**机器人需要的不只是 VLA 与世界模型**

_Robots Need More than VLA and World Models_

> 通用机器人智能常被简化为策略扩展问题：收集更多演示数据，训练更大的视觉-语言-动作（VLA）模型，期望更强的泛化。本文指出这一视角并不完整，核心瓶颈并非仅是策略学习，而是缺少将丰富的非结构化行为数据（如人类运动、互联网视频、仿真轨迹等）转化为具身可用的监督信号的机制。文章梳理了四个缺失的关键组件：用于自动标注非结构化数据的数据接口、将人类动作重定向到机器人动作的具身接口、支持物理三维推理的世界模型接口，以及从视频和语言中推断任务进展与成功的奖励接口，并提出了面向下一代机器人系统的研究议程。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-08 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.06556)