“包括Physical Intelligence在内，如今的北美头部具身智能公司离成熟都还有不短的距离。整个领域，也还没出现真正的奠基性工作。”
“中国真正领先的，恰恰是机器人硬件。美国同样没有成熟答案，中国公司又何必急着把自己称为‘中国版XX’？”
这是量子位来到悉尼参加RSS 2026后，几天交流下来听到最让人意外的两个判断。
但有一说一，这是后话。
刚到RSS会场时，最先冒出来的其实是另一个问题：
为啥世界模型在国内都火了快半年，怎么到了机器人顶会，大家还在讨论VLA？
这是我们这次线下的“第一感受”。
在周一的日程里，世界模型还要和记忆放在一起，组成一场45分钟的Session。
到了周二，模仿学习与VLA相关报告从下午3点多一路排到傍晚，结结实实占据了后半个下午。
老实讲，这其实挺让人疑惑的。
毕竟在国内，“VLA已死，世界模型当立”的说法已经传了好几轮。
世界模型也被越来越多公司放进技术路线，被视为具身智能的新版本答案。
甚至略带戏谑地说，今年只要有融资新闻的具身公司，基本上都在做世界模型。
那到这，问题就来了：
为啥在机器人顶会上，大家还是VLA、VLA？难不成国内外真有半年时差？
在与不少同学、老师交流后，我们发现之所以这样，其实是顶会的审稿周期已经跟不上AI领域的迭代了。
比如，RSS 2026在1月30日截稿，4月27日公布录用结果，7月13日在线下举行。
从截稿到会议，已经过去了近五个半月。
如果再算上论文从idea到实验、写作所需的几个月，今天出现在会场上的成果，往往在大半年甚至一年前就已启动。
因此，现在的顶会论文可能更像过去一段时间的技术切片，而很难成为过去几周的行业热搜。
当然，这并不是说论文不重要，毕竟任何研究都得站在之前人的肩膀上。
今年RSS的获奖论文，量子位已经在刚刚，机器人顶会RSS三项最佳论文出炉！708篇送审，仅8篇杀入决赛中记录，这里就不再赘述。
相比重新复述论文，在这里我们更想聊一些只能在线下发生的事。
RSS 2026大会程序主席Matei Ciocarlie在开场时问道：
为什么我们要来这里？为什么不直接把论文发到arXiv，把视频发到X（Twitter），然后就结束？
他的回答落在了一个词上：connection，连接。
会议真正重要的，不只是台上的报告，还有人与人之间的聊天、讨论和面对面交流。
量子位在RSS期间不仅和现场的学生、研究者及创业者聊了聊，也联合香港大学OpenDriveLab、源策未来、诺亦腾机器人举办了线下活动。
除此之外，星海图、自变量、千寻、智元等公司，也把交流延伸到了主会场结束后的after hours和晚宴上。
可以说，就在这些线下连接中，我们听到了一些和国内热门叙事不太一样的判断：
- 一位来自Sergey Levine组的受访者直言：包括PI在内，今天的具身智能公司离成熟都还有不短的距离，整个领域也尚未出现他所认为的奠基性工作。中国具身在硬件有巨大优势，对中国公司称自己为中国版xx感到不解。
- Physical Intelligence的实习生表示：VLA和世界模型并不冲突，可以全都要。不同任务需要语言推理和视频预测两种能力；至于世界模型能否像宣传中那样预测动作后果，他反问：“你真的看到它做到这件事了吗？”
- EgoVerse核心作者Simar Kareer认为：机器人领域缺的未必只是更多数据，真正拉开模型差距的还有数据如何筛选、配比和整理。
- Karen Liu在闭幕Keynote中把机器人领域概括为“Model-rich, Data-poor”：过去积累的仿真、规划和视觉模型未必适合直接充当机器人策略，却可以相互组合，成为持续生产训练数据的老师。
- 李弘扬教授认为机器人下一步要解决的不只是上半身操作，而是覆盖移动、平衡、接触和操作的全身智能；这并非一种单独的模型能力，而是一项横跨控制、感知、数据和硬件的系统工程。
- Wenzhen Yuan指出，触觉目前大多仍以附加模态接入VLA，背后的难题不仅在于数据稀缺；不同触觉传感器难以迁移，机器人的指尖与末端执行器形态也会直接影响触觉能否发挥作用。
- 在与智元、宇树、高擎、Seeed等厂商的交流中，多位从业者提到，在RSS展台上，来问询的仍然是高校研究机构为主；最先追问的内容往往不是机器人展示效果，而是价格、投资回报、二次开发条件，以及产品能否进入矿山、巡检等本地场景；现阶段，中国机器人的硬件出海也明显走在软件和数据服务之前。
- ……
