更多的机器人示范数据、更庞大的视觉-语言-动作（vla）模型，再叠加一个更精通“物理规律”的世界模型，是否就能通向“通用型机器人智能”？
这正是当下具身智能领域的主流技术路径。然而，一篇最新发布于 arXiv 的立场论文却给出了一个尖锐的反向结论：仅靠这些，并不能实现真正的物理世界泛化能力。
该论文由具身智能数据初创公司 Motoniq 团队联合多位研究者共同完成，直指当前 VLA 模型与世界模型研究范式的根本性短板，系统梳理了物理智能所缺失的四大核心组件，并为构建真正可泛化、可部署的物理机器人智能，提出了清晰的演进方向。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
论文链接：https://www.php.cn/link/2e57665b8faf05c967a801eb5aedfa0a
具体而言，通用机器人所欠缺的，远不止是更大规模的动作策略模型；其本质瓶颈在于——缺乏一套能将原始、非结构化的物理交互经验自动转化为高质量监督信号的机制。唯有补齐数据接口、具身接口、世界模型接口与奖励接口这四个关键环节，机器人才能逐步摆脱对人工标注示范数据的强依赖，在真实、开放、动态的物理世界中持续自主学习。
图｜从物理经验到机器人可用的监督信号
需要强调的是，这篇立场论文并非否定 VLA 模型或世界模型的价值。相反，它将二者定位为整套物理智能架构中的关键“中间层”，其效能高度依赖底层支撑：即高质量物理数据、具身本体约束、精确动力学建模、任务导向的奖励设计，以及闭环部署反馈机制。
为何现有范式仍显乏力？
研究团队指出，当前具身智能研究主要围绕三类监督来源展开：机器人原生监督、视频弱监督、以及仿真与世界模型驱动的经验生成。三者虽各有进展，但均存在难以绕开的结构性局限：
机器人原生监督：数据稀缺，依赖强标注
当前主流机器人学习仍严重依赖机器人自身采集的结构化轨迹数据，包括观测-动作序列、任务指令、语言描述及成功/失败标签。BridgeData V2、DROID、Open X-Embodiment 等数据集显著拓展了此类数据的规模与多样性，也为 OpenVLA、GR00T N1、Gemini Robotics 等系统提供了训练基础。
但最有效的监督信号，依然来自已充分“接地”（grounded）的真实机器人执行轨迹。动作标签、任务语义和成败判定，往往需在采集阶段手动设定或后期人工标注。这意味着，VLA 模型的能力边界，至今仍被预先整理好的监督数据所框定。
视频弱监督：信息海量，却难解耦为控制指令
互联网上充斥着大量人类操作视频——它们天然包含任务逻辑、物体运动、接触时序等丰富物理线索。但问题在于：这些视频无法直接映射为机器人可执行的动作序列。当前方法多将其作为间接监督源：R3M 用于视觉表征预训练，VIP 用于任务进度建模，LAPA 和 UniVLA 则尝试从中挖掘潜在动作空间，再经适配映射至特定机器人控制域。
然而，视频中蕴含的“潜在动作”不等于明确指令，进度信号未必可直接转化为奖励函数，而人类的操作策略也常受限于人体构型，难以直接迁移到形态迥异的机器人本体上。
仿真与世界模型：加速探索，但物理保真度不足
受限于真实机器人数据采集的高成本与低效率，仿真与世界模型已成为补充训练经验的重要手段。相关工作已从 MimicGen、RoboCasa365、RoboGen 等数据合成方法，延伸至 DreamerV3、V-JEPA 2 等面向控制与交互的仿真探索，以及 ParticleFormer、ContactGaussian-WM 等聚焦点云建模与接触动力学的世界模型尝试。
使用固定的 Next.js/Tailwind/Prisma 技术栈构建并记录独立 SaaS 项目，仅将 FastAPI 用于 Python 工作负载，并遵循严格的架构规范。
