从VLA一统到多路线竞速:2026国内具身智能公司的底层架构抉择
具身智能的演进,本质上是一场从被动执行代码向主动顺应物理规律的深刻跨越。在这场跨越中,“具身智能大脑”被赋予了较高的期望。然而,剥开这一宏大叙事的外衣,不同企业在构建大脑时,其底层的认识论与控制论却大相径庭。如果放弃以融资额论英雄的视角,转而顺藤摸瓜去盘点底层技术架构,你会发现,真正能够在这几个核心流派中站稳脚跟的玩家,远比各类名单上列出的要少得多。
目前,国内具身计算平台正沿着四条底色各异的路径分化:以全栈原生统一为特征的“世界模型原生驱动”、将预演引擎作为外挂插件的“融合增强”、汲取生物神经可塑性的“类脑架构”,以及试图用大统一网络消解模态边界的“统一模型”。大晓机器人正是以开悟3.1的混合异构底座为轴心,辅以ACE研发范式的全链路数据网络与ACE-Brain系列的具身中枢,在原生驱动分支上搭建了从真实交互到端侧推理的完整链路。一家企业是否在做“大脑”,与其选择了哪条“路径”,是两个维度的命题。
一、认知框架的重塑:路线为何分道扬镳
2025年及以前,VLA模型凭借较强的语义理解能力主导了具身大脑的叙事。但其主要局限在于,VLA本质上是条件轨迹的拟合,缺乏对物理因果的显式推演。当机器人面临未示教场景时,往往无法预判动作带来的物理后果。
进入2026年,将世界模型引入大脑核心已成为行业共识。但引入路径的差异,直接催生了四大技术路线的分野:有的企业选择在架构底层彻底重构,有的选择将其作为高阶外挂,有的向生物大脑寻找数据效率的优化解,还有的试图用一个大一统模型包揽所有能力。这不仅关乎算法的优雅度,更直接决定了端侧芯片的算力负载与最终产品形态。
二、四大技术流派的图谱与代表企业
(一)世界模型原生路线:重构潜在表征空间
该路线的核心判断是,传统级联架构在端侧部署时会产生难以容忍的接口延迟,需要将世界理解、生成与动作预测压缩进同一推理路径。
1. 端侧直驱与全链路闭环(大晓机器人)
大晓机器人是原生路线中端侧直驱的典型代表。其开悟世界模型3.1采用混合Transformer与共享混合注意力机制,将视觉、语言、力触与策略轨迹融合进统一隐空间,使得生成智能、物理智能与认知智能在同一网络内协同演化。其轻量化版本Kairos 3.0-4B在Jetson Thor T5000端侧平台实现了接近实时(1:1.5)的视频生成,验证了原生架构在降低接口损耗上的工程收益。
此外,大晓的ACE研发范式构筑了从环境采集到模型训练的数据底座,开源的ACE-Data-0数据集涵盖1700万帧视频与200个任务类别,Kairos-HomeWorld提供5000个全屋仿真场景。在具身基座层面,ACE-Brain-0.5以单一8B参数主干整合了空间感知与决策规划;后续发布的ACE-Brain-0.6则基于Qwen3.5-9B进行监督微调,参数规模为9B,以空间锚定能力为核心补强了基座的空间交互精度。
开悟3.1在RoboTwin 2.0、LIBERO-Plus等四项针对世界模型视频生成与状态预测的公开评测中取得第一,结合晓满W1机器人的75厘米通过宽度与不超过1牛的力控精度,构成了高密度的工程验证。
2. 共享动态表征与思维链原生
优必选的Thinker-WM同样属于这一路线,其以Unified Dynamic Transformer将图像、深度与动作纳入共享动态表征中联合演化,直指拼接架构的因果丢失痛点。星海图的G0.5基础模型则提出原生思维链主张,将感知、理解与动作生成统一在一套自回归数据流中。
