ETH和斯坦福的机器人大佬联名：光堆VLA没用
国内具身智能这一年基本在做一件事：更大的 VLA，更多的遥操数据，再加一个世界模型。六月有一篇 position paper 唱了反调，作者是 Marco Hutter（ETH，做 ANYmal 四足那位）、Jan Peters（TU Darmstadt）、Mac Schwager（Stanford）、Haitham Bou-Ammar（UCL）这一批人。

他们没有说 VLA 没用

先把标题党的部分去掉。他们承认 RT-2、Open X-Embodiment、π 系列这条线是有效的，问题是这条线吃的数据全都是"已经写成机器人坐标系"的：观测配动作、任务配奖励、演示配成功标签。论文里的原话：最强的结果仍然依赖已经被表达为观测-动作对、任务、奖励、演示或成功标签的经验。

真正的瓶颈在哪

世界上有海量的行为数据：人的动作、互联网视频、仿真、机器人自己部署时的日志。这些数据里有任务信息和物理信息，但没有"这个身体、这个动作空间、这个奖励"的标签。

他们有一句我觉得很准：一个 latent action 不是指令，一个进度信号不一定是奖励，一个人类策略不一定是机器人能执行的。

所以瓶颈不是策略网络够不够大，是没有一套机制把这些不带标签的经验，变成机器人能吃的监督信号。

他们提的解法是四个接口，不是一个新模型

- 物理数据引擎：从人的示范里自动抽出接触事件、抓取、任务阶段、成功/失败
- 跨身体重定向：保留"对世界的效果"，不是复制人的关节角
- 有物理的世界模型：预测接触、力、稳定性，不只是生成好看的帧
- 部署时自我改进：动作错了更新策略，预测错了更新世界模型，前提是有任务级的奖励 grounding

我的看法

这篇没有实验，是立场文。但它点中了一件国内讨论里很少提的事：大家在比谁的数据更多，没人在比谁的数据来得更便宜。如果他们说的对，下一轮的护城河不是 VLA 参数量，是自动打标和跨身体迁移的 pipeline。
具身智能 AI人工智能 VLA 世界模型