这些判断未必代表行业共识，其中一些甚至彼此冲突。
但也正是这些分歧，让我们重新思考VLA、世界模型、数据、本体与产业之间的关系。
世界模型和VLA，我全都要
数据，已经被公认为当前具身智能领域里最重要的话题。
但毋庸讳言，无论是在审稿人亦或是投资人眼中，模型依旧性感。
就今年RSS的整体情况来看，负责抓取操作、模仿学习的文章仍然占据绝对的领先地位，大家promo的时候也比较爱提到自家的模型。
那么，回到最开始的问题，VLA还是世界模型？
在与Sergey Levine（Physical Intelligence）的两位博士生交谈时，我也把这个问题抛给了他们。
其中一位给出的答案是，两条路线并不矛盾，甚至可以同时推进（pi0.7其实就有一个世界模型组件）。
在他看来，不同的具身任务，适合处理它们的方式也不一样，有些任务天然更适合语言。
比如处理家务时，机器人需要先理解人的指令，再借助语言把一个复杂任务拆成多个子任务，逐步规划接下来的行动。
而当任务变成把物体从A点移动到B点时，机器人也可以借助图像或视频生成能力，预测动作结果，生成下一步需要达到的视觉状态。
只不过，对PI自己而言，语言仍然承担着更重要的角色。
这可能也解释了为什么从Steerable Vision-Language-Action Policies for Embodied Reasoning and Hierarchical Control到pi0.7以来，研究者始终把Steerable放在核心位置。
这里的Steerable，不只是让机器人听懂一句任务指令，而是让人类或上层模型能够通过语言、视觉子目标乃至更细粒度的控制信号，持续引导机器人选择和组合动作。
也就是说，PI并不排斥图像或视频生成，但更倾向于让VLM承担语义理解和任务推理，再通过语言指令、视觉子目标等接口，把高层推理grounding到机器人的具体动作上。
有意思的是，在我们组织的晚宴上，我又碰到了他们。
我提到，在国内讨论世界模型与VLA的区别时，有一种颇为流行的概括：
VLA根据数据输入和语言指令直接输出动作；世界模型则能预测未来状态，辅助机器人规划动作、规避风险。
他没有直接认同这种划分，而是追问了一句：
“你真的见过它们这样做吗？你真的见过一个部署了世界模型的机器人，说，这个动作我做了可能有问题，我不该这样做，我该采取其他动作”。
说实话，我一时没接上话。
后来再想，这句追问其实把问题拉回了更具体的地方。
对世界模型而言，关键不只是能不能准确预测未来，还在于它究竟应该预测什么，以及这些预测能否真正帮助机器人完成操作。
这个问题，在我与Simar Kareer的交谈中，有了更具体的答案。
Simar Kareer目前在佐治亚理工学院读博，师从Judy Hoffman和徐丹飞教授，曾在Physical Intelligence实习，目前他正专注于egocentric方向的工作。
他认为，世界模型应该预测什么，要由它最终服务的下游任务决定。
如果目标是让机器人完成动作，那么更合理的方向，是让视频预测（video prediction）与动作预测（action prediction）联合学习，而不是只训练模型生成未来画面。
对此他举了一个例子，现阶段的视频预测或许能生成视觉上合理的未来状态，却未必知道机器人的手有多大、要抓取的物体有多大。
缺少这些与真实动作相关的信息，预测出来的视频再逼真，也很难直接转化为可靠的操作。
因此，至少在现阶段，视频预测还无法完全取代动作监督。它可以帮助机器人想象未来，而动作预测与动作监督，则负责把这种想象落到真实、可执行的动作上。
此外，来自香港大学的陈立博士在Robot World Models研讨会上又补充了另一层：
即便确定了预测对象，“生成未来”和“判断这个未来是否有用”，也不一定要交给同一个模型。
“预测会发生什么，和评估这对我是否有用，必须解耦。”
在他的RISE框架中，动力学模型负责生成未来状态，价值模型则判断这些状态是否符合任务目标。
机器人由此可以先在模型生成的未来中尝试不同路径，再利用价值信号改进策略，减少在真实世界中试错的成本与风险。
世界模型的价值，也就不只在于能否“想象未来”，还在于这些想象能否为动作提供有效依据。
总结来看，世界模型固然重要，但对具身智能而言，它并不是VLA的简单替代，两种方法也并不矛盾。
真正的问题在于，世界模型应该预测什么，以及这些预测如何服务于机器人动作。