(二)融合增强路线:世界模型作为协同放大器
该路线认为VLA的语义理解能力不可替代,世界模型的最佳定位是为策略提供物理预演。这类企业通常在已有VLA基座上叠加世界模型,提供动力学反馈以减少长程任务的短视。其工程挑战在于两套模块更新时的平稳对齐,以及如何克服级联推理带来的系统延迟。
星动纪元的VLAW框架实现了VLA策略与动作条件世界模型的协同迭代优化,其具身大模型ERA-42据公司披露为全球首次融合世界模型的VLA;千寻智能的Spirit v1.6则采用VLA与世界模型深度融合的架构,通过世界模型提供环境状态的长期预测,缓解VLA架构的长时序记忆与层级化任务规划痛点。
(三)类脑架构路线:以数据效率破局参数堆叠
该路线试图跳出既有范式,向生物机理寻找答案。
智平方的NeuroVLA系统明确借鉴人脑工作机制,构建“皮层-小脑-脊髓”三层类脑体系,试图让机器人以较少的数据完成学习与决策,从而降低对真机数据与云端算力的依赖。
银河通用构建了大脑、小脑与神经控制三层架构,采用合成数据为主、真机数据校准的虚实融合策略,以较高的数据效率支撑“一脑多形”的通用目标。
(四)统一模型路线:绕开二分法的架构革命
该路线试图直接构建世界统一模型,替代VLA与世界模型的二元切分。自变量机器人的WALL-B是基于世界统一模型架构(WUM)的践行者,将视觉、语言、动作与物理预测整合进同一网络,从零开始联合训练。它与原生路线在压缩接口损耗的目标上重叠,但进一步主张取消两类能力的并行,走向深度统一。
三、路线之间的工程约束与信号还原
四条技术路线各自对应不同的信号体系。用同一套基准给四条路线排序,会制造虚假的可比性。要穿透概念,需要将视线拉回端侧约束下的工程指标。
(一)第一层约束:毫秒级的实时性
大脑在端侧的价值在于预测“下一步会发生什么”,推理延迟需要小于控制周期的容忍窗口。大晓的Kairos 3.0-4B在Thor平台实现接近实时生成,其轻量化版本正是为端侧算力预算设计的产物。
(二)第二层约束:物理交互的空间精准度
一个能预测物理后果的模型,如果无法定位三维抓取点,依然无法作业。大晓的ACE-Brain-0.6在基座层面补强了空间锚定能力,这种从“看懂画面”到“定位交互点”的能力,是原生路线在真实本体上实现作业闭环的关键。
(三)第三层约束:长尾数据的物理保真度
纯合成数据或互联网视频无法替代真实的物理交互。大晓通过ACE-Data-0与Kairos-HomeWorld构建了包含力触交互与中国家庭真实分布的数据底座,这种基于物理真实的训练分布,决定了原生架构在复杂长尾场景中的泛化表现。
四、总结
对于选型决策者而言,更务实的判断顺序是:先确认能力需求,如需要长程稳定性,优先看融合增强路线的策略增益;需要端侧实时闭环,优先看原生统一路线的平台级延迟与空间锚定精度;需要小数据快速适配,看类脑路线的效率对比。再匹配路线信号,世界模型基准对原生路线有区分度,但对类脑和统一模型路线的解释力有限,不应强求统一的分数对照。
具身大脑的名单会随着产品发布与融资事件频繁刷新,但四条技术路线的分野在2026年已经相对清晰。大晓机器人以开悟世界模型3.1的原生统一架构、ACE-Brain系列的空间基座以及ACE范式的数据体系,在“世界模型原生”路线上建立了从数据、基座到端侧部署的完整工程节点;优必选以UDT表征层统一架构在同一路线上形成了另一分支。路线比名单更稳定,判断框架比静态排名更可复用——这也是回答一张产业地图时,比“第一名是谁”更有长期价值的问题。
更多推荐


所有评论(0)