什么是机器人基础模型？VLA 讲解
GR00T、pi0 和 Gemini Robotics 都是机器人基础模型，而非聊天机器人。VLA 是什么，它与 LLM 有何不同，以及为何数据才是真正的难点。
让聊天机器人告诉你怎么叠一件衬衫，它会递给你一份工整、编号清晰的清单。让一条运行着同一个聊天机器人的机械臂真去把衬衫叠好，却什么也不会发生。文字全都在。衬衫还在原处。在段落和布料之间的某个地方，智能耗尽了。
弥合这道鸿沟，正是机器人基础模型（robot foundation model）这整件事要做的事。像 NVIDIA 的 Isaac GR00T、Physical Intelligence 的 pi0，或 Google DeepMind 的 Gemini Robotics 这样的系统，并不是装上了手臂的聊天机器人。它是另一类模型，训练在另一类数据上，用一套更直白的标准来评判：物体到底动了没有。
这一类模型的简称是 VLA，即视觉-语言-动作模型（vision-language-action model）。这个名字本身就是它的全部思路。它读取像素，读取一句自然语言指令，然后不是吐出一句话，而是输出一个动作。全部的难度，都藏在最后那个字母里。
foundation 这个词承诺了什么
基础模型这个说法借自语言领域，带着一个明确的承诺：在广泛的数据上训练一个大模型，然后把它适配到许多任务上，而不必每次从零开始。在文本里，这个承诺基本兑现了。如今一个底座模型稍加引导，就能起草邮件、编写代码、回答法律问题。
机器人领域想要同样的杠杆：一个预训练好的策略，指向一个新厨房、一个新零件、一个新夹爪，只需少量任务专属数据，而不是每次都重启一个耗时数年的项目。这是它的卖点。物理世界是否会像文本那样慷慨地兑现这个设想，仍是一个悬而未决的问题，而它此刻正在被验证。
从词语到电机指令
先说不变的部分。VLA 和大语言模型（LLM）共享大部分底层构件。两者通常都是 transformer。两者都在庞大语料上预训练，然后再做对齐。许多 VLA 直接搭建在一个预训练好的视觉-语言模型之上，于是机器人在被要求移动任何东西之前，就已经知道杯子是什么、"旁边"这个词是什么意思。
分岔发生在输出端。LLM 预测下一个文本 token。VLA 预测下一个动作：一组关节角度、夹爪的张或合、手腕的一次微小移动，每秒重复数十次。Google 的 RT-2 让这一步变得直观：它把机器人动作当成模型可以被教会说的另一种语言。同一个能叫出桌上物体名字的网络，也能产出驱动一只手伸向其中之一的数值。Gemini Robotics 就是这一脉络当下的延续。
为什么 VLA 不是装了手臂的 LLM
共享架构掩盖了两者工作的巨大差异。把它们并排放在一起，分歧一目了然。
| 属性 | 语言模型 | 视觉-语言-动作模型 |
|---|---|---|
| 输出 | 下一个文本 token | 下一个电机动作：关节角度、夹爪状态 |
| 回路 | 开环，一次回复即结束 | 闭环，每秒重新决策许多次 |
| 时钟 | 回答慢一点只是恼人 | 晚 200ms，杯子就摔在地上 |
| 训练数据 | 人类已经写好的文本 | 必须有人亲手录制的示范 |
| 答错了 | 改一下、重试一次 | 摔碎的杯子、弯折的零件、一次安全事故 |
| 具身 | 没有；文本在哪里都是文本 | 绑定于某一具身体的关节、可达范围与手 |
顺着右边这一列读下去，麻烦不断累积。VLA 运行在闭环里：它动作，世界随之改变，它再看一眼，再动作，而且必须实时地把这件事持续下去，同时摩擦和接触会做出任何文字说明都没预料到的事。它绑定于一具身体，所以在一台机器人上学到的技能，换到另一台手臂不同的机器人上并不会自动存活。而且它没有撤销键。最后这一点不是细枝末节。
语言模型答错了，你按一下重试。答错了的机器人基础模型，已经把玻璃杯从桌上碰掉了。物理世界里的任何东西都不附带撤销键。
值得记住名字的几个模型
三个参照点足以覆盖大多数讨论。NVIDIA 的 Isaac GR00T 面向人形机器人，重度依赖仿真与合成运动来批量制造训练数据。Physical Intelligence 的 pi0 是一个跨具身（cross-embodiment）策略，设计上要吸收来自许多不同机器人的示范并跨硬件泛化。来自 Google DeepMind 的 Gemini Robotics，则在动作头之后放了一个强大的视觉-语言骨干，让广博的网络知识延伸进物理任务。它们的差异在侧重，而非种类。三者都是 VLA。三者都在押注：一个通用策略胜过一千段手工调校的脚本。
为什么难的是数据，而不是架构
这里有一个让熟悉语言模型的人意外的转折。架构大体是共享且公开的，论文你都读得到。瓶颈不是某个秘密的网络设计。瓶颈是数据。
文本能够扩展，是因为互联网本身就是人们交流的副产品；训练集自己写好了自己。操控（manipulation）没有对应的这种废气。没有人在装满一万台洗碗机时，身上戴着传感器套装、记录着力与手部姿态。这份记录必须被刻意生产出来。像 Open X-Embodiment 这样的努力把几十个实验室的机器人示范汇集到一起，而像 Hugging Face 的 LeRobot 这样的开源栈降低了采集与共享的门槛，但这些总量，与一个文本模型不动声色就吞下的规模相比，仍然渺小。模型只能模仿它被展示过的东西。给它看的物理世界太少，它就仍旧是一个能言善辩、却叠不好那件衬衫的系统。
所以，机器人基础模型不是一个学会了移动的语言模型。它是一个赌注：关于物理世界的智能，可以像关于文本的智能那样被训练出来，一个大模型、广泛数据，然后适配。架构问题大体已有答案。悬而未决的那个是，我们能否收集到足够多、足够对的示范，让这个赌注划算，而这是一个要用传感器和耐心去解决的问题，而不是靠一个更聪明的网络。