具身智能的繁荣，正被三篇论文戳破

十月初，机器人圈有两件事被严重低估了。

一件是吴佳俊在IROS 2026上的演讲，主题直白得近乎挑衅：结构化表征不是答案，只是机器人学会推理的脚手架。另一件是两篇几乎同期挂上arXiv的论文——ProAct和CureWM，一篇拆动作分词器的台，一篇拆世界模型的台。

三件事指向同一个地方：VLA（视觉-语言-动作）技术栈的三块地基，都在渗水。

我的判断很直接：具身智能正在从"堆数据、堆算力"的上半场，进入"修地基"的下半场。谁先把地基修好，谁先拿到下一轮的门票。

🧱 结构化表征：不是答案，是脚手架

所有通往端到端的路，都绕不开中间那几根脚手架。

先看场景。IROS 2026现场，吴佳俊的演讲把一条技术路线的叙事线完整铺开——从结构化表征，到无演示学习。演讲的副标题写得很克制，但内里的态度不克制：结构化表征"不是答案"。

这句话在当下听来，分量不轻。过去两年，具身智能社区吵得最凶的问题之一，就是端到端和分层架构之争：一派主张用大模型暴力拟合，感知到动作一把梭；另一派坚持在中间塞进结构化的表征——物体状态、空间关系、任务约束，让机器人"先理解再动手"。结构化表征派一度声势浩大，因为它符合直觉，也好讲投资人爱听的故事。

吴佳俊的态度是个精妙的中间态：结构化表征有价值，但价值不在"它本身是答案"，而在"它是脚手架"——是帮助机器人学会推理的临时支撑结构。楼盖起来了，脚手架是要拆的。这条路线的终点指向无演示学习：机器人不再依赖人类示范，而是靠自己推理出怎么做。

这个定位修正，对产业的意义比表面上大。

第一，它给中间层的创业公司划了边界：做结构化表征不是做终局产品，是做过渡性基础设施，商业模式必须按"脚手架"的周期来设计。第二，它暗示了一个残酷的技术判断——如果表征只是脚手架，那么在表征上堆太多的投入，边际收益会递减，真正的长期资产是"学会推理"这件事本身。

据业内私下流传的一种说法，不少做中间表征层的团队，融资叙事正在从"我们是机器人的认知系统"悄悄切换成"我们帮大模型团队省数据"。话术变了，说明心态变了。

🎲 动作分词器：重建得准，不等于用得好

分词器是VLA栈里最不起眼的零件，也是最容易被省钱的零件。

ProAct这篇论文研究的对象，是自回归动作token策略——也就是VLA模型把连续的控制动作，翻译成一串离散token的"动作分词器"。目前主流做法，是用重建目标训练分词器：token解码回动作，误差越小越好。听起来天经地义。

但论文的实验分析给出了一个反直觉的结论：足够准确的动作重建，只是下游策略成功的一部分条件。同样关键的还有两点——策略能不能对新观测预测出正确的token，以及那些没见过的token预测，解码之后还能不能变成合理的动作。

这两个性质，重建目标是管不着的。你把重建误差压到极限，下游策略照样可能在你没见过的观测上崩盘。

数字说话。ProAct提出在重建目标之外，策略性地增强分词器对下游可预测性和鲁棒性的优化，而且是策略无关的，只用动作数据集训练。在Robomimic、LIBERO、RoboTwin三个基准和多种分词器架构上，平均把策略成功率提升了11.3个百分点；迁移到VLA策略，平均提升21.8个百分点；到真机操作上，平均提升36.7个百分点。

这组数字最扎心的地方在于：不用换模型，不用换数据，只修一个零件，真机成功率就能涨三十多个点。反过来说，有多少团队的真机效果差，病灶根本不在大模型，而在那个没人愿意花时间调的分词器上？

产业逻辑很清楚：VLA照搬大语言模型的范式，token是桥，但桥的质检标准不能照搬。语言token错一个字还能猜，动作token错一格就是抓空、碰撞、砸机。分词器这个环节，正在从"工程细节"升格为"必争之地"。

😴 世界模型：最爱做成功梦

机器人世界模型最大的毛病，是它太乐观了。

场景还原一下。世界模型在机器人领域的三个用途：策略评测、规划、合成数据生成。听起来都很美——不用真机就能评测策略，不用真机就能生成数据，这也是很多团队"无真机路线"的底气所在。

但CureWM这篇论文做了一次系统体检，结果很难看：在两个架构家族的四个已发布检查点上，模型对动作变化的敏感度很弱，而且在已被验证为失败的执行上，依然给出类似成功的预测。通俗讲，机器人世界模型在做梦——梦里全是成功。

