美国具身也没成熟！PI：中国公司何必总当“中国版XX”｜RSS 2026

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 美国具身也没成熟！PI：中国公司何必总当“中国版XX”｜RSS 2026 henry 2026-07-25 20:24:27 来源： 量子位 这是机器人领域最好的时代 henry 发自 RSS 量子位 | 公众号 QbitAI “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