具身智能 VLA 模型：人形机器人"大脑-小脑"架构的2026分化之战

2026年上半年，机器人赛道最热的词不是"丝杠"、不是"减速器"，而是 VLA——Vision-Language-Action（视觉-语言-动作）模型。从硅谷 Physical Intelligence 的 π0，到谷歌 DeepMind 的 RT-2X，再到国内 X Square Robot 全栈开源、智元机器人 GO-1，一场围绕"机器人该由谁来当大脑"的架构之争正在白热化。

一、从"规则控制"到"端到端"：范式跃迁已经发生

传统机器人依赖工程师手写大量 if-else：识别红色方块→机械臂移动到 X 坐标→抓取→放置。这种方式开发周期长、跨场景迁移难。VLA 模型把视觉、语言、动作三大模态塞进同一个 Transformer，用大规模人类示教数据训练，让机器人"听懂人话+看懂世界+输出动作"一步到位。

转折点是 2024 年 Google DeepMind 推出 RT-2：直接把互联网级图文数据预训练的 VLM（视觉语言模型）头部接到机器人动作输出，第一次证明了"互联网知识可以零样本迁移到机器人"。到 2026 年，π0、OpenVLA、RT-X、Octo 等模型相继开源或商业化，端到端路线已无可争议地成为主流。

二、三大流派分化：硅谷端到端、国内开源、专域垂直

硅谷端到端派以 Physical Intelligence（π0）、Google DeepMind（RT-X 系列）、NVIDIA（GR00T）为代表，强调"一个大模型通吃所有机器人"。π0 用 100 亿参数规模在 8 种机器人本体、68 种任务上联合训练，单一模型即可完成叠衣服、清理桌面等长序列任务。国内大厂紧随其后：智元机器人 GO-1、星动纪元 ERA-1 均采用类 π0 架构。

国内开源派以 X Square Robot（开平方机器人）为旗手，7 月初一口气开源了全栈具身 AI 框架——从 VLA 模型权重、训练代码到数据 pipeline 全部公开，估值随即突破 200 亿元。银河通用、智元也在做类似开源布局。这一派的逻辑是：用开源换生态，用生态换数据飞轮。

专域垂直派的代表是 1X Technologies 和 Generalist AI。1X 押注"真人家用场景"，其 NEO 灵巧手主打 25 自由度、肌腱驱动 + 触觉感知，强调"数据从家庭场景来、模型也只服务家庭场景"。Generalist AI 走得更激进：7 月发布的 GEN-1 模型号称简单物理任务成功率 99%、速度比上一代快 3 倍，每个新任务只需 1 小时演示数据。

三、数据集军备竞赛：Open X-Embodiment 与 DROID

模型架构趋同后，真正的护城河变成了数据。2024 年由 Google DeepMind 牵头、21 家机构共建的 Open X-Embodiment 数据集（含 60+ 机器人本体、200+ 万条轨迹）已成为业界事实标准。2025 年斯坦福等机构推出的 DROID 数据集进一步丰富了工业场景的多样性。国内方面，智元机器人自建 AgiBot World 已突破 100 万条轨迹，国家地方共建具身智能创新中心也在筹建百万级真机数据集。

业内形成共识：未来三年，能拿到 100 万小时以上高质量真机数据的玩家，将锁定 VLA 模型的入场券。

四、"大脑"与"小脑"解耦：模块化架构崛起

纯端到端模型虽强，但推理时延迟高、算力开销大，难以跑在人形机器人边缘 GPU 上。2026 年上半年出现明显趋势：把 VLA 拆成"大脑"（高层 VLM，负责理解指令、规划任务）和"小脑"（底层动作专家，负责毫秒级控制）的双层架构。智元 GO-1、星动纪元 ERA-1、特斯拉 Optimus Gen-3 均采用此类设计。

好处显而易见：大脑可以放在云端用大模型推理，小脑必须部署到机器人本地保证实时性。两者通过中间表征（如隐空间动作 token）解耦后，云端模型升级无须重新烧录到每台机器人，硬件迭代成本大幅下降。

五、三个判断：模型即护城河、数据飞轮胜负手、硬件回归均值

第一，模型即护城河。当谐波减速器、行星滚柱丝杠都已实现国产替代（昨天我们刚梳理过这条产业链），硬件层面的差异化窗口正在关闭。下一阶段比拼的是 VLA 模型的泛化能力与推理效率，掌握最强模型者定义机器人"操作系统"。

第二，数据飞轮是胜负手。模型架构开源后趋同不可避免，但数据是开源不了的——尤其是真实家庭、真实工厂里的长尾数据。特斯拉 Optimus 之所以敢喊百万台量产，背后是 Dojo 训练集群 + 百万小时 FSD 数据迁移的底气。国内玩家谁能率先跑通"万台机器人部署→百万小时数据回流→模型升级"的正循环，谁就是下一个特斯拉。

第三，硬件回归均值。具身智能公司最终会变成"AI 公司"，硬件只是数据采集终端。这意味着纯硬件出身的玩家（车企、家电、传统机器人厂商）如果不能在 18 个月内补齐 VLA 模型能力，将面临"为他人做嫁衣"的风险——硬件做得再好，最终都成了 OpenAI、Anthropic 或 X Square 的"数据采集器"。

小结

2026 年的具身智能赛道，本质是"机器人 GPT 时刻"前夜。VLA 模型就是机器人的 GPT，Transformer 就是机器人的神经网络。当模型、数据、算力三要素在机器人赛道重演移动互联网的剧本时，留给传统玩家的窗口期可能只剩 12-18 个月。