这事为什么致命？因为世界模型的三大用途，全都建立在"它能区分成功和失败"的前提上。一个分不清成败的世界模型，拿来评测策略就是给烂策略发奖，拿来生成数据就是往训练集里灌错例，拿来规划就是闭眼开车。

CureWM的修复思路很朴素，但工程上很重：从成功演示出发，按严重程度网格构造替代动作，然后在仿真或真机上真实执行、验证结果，用这些带对照组的失败样本和幸存的成功样本，对已发布的模型做微调——不改架构，不改训练目标。

结果：在484个LIBERO held-out失败反事实样本上，乐观率从官方数据微调后的80%，降到四个独立微调模型的30–43%（均值38%）。在真机机械臂上的两次独立评测里，被诊断判为"类成功"的失败预测，从仅用成功演示微调后的90%，降到使用CureWM后的33%。

注意一个细节：失败数量、成功回放数据、训练预算都对齐的情况下，带执行验证的反事实失败数据依然显著更有效。换句话说，修世界模型的关键不是更多数据，是"经过执行验证的失败数据"。

这对产业是一记重锤。世界模型路线最大的卖点，是用合成数据替代昂贵的真机。但如果生成数据的模型本身分不清成败，那这条路线的成本优势就是个幻觉。真机、真执行、真验证，重新变得不可绕过。

🏗️ 三处裂缝，指向同一个真相

现有目标函数奖励的是"看起来对"，而机器人需要的是"实际对"。

把三件事放在一起看，规律就浮出来了。

表征层，吴佳俊说它是脚手架不是答案——因为结构化的"理解"不等于会"推理"。动作层，ProAct证明重建误差小不等于策略能用——因为token"重建得对"不等于"预测得对、解码得稳"。世界模型层，CureWM证明预测得流畅不等于分得清成败——因为"像成功"不等于"是成功"。

三句话，同一个病灶：中间目标（重建、重建、预测）和终极目标（任务成功）之间，存在系统性脱节。这就是为什么VLA套用大语言模型的路线图走得磕磕绊绊——语言任务里，下一个token预测和最终答案质量高度相关；机器人任务里，这两者的鸿沟大得多，因为物理世界的验证成本高、反馈稀疏，还不容错。

三条线索在同一两周内集中出现，很难说是巧合。它更像是社区的一次集体自查：当"Scaling Law能不能迁到机器人"的争论进入疲劳期，真正动手的人开始回头检查地基。

对整个行业，这意味着评测体系面临一次重估。大量基于仿真基准的榜单成绩，其含金量需要打折看待——分词器没修好的策略、没见过失败的世界模型，都能在指标上刷出漂亮数字，然后在真机上一地鸡毛。

💼 修地基的人，先拿到门票

上半场拼谁的Demo好看，下半场拼谁的失败数据多。

落到商业判断上，我认为有三个明确的受益方。

第一，手里有真机机队的公司。CureWM的方法需要执行验证——要么仿真要么硬件。仿真验证只能覆盖仿真里可信的部分，真机验证才是硬通货。拥有大规模真机部署的厂商，天然坐拥"带验证标签的失败数据"这种不可复制资产。未来评估一家机器人公司，别光看它演示视频，先问一句：你们攒了多少条经过验证的失败轨迹？

第二，做中间件和基础设施的团队。ProAct证明了策略无关、只用动作数据的分词器改良，就能带来两位数提升——这是典型的"卖铲子"机会。分词器、数据清洗、失败样本构造与验证管线，都可能长成独立的产品化环节。

第三，仍然存在的算法红利。三篇工作有个共同点：没有动架构，没有堆天量算力，靠的是更聪明的目标设计和数据构造。这说明在具身智能这个阶段，算法和数据的精细设计，仍然能买到远超算力的边际收益——对没钱跟巨头拼卡的小团队，这是难得的好消息。

反过来，风险敞口最大的是纯模型路线的团队：既没有真机做执行验证，又在结构化表征和分词器这些"细节"上没有积累，只靠通用VLA预训练讲故事。地基漏水的房子，装修得再好看也卖不上价。

小结

吴佳俊的演讲和ProAct、CureWM两篇论文，与其说是三份技术贡献，不如说是三张诊断书：表征是脚手架，分词器要看下游，世界模型在做梦。具身智能的叙事正在从"大模型范式平移"退回到"物理世界的工程问题"，而这个转变的受益者，是那些愿意真开机、真执行、真验证失败的团队。下半年，盯住三个信号：执行验证数据的资产化、动作分词器的产品化、世界模型评测的标准化。修地基的活不好看，但房子能盖多高，全看它。