但研究团队明确指出：当前世界模型的核心缺陷，在于过度关注视觉合理性，而忽视决定控制成败的关键物理变量——如几何形变、物体状态演化、接触力分布、系统稳定性及材料响应特性。若模型在预测中忽略接触关系、质量属性或摩擦系数，即便生成的画面“看起来很准”，其输出也无法作为可信的机器人监督依据。
物理智能缺失的四大支柱
在系统审视上述范式后，研究团队提出：突破瓶颈的关键，不在于一味堆叠模型参数，而在于补全以下四个尚未被充分重视的基础组件：
1. 物理数据引擎与具身自动标注
要让机器人真正利用广泛存在的物理经验（如人类操作视频、可穿戴传感器流、工业产线日志、失败重试轨迹），首要前提是构建一个“物理数据引擎”。当前机器人学习高度依赖人工清洗后的样本，而大量原始物理交互数据——尽管蕴含丰富状态变化、接触事件与因果线索——却因缺乏结构化标注而无法直接使用。
为此，团队提出 “具身自动标注”（Embodied Autolabelling） 范式：即从原始多模态数据中，全自动识别任务起止点、操作目标、接触发生时刻、物态变化过程及最终结果，并完成时间对齐、事件切分与隐状态估计。
此外，人类视频与可穿戴数据不仅可用于任务学习，更是理解人机协同意图与交互模式的重要入口。
2. 跨具身的任务效果保留重定向
跨具身重定向的核心挑战，在于如何将人类演示或抽象物理动作，转化为特定机器人本体可执行、且能复现相同物理效果的动作策略。不同机器人在运动学构型、动力学响应、传感器布局与末端接触特性上差异巨大。因此，重定向不应追求动作形态一致，而应聚焦于保留任务关键物理后果：如目标物体位移量、姿态角变化、接触状态切换、插接过程中的对齐精度等。
3. 物理扎根的世界模型
该类模型的目标不是生成“像不像”的未来帧，而是精准预测动作引发的可操作物理后果：例如抓取后物体是否会滑脱、推拉过程中接触是否中断、抽屉是否因卡滞而无法完全打开。其建模重心应落在与任务强相关的物理维度上——几何约束、接触力场、刚体/柔性体响应、材料形变特性，以及任务进度的量化演化。同时，模型还需具备可靠的不确定性量化能力，以支持安全决策与主动探索。
4. 自我迭代的部署闭环
机器人在真实环境中执行动作后，需依据任务目标实时评估执行效果，这一过程依赖任务条件化的奖励扎根（Task-Conditioned Reward Grounding）。由此，每一次部署轨迹都不再只是“成功/失败”的二元记录，而可分解为进度信号、失败归因、恢复路径与成功验证等多个监督维度，进而驱动各模块的定向优化，形成真正意义上的“执行—评估—改进”闭环。
图｜下一代机器人：从物理经验到物理智能
未来演进路径
目前，各类物理经验源所提供的监督信号仍是碎片化且不完整的：机器人数据常缺细粒度标签，视频数据缺乏动作映射，可穿戴数据未与特定本体绑定，仿真则受限于物理建模精度。未来的关键方向，在于构建统一的物理数据引擎，将这些异构数据源视为同一底层物理过程的不同观测视角，并将其映射为共享的、结构化的物理语义标签。
研究团队还指出，世界模型的表示范式尚无共识。当前主流方案——像素级渲染、物体中心坐标、点云、网格、神经辐射场（NeRF）、高斯溅射（Gaussian Splatting）等——在建模接触、受力传递与材料响应方面均存在明显短板。后续需发展真正“物理扎根”的表示体系，并强化其不确定性建模能力。
与此同时，跨具身重定向仍缺乏可验证的技术路径。未来工作需从“模仿姿态”转向“复现效果”，即以任务物理目标（如“将螺栓旋入深度达5mm”）而非动作轨迹本身作为优化锚点。
最后，部署中产生的失败案例，往往难以沉淀为精准、可归因的改进信号。未来需建立任务条件化的闭环诊断机制，使系统能自动区分“进度正常”“局部失败”“自主恢复”与“完全成功”，并据此触发对应模块的增量更新，而非简单地启动全模型重训练。
本文来自微信公众号 “学术头条”（ID：SciTouTiao），作者：夏千斯，36氪经授权发布。
