机器人大脑，开始叛逃VLA叙事

模型越来越大，机器人却越来越难上路。TUM的黎子玥在IJCAI 2026上把话说透了：学术数据和真实数据完全是两回事，可解释性正在成为落地的生死线。与此同时，纯VLA路线在长时程任务上的局限集中暴露，VLA与世界动作模型WAM的融合成为主流厂商的共同方向。高盛也在最新报告中大举上调人形机器人预期，2035年出货看至650万台。大脑换代、预期上修、硬件价值链重排——这三件事正在同时发生，本文拆清楚它们的因果。## 🧠 VLA的边界：不是不会动，是不知道动完会怎样机器人最大的问题不是不会动，而是不知道动完之后会发生什么。过去两年，VLA（视觉-语言-动作模型）几乎成了具身智能「大脑」的代名词。它的逻辑很直接：把视觉感知、语言理解和动作输出串成一条线，机器人听懂「把杯子拿过来」，就能看到杯子、伸出手、完成抓取。相比人工编程加固定轨迹的传统机器人，这确实是质的飞跃。但真实世界不是一组独立动作的连续播放。抓一个杯子只要几秒钟，可「打开冰箱、找到牛奶、取出、倒入杯中、放回原位、关上门」是一整条任务链——模型要持续跟踪环境变化，还要判断每一步操作如何影响下一步。任务链条一拉长，纯VLA「当前观察—下一动作」的范式就开始误差累积：一个陌生物体、一次位置变化、一次抓取失败，整条链就断了。这正是2026年以来行业集体焦虑的来源。于是「大脑」的演化路径清晰起来：从VLM到VLA，再进一步走向「多模态大模型+世界模型」。这里要分清两个概念——World Model学的是物理环境的状态转移，即理解世界现在是什么状态、某个动作执行后环境会怎么变；而WAM（World Action Model，世界动作模型）则更进一步，把这种预测能力和机器人的动作生成直接绑在一起。用一句大白话：VLA让机器人「会干活」，WAM让机器人「干活之前先在脑子里过一遍」。产业逻辑也跟着变了。中国市场的主流机器人模型，正从单一VLA架构向「VLA或VTLA+世界模型+多层Agent」的体系演进，参数规模也从数十亿至200亿，向约400亿—800亿量级爬升。大脑在换代，这是一切预期修正的起点。## 📈 高盛转向：从25.6万到89万台，卖方为何突然上头卖方从来不会提前太多，但一旦集体转向，就不会回头。高盛在最新全球物理AI报告中大幅上调人形机器人预测：全球出货量从2026年的7.5万台，增至2030年的约89万台，并在2035年达到约650万台，对应市场规模约1383亿美元。而它此前的预测是——2030年25.6万台、2035年140万台。直接翻了数倍。| 节点 | 旧预测 | 新预测 || --- | --- | --- || 2026年出货 | — | 7.5万台 || 2030年出货 | 25.6万台 | 约89万台 || 2035年出货 | 140万台 | 约650万台 || 2035年市场规模 | — | 约1383亿美元 |`mermaidtimeline 2026年 : 全球出货7.5万台 2030年 : 新预期89万台 旧预期25.6万台 2035年 : 新预期650万台 市场规模1383亿美元`上调的理由，一半是模型能力的实测进步。高盛援引Epoch数据：2023年主流AI模型在综合能力指标ECI上大致120多分，2026年的领先模型已升至150多分。METR的研究更直观——自2019年以来，前沿模型能以50%成功率完成的任务持续时间，大约每7个月翻一番。运动控制的进步同样肉眼可见：2026年以来，部分人形机器人户外奔跑速度从2—3米/秒提到5—6米/秒；2026年世界人形机器人运动会上，400米冠军成绩较2025年提高约57%，达到38.15秒；Whole-Body Control开始让机器人一边移动一边完成上肢操作。但另一半理由更关键：高盛明确判断，行业竞争重点已经从单纯的运动展示，转向真实世界数据、机器人基础模型、灵巧操作和系统可靠性。换句话说，这轮预期上调，本质是给「大脑换代」定价——当机器人从「会走路」转向「会工作」，估值框架就完全不同了。## ⚠️ 学术SOTA救不了产线：可解释性成了生死线论文里的SOTA，救不了产线上的宕机。TUM的黎子玥在IJCAI 2026上的分享戳破了一层窗户纸：模型这么大这么强，为什么还是「上不了路」？她的核心判断有两句——学术数据和真实数据完全是两回事；可解释性已成为落地的生死线。