。RT-1（2022年）是端到端机器人模型的先驱，基于130k episodes、700+任务、17个月的机器人操作数据训练，输入图片序列+自然语言指令，输出机械臂运动目标位姿。RT-1证明了端到端学习在机器人操作中的可行性。RT-2（2023年）实现质的飞跃：在互联网规模VLM预训练的基础上用机器人数据进行微调，使模型获得“涌现能力”——可理解训练数据中从未出现的新物体、新背景、新指令，并基于底层语言模型提供的思路链进行推理决策。在谷歌厨房环境中RT-1成功率高达97%，但一旦离开厨房环境，成功率骤降到30%左右，泛化性成为端到端模型的核心挑战。RT-2通过大规模预训练部分解决了这一问题，但推理速度仅1-3Hz（反射弧长达0.3-1秒），制约了实际应用。

H3：Figure Helix——双系统架构的工程化突破

Figure AI的Helix是VLA模型工程化的最新里程碑。Helix是首个“系统1、系统2”双系统VLA模型：系统2（7B参数）是经过互联网训练的板载VLM，工作频率7-9Hz，负责场景理解和语言理解，可广泛应用于各种物体和环境；系统1（8000万参数）是快速反应视觉运动策略，将系统2生成的潜在语义表征转化为200Hz的精确连续机器人动作。解耦架构允许每个系统以其最佳时间尺度运行——系统2“慢思考”高层次目标，系统1“快思考”实时执行和调整动作。Helix仅用约500小时高质量监督数据训练（此前VLA数据集的<5%），无需多机器人具身收集多阶段训练，实现了强大的对象泛化能力，展示了从“实验室模型”到“工业级产品”的工程化能力。

H4：VLA模型的挑战与未来方向

VLA模型仍面临三大挑战。数据稀缺：机器人模态仅240万个数据片段，远逊于文本15T tokens，数据采集成本高、效率低。推理速度：RT-2仅1-3Hz，无法满足实时控制需求（需要100Hz+），Helix通过双系统架构部分解决（系统1 200Hz）。泛化性与专用性的平衡：泛化能力越强，特定任务的精准度可能下降。未来方向：世界模型辅助训练——NVIDIA Cosmos等世界模型可生成符合物理规律的逼真合成数据，大幅降低数据采集成本；One Model端到端——随着数据积累和算力提升，分层模型逐步融合为单一VLA模型；轻量化部署——模型蒸馏和量化技术使VLA能在边缘端实时运行。VLA模型的持续进化将决定具身智能从“实验室奇观”走向“工业级产品”的时间表。

表：VLA模型关键进展对比

模型	发布时间	核心创新	数据量	推理速度
谷歌RT-1	2022年	端到端Transformer机器人模型	130k episodes	—
谷歌RT-2	2023年	VLM+机器人微调，涌现能力	互联网规模+机器人数据	1-3Hz
Figure Helix	2025年	系统1/系统2双VLA架构	500小时（<5%此前VLA）	200Hz（系统1）