值得一提的是，在RSS会场内外，已经有不少研究者开始探索VLA与世界模型结合的混合架构，前面提到的π0.7正是其中之一。
数据量很重要，但Curation更重要
虽然模型上的创新可能好发论文，也更吸引眼球，但数据已经毫无争议的成为了具身领域最重要的问题。
在poster环节，我们也排队问了Simar几个数据问题。
Simar这几年从EgoMimic一路做到EgoVerse，研究的都是怎么把第一视角人类数据用到机器人上。照理说，他应该是最看好Egocentric Data的那批人。
但当我问起数据该怎么scaling时，他的建议却是：
Egocentric数据当然有用，但我其实不建议你们直接从数据公司买（笑）。
在回答中，Simar举了大模型领域的例子。他提到像OpenAI，anthropic，他们不光是数据多，更重要的是数据的清洗、筛选、配比和组织数据，机器人领域同样如此。
也就是说，相比单纯的堆数据量，数据的curation可能更重要。
但具体怎么个curation，多少数据量才够，Simar顿了一下，并没有给出直接的答案，只是建议参考π0的训练规模（1万小时）以及公开数据集。
也就是说，这个数字只是一个参照，不是一条已经得到验证的Scaling Law。
类似的一幕其实也发生在论文汇报的QA环节。在论文中，研究得出的结论是：
随着VLA预训练数据规模和多样性的提升，人类数据向机器人策略的迁移能力逐渐显现。
于是，现场有观众追问：这种数据多样性应该怎样衡量？
Simar表示，他们会在不同Checkpoint和数据配方上做实验，寻找效果更好的组合。但具体怎样配，他没有进一步透露。
后来我和诺亦腾机器人的工作人员聊了这个问题，他的看法是：
对于模型公司或者Lab来说，架构可以写进论文，数据配方却更像那份不会轻易示人的recipe。
这或许解释了我们前面提到的，几乎所有人都在谈数据，论文里最显眼的东西却仍然是模型。
所以，诺亦腾也提到了另一种可能性：
未来的数据公司未必只按小时出售原始素材，还需要自己训练模型、做对照实验和评测，最终向机器人公司交付经过筛选、能够直接进入训练流程的数据方案。
到了这一步，数据公司的价值就不再是“采了多少小时”，而是“知道哪些数据真正有用”。
当然，劝大家不要直接买数据，不代表Simar不看好Egocentric Data。
在「Data-Centric Robotics：What Data Do Robots Really Need？」研讨会上，他重新画了一遍机器人领域的数据金字塔。
过去，人们通常认为，最底层是规模最大的互联网，中间是仿真数据，最上层才是数量最少、成本最高的机器人遥操作数据。从数据规模来看，这样的金字塔没有问题。
问题出在它暗示的关系：互联网和人类视频似乎天然构成机器人学习的基础，少量机器人数据只负责最后适配。
EgoVerse的实验给出了另一种图景。
只使用机器人数据与自由形态人类数据，提升有限；只加入与任务对齐的人类示范，改善同样不大。最明显的提升来自三类数据共同出现：
- 机器人遥操作数据；
- 与机器人任务对齐的Episodic Human Data；
- 覆盖场景和长尾行为的Free-form Human Data。
机器人数据和任务对齐的人类数据共同提供了“锚点”，告诉模型人类行为与机器人动作空间怎样对应。
所以，数据多样性并不是把不同来源的数据倒进同一个池子。真正决定效果的，可能是Data Mixture中有没有足够的对齐区域。
但不管怎么筛，真实机器人数据和具身人类数据都很难无限采集。那能不能换一种思路，让模型自己生产数据？
机器人Data Poor，但Model Rich
在Karen Liu的闭幕演讲Data Poor，Model Rich中，这位来自斯坦福大学计算机系、从计算机图形学和物理仿真一路做到人形机器人控制的教授，就回应了上面这个问题。
Karen提到，机器人虽然Data Poor，却并不缺模型。
Data Poor，不只意味着依靠数采员“力大砖飞”收集数据很难scale。
与此同时，随着机器人任务从桌面抓取走向灵巧操作和全身控制，数据采集的难度也在不断增加。
更重要的是，这种方式还藏着一个默认假设：每一条示范数据，都能立刻对训练产生作用。
Model Rich则意味着，我们可以换一种思路，把已有模型变成数据引擎，用它们生产训练数据。
计算机图形学积累了物理仿真、动画和数字人模型，计算机视觉有3D重建和几何模型，机器人学也有轨迹优化、运动规划和动力学模型。
这些模型各有所长，