想象你走进厨房，对一个机器人助手说：“请给我泡一杯加 2 勺糖的咖啡。”

机器人不仅能听懂你的指令，还能通过摄像头识别咖啡机、糖罐和杯子，然后精准地完成任务。

这不是科幻电影中的场景，而是视觉-语言-行动（VLA）模型带来的现实可能性。

VLA 模型是 AI 技术的最新突破，它让机器从单纯的“思考”迈向了“行动”，为我们的生活和工作带来了无限可能。

第一代：专家系统——AI 的“祖父母”

AI 的故事始于 20 世纪 50 年代，那时科学家们在达特茅斯会议上首次提出了“人工智能”的概念。早期的 AI 系统被称为专家系统，它们就像家族中的“祖父母”，知识渊博但略显固执。这些系统依赖人工编写的规则来解决问题。例如，MYCIN 是一个用于诊断感染性疾病的专家系统，它通过一系列 if-then 规则推断患者的病情。

然而，专家系统有一个致命的弱点：它们无法学习和适应新情况。就像一位只懂得背书的老师，当遇到课本之外的问题时，它们往往束手无策。此外，编写规则需要大量的人力，这使得专家系统的开发成本高昂，应用范围受限。

第二代：机器学习——AI 的“父母”

20 世纪 80 年代，机器学习技术的出现让 AI 进入了一个新阶段。机器学习模型，如支持向量机（SVM）和决策树，可以通过训练数据学习模式和做出预测。它们就像家族中的“父母”，能够从经验中学习，但仍需人类的指导。

例如，机器学习可以用来预测房价或识别垃圾邮件，但这些模型需要人工设计特征，比如房屋面积或邮件中的关键词。这种特征工程就像为每件衣服量身定制，耗时且限制了模型的灵活性。尽管如此，机器学习为 AI 的广泛应用奠定了基础。

第三代：深度学习——AI 的“兄长”

2010 年代，深度学习革命彻底改变了 AI 的面貌。深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），能够从原始数据中自动提取特征，无需人工干预。2012 年，AlexNet 在 ImageNet 图像识别竞赛中以惊人的准确率夺冠，标志着深度学习的崛起。

深度学习就像家族中的“兄长”，擅长感知任务，如图像识别和语音处理。例如，Google 的 AlphaGo 在 2016 年击败了围棋世界冠军李世乭，展示了深度学习在复杂任务中的强大能力。然而，深度学习模型在推理和泛化能力上仍有局限，尤其是在需要与物理世界互动的场景中。

第四代：大型语言模型——AI 的“表亲”

近年来，大型语言模型（LLM）如 GPT 系列和通义千问在自然语言处理领域取得了突破性进展。这些模型通过在海量文本数据上训练，能够生成连贯的文本、回答问题甚至编写代码。它们就像家族中的“表亲”，能说会道，知识广博。

然而，LLM 的能力主要局限于虚拟世界。它们可以生成一篇精彩的文章，却无法拿起一支笔在纸上写字。这种局限促使研究者们探索如何让 AI 不仅能“说”，还能“做”。

第五代：VLA 模型——AI 的“新生儿”

视觉-语言-行动（VLA）模型是 AI 家族的“新生儿”，它们将视觉感知、自然语言理解和行动控制融为一体。VLA 模型能够接收图像和文本指令，生成相应的行动序列，使机器人能够执行复杂的任务。例如，你可以对机器人说：“把桌上的红色苹果拿起来”，它会通过摄像头识别苹果并完成抓取动作。

VLA 模型的典型代表包括 OpenVLA 和 Figure 01。OpenVLA 是一个开源的 VLA 模型，能够控制多种机器人执行任务，如拾取和放置物体。Figure 01 则是一个人形机器人，旨在协助仓库和家庭中的重复性工作。

VLA 模型如何工作？

VLA 模型通常由两个核心部分组成：

1. 视觉-语言编码器：这一部分处理输入的图像和文本，生成一个包含任务和环境信息的潜在表示。例如，编码器可以分析一张桌子上的照片和指令“拿起红色苹果”，提取出苹果的位置和任务目标。

2. 行动解码器：这一部分将潜在表示转化为一系列行动指令，指导机器人完成任务。例如，解码器可能生成一系列坐标和动作，告诉机器人如何移动手臂和抓取物体。

训练 VLA 模型需要大量的数据，包括图像、文本指令和对应的机器人行动轨迹。通过在这些数据上进行训练，模型学会了将视觉和语言输入映射到正确的行动。

VLA 模型的应用场景

VLA 模型在多个领域展现了巨大的潜力：

• 制造业：VLA 驱动的机器人可以根据自然语言指令执行精密的组装任务。例如，指令“将电阻器放置在电路板的指定槽中”可以让机器人通过摄像头定位电阻器和槽位，准确完成任务。

• 家庭服务：像 Figure 01 这样的人形机器人可以帮助完成日常任务，如整理房间、准备食物或搬运物品。想象一个机器人能听懂你的指令“把客厅的书整理到书架上”，然后高效地完成任务。

• 灾难救援：在地震或火灾等灾难现场，VLA 模型可以让机器人根据指令搜索受困人员或搬运物资，提高救援效率。

• 医疗护理：VLA 模型可以协助医生进行手术或照顾患者。例如，机器人可以根据医生的语音指令准备手术工具或帮助患者移动。

挑战与未来方向

尽管 VLA 模型前景光明，但它们仍面临一些挑战：

• 数据需求：训练 VLA 模型需要大量的多模态数据，包括图像、文本和行动轨迹。数据的质量和多样性直接影响模型的性能。

• 任务复杂性：VLA 模型在简单任务（如拾取物体）上表现良好，但在复杂任务（如长时间规划或多步骤操作）中可能需要进一步优化。

• 安全性和可靠性：在与人类互动或在复杂环境中操作时，机器人必须能够避免错误和事故，确保安全。

未来，研究者们正在探索如何提高 VLA 模型的泛化能力，使它们能够适应新任务和新环境。例如，Physical Intelligence 的 π0.5 模型展示了在全新环境中清理厨房或卧室的能力。此外，改进数据收集和算法优化将进一步提升 VLA 模型的性能。

跨代驱动力：算力、数据与算法

AI 的每一次飞跃都离不开三股力量的推动：

驱动力	描述	示例
算力	从 CPU 到 GPU 再到专用加速器（如 TPU），算力的提升为复杂模型的训练提供了可能。	GPU 驱动了深度学习的突破，TPU 加速了 VLA 模型的训练。
数据	数据形态从结构化数据到像素和 token，再到多模态时序数据，数据的丰富性决定了模型的能力。	VLA 模型依赖包含图像、文本和行动的多模态数据集。
算法	从手写规则到统计优化，再到端到端表征学习，算法的进步推动了 AI 的智能化。	VLA 模型采用 Transformer 架构实现多模态融合。

AI 的未来在何方？

从专家系统到 VLA 模型，AI 的发展历程就像一个不断成长的家族，每一代都在前一代的基础上突破了新的界限。VLA 模型作为 AI 的最新成员，不仅让机器能够“看”和“说”，还能“做”，为 AI 走进现实世界打开了大门。

未来，VLA 模型可能带来更多激动人心的应用：从智能化的家庭助手到高效的工业机器人，再到拯救生命的救援设备。你希望 VLA 模型在你的生活中扮演什么角色？欢迎在评论区分享你的想法，加入这场关于 AI 未来的讨论！