这与高盛的观察严丝合缝。当前机器人在稳定、结构化环境中已经能处理相对简单的任务，但面对高复杂度和高随机性的环境，成功率仍明显下降。问题不止于成功率，还在于「不知道为什么失败」：一个几百亿参数的模型在产线上突然抓空了，工程师既难以复现，也难以归因。对工厂客户来说，一台无法解释自身行为的机器，意味着无法出具安全评估、无法界定责任、无法通过验收。这也是为什么圈内私下流传一句话：具身智能公司见客户，第一页PPT讲的不再是 demos，而是失效模式分析。据多位接近人士透露，头部厂商在真实部署中把异常恢复和可解释性列为最高优先级，其权重甚至超过任务成功率本身——毕竟一次无法解释的失败，可能直接终止整场合作。这里藏着WAM的第二个价值：世界模型天然带有「预测—比对—纠偏」的闭环结构，每一步动作前先预测结果，执行后与真实观测比对，偏差大了就触发重规划。相比纯VLA的黑箱直出动作，这套机制让失败可追溯、行为可审计。从产业逻辑看，可解释性不是学术洁癖，而是商业化的入场券。谁能把模型的决策过程变成客户能看懂、监管能接受的证据链，谁就能先拿到规模化订单。## 🔧 硬件价值链重排：灵巧手卡脖子，中国供应链换赛道决定机器人商业化的，从来不是奔跑速度。高盛在报告里点得很直白：真正决定商业化速度的，是灵巧手、手眼脚协同、散热、线束寿命、长期可靠性以及Sim-to-Real泛化能力。其中灵巧手被认为是当前最重要的硬件瓶颈之一——至今没有统一技术路线，直观、腱绳、连杆、液压各派还在混战。而模型架构从VLA向VLA+WAM的迁移，正在重新定义硬件的身价：`mermaidgraph TD A[VLA大脑换代] --> B[3D视觉] A --> C[触觉与六维力传感] A --> D[灵巧手] A --> E[数据采集设备] B --> F[真实世界数据闭环] C --> F D --> F E --> F`逻辑不复杂：WAM要预测「动作之后世界会发生什么」，前提是机器人能高保真地感知世界。纯视觉给不出力反馈，抓鸡蛋和抓扳手在画面里可能长得差不多；触觉、六维力传感器和灵巧手的指尖反馈，是把物理规律「喂」给世界模型的原始数据来源。感知颗粒度越细，世界模型的预测越准——传感器和灵巧手因此从「配件」升级为「大脑的感官」。这对中国供应链是个关键换道机会。过去中国机器人供应链的标签是低成本制造，而在WAM范式下，价值锚点变成了真实世界数据闭环：谁的机器人部署多、传感密、数据回流快，谁的世界模型就更强，模型更强又带来更多部署——飞轮由此转起来。制造能力+数据采集能力的双重卡位，可能让中国供应链的优势从「便宜」延伸到「数据主权」。当然，工程层面的硬骨头一个都没少：散热、线束寿命、长期可靠性，这些不性感的环节，恰恰是650万台出货预期成立与否的分母。## 🏭 谁先上桌：物流仓储和汽车制造，交叉点临近机器人先替代的，不是最缺人的岗位，而是最像结构化环境的岗位。高盛判断，物流仓储和汽车制造将成为人形机器人率先规模化落地的场景。这个判断与「高随机性环境下成功率明显下降」的技术现状完全自洽：仓库的货架位置相对固定，汽车产线的工位节拍严格定义，环境可建模、流程可拆解、失败可容忍——这正是当前模型能力边界内的甜点区。另一根主线是价格。高盛预计，2025年至未来数年，价格下降将成为推动行业放量的重要推手，而「机器人替代人工」的成本交叉点正在临近——当一台机器人的全生命周期成本低于一个工人的综合用工成本，采购决策就不再依赖情怀。把三节逻辑串起来看：结构化场景提供第一批真实数据，真实数据喂养VLA+WAM大脑，大脑变强后向更高随机性场景外溢，价格下降同步扩大可落地场景的集合。物流仓储和汽车制造，就是这台飞轮的第一圈。需要保持清醒的是，交叉点临近不等于已经到站。素材给出的信息里，高质量、真实、多维数据仍是实际部署的最大瓶颈——飞轮要转起来，前提是先有人舍得在结构化场景里当第一批「数据苦力」。## 小结从VLA到WAM，具身智能的大脑正在从「看懂并行动」进化为「预测并行动」；从25.6万到89万台，高盛的预期修正本质是给这场大脑换代定价；而黎子玥那句「可解释性是生死线」提醒所有人：模型上不了路，缺的不是参数，是真实数据和可审计的可靠性。2035年650万台的宏观数字，最终会由灵巧手、触觉传感器和一条条真实数据闭环来兑现。接下来两年，盯住物流仓储和汽车制造的部署密度——那是整条产业逻辑的第一块试金石。