世界模型融合VLA：具身智能从能干走向可靠

上午的取药高峰期，药房门店内订单不断。一台机器人接到线上订单后，精准移动到货架前。面对密集摆放、容易反光的药盒，它轻巧探出机械臂准确夹取，随即送达取药窗口。

指挥这台机器人作业的，是蚂蚁灵波研发的“灵波通用大脑”。该系统在预训练阶段适配了17个机器人品牌、20种机械构型，实现了跨本体、跨任务运行。目前，搭载该系统的机器人已在上海多家连锁药房正式上岗。

除了看懂指令、执行动作，具身智能更关键的突破在于：动手前先推演未来。世界模型的核心任务，正是依据当前状态与动作推演未来演化。业界正逐步形成共识：视觉-语言-动作模型（VLA）解决“能干”，世界模型解决“想清楚再干”，两者的结合将成为具身大脑的重要方向。

VLA落地工业场景：从能干到持续复用

具身大脑的能力不仅体现在服务场景，还逐步拓展至仓储分拣与工业装配。全国首个异构人形机器人训练场中，国家地方共建人形机器人创新中心与华为联合打造实训样板点，依托国产算力推进世界模型与VLA的高效训练。

训练出的能力正在严苛的工业现场接受检验。国地中心“灵龙”系列机器人已进驻汽车零部件制造企业，在零件表面处理、齐套分拣、激光弱化等工位完成实景数据采集与自主作业，验证了从实训场迁移到工业现场的落地闭环。

从单一工位走向规模化复制，机器人面临严峻的泛化考验。一家药房训练成熟的机器人，换到货架布局和包装不同的新店，可能就会出现失误；工业场景对零件公差和操作节拍的要求更为严格。衡量VLA模型的实际进展，不仅要看任务完成度，更取决于面对新环境时的迁移成本与数据复用率。

世界模型进场：预测未来与动作生成合一

业内逐渐认识到，VLA与世界模型并非非此即彼，关键在于如何深度融合。世界模型的作用，是在系统内部构建物理世界的运行模拟，在执行动作前预测不同决策带来的物理反馈。

在技术路径上，多家企业已展开探索：

• 蚂蚁灵波发布了具身原生世界动作模型LingBot-VA 2.0，拓展通用服务能力；
• 智元发布世界-动作模型GE-Act 2.0，将物理预测与动作生成整合进同一模型。训练数据扩增至3万小时后，机器人在陌生物体与场景下的测试成功率从17.1%提升至44.1%；
• 擎朗智能将世界模型直接嵌入VLA架构，支持人形机器人在无遥操作介入下自主完成制作咖啡等长流程任务。

不过，世界模型仍需攻克推演速度、物理保真度与海量数据的三大关卡。当前部分模型虽能在百毫秒级完成推演，但在处理液体流动、柔性形变等复杂物理交互时仍显不足。业内普遍预计，要实现更高维度的能力涌现，训练数据需向千万小时级别迈进。

多元技术路线验证：加速工业与商业落地

围绕真实场景需求，多种解法正在同步推进。

在商业零售端，大晓机器人采用自研世界模型驱动机器人，在加油站狭窄通道内自主完成拣选打包，以大约每100毫秒一次的高频频率预测后续物理状态；在工业制造端，它石智航的新一代模型已投入汽车线束装配产线；在科研探索端，上海人工智能实验室推出的 InternW0-Δ 进一步融入视觉、力觉与触觉，让机器人胜任精密的实验室液体移液任务。

此外，穹彻智能通过全国多地采集的10万小时真实人类数据加速模型训练，灵初智能则借助世界模型将人类动作映射为机器人策略。

随着技术多元演进，产业标准建设也在提速。《国家人形机器人产业标准体系建设指南（2026版）》征求意见稿及相关地方标准已将世界模型列入核心规范，建立针对物理理解度与作业稳定性的多维评测体系。

从“按指令执行”到“动手前预判物理后果”，世界模型与VLA的深度交汇，正让具身智能机器人从单纯的演示样品蜕变为工业与商业场景中长期可靠的生产力。