具身智能大脑路线生变：VLA与世界模型合流，类脑架构冒头

有一种说法流传很广：人和机器人最大的不同，在于人会预判。运动员、电竞选手往往在对手招式还没出完时，身体就先动了。

可放到2026年的今天，这话已经站不住脚。“预判”不再是人类独有的能力，机器人正被技术赋予这项本领。区别在于，人是靠意识、经验和直觉做出的自然预判，机器人靠的是数据、模型和算力，属于“计算预判”，也就是人们说的机器人大脑。

最近几个月，让机器人“先想一步”的消息密集出现。

6月中旬的北京智源大会上，智平方拿出全球首个类脑式具身智能系统NeuroVLA，按照人脑皮层、小脑、脊髓三层结构，重新设计了机器人的大脑。

同月，千寻智能的Spirit v1.6在RoboArena评测中综合得分登上全球第一，压过英伟达Cosmos3和Physical Intelligence的π0.5，成为首个在这份榜单上登顶的中国模型。

VLA和世界模型的路线之争吵了半年仍无定论，类脑架构又突然成了热词。机器人大脑到底卷到了什么程度？以下是雷科技的看法。

VLA与世界模型走向融合，类脑架构初露锋芒

过去两年多，具身智能的主流叙事一直由VLA主导。

VLA是视觉—语言—动作大模型的缩写，说白了，就是让机器人把看到的、听到的转成动作。谷歌RT系列、Physical Intelligence的π0、智平方的GOVLA、智元的GO-1、千寻的Spirit系列，大体都走这条路。

VLA的长处是语义理解。你让它把桌上的苹果放进篮子，它能规划出一条像样的轨迹。短板也很明显：它对物理世界的理解，很大程度上依赖训练数据里学到的经验。任务一复杂、执行时间一拉长，或者碰上训练中没见过的物体和环境，模型就容易判断跑偏，甚至在执行过程中慢慢偏离原本的目标。

于是，行业开始试着引入世界模型。

世界模型可以理解为机器人脑子里的预演系统。真正动手之前，它先猜一猜环境会怎么变、自己的动作会带来什么结果。比如机械臂伸过去拿杯子，从侧面抓可能碰到旁边的盘子，它就得提前考虑换一条路线。

图源：雷科技

关键在于让机器人慢慢具备预测环境变化的能力。过去它更依赖学过的动作经验；现在研究者希望它能结合当前环境，推断下一步可能发生什么，再挑更合适的动作。

从年初起，行业里“世界模型vsVLA”吵了差不多半年，吵到最后，头部公司几乎都选了混搭。

智元的做法是给VLA配上世界模拟器，用模拟出的世界演变补物理理解的短板，GE 2.0就是这套思路的代表。

星海图CEO高继扬也在一次采访中说过，VLA和世界模型底层逻辑相通，都是用Transformer处理交互数据，差别主要在监督方式和架构细节，未来会走向融合。

智平方的郭彦东同样表态，世界模型不是颠覆者，是加持者。千寻的Spirit v1.6干脆就是两者深度融合的产物，把环境感知、任务理解、动作规划和状态预判串成一条端到端链路，这也是它能登顶RoboArena的原因。

结果就是，上半年还在站队的公司，下半年悄悄都成了融合派。

就在大家以为融合已是终点时，“类脑”这个词又开始高频出现在发布会和新闻里。

模仿人脑的类脑架构要普及，需解决三大难题

类脑架构并不玄乎。它不再指望一个巨型模型包打天下，而是照人脑的分工方式，把思考和动作拆给不同层级执行。

智平方给NeuroVLA设计的三层结构，是照着人脑来的。顶层叫“皮层”，负责语义理解和任务规划，想的是全局怎么走；中间一层是“小脑”，主要管高频运动协调和动态修正，关节传感器每秒被它读取几百次，抖动靠它抹平，偏差也由它及时拉回；最下面那层是“脊髓”，毫秒级的运动执行和安全反射归它管，由脉冲神经网络驱动，功耗仅0.4瓦，一旦撞上，20毫秒内反射动作就能做完。

图源：雷科技

这三点，正好对应机器人绕不过去的三道坎。

头一道是功耗。人脑有860亿个神经元，跑起来只要20瓦上下；换成大模型，动辄就是几千瓦，机器人端侧压根扛不住。于是最费电的思考部分交给皮层，高频协调和反射动作则下放到小脑与脊髓。

第二道是实时性。像安全反射这类动作，等云端推理根本来不及，说不定还有延迟，只能在本机毫秒级完成。数据效率方面，类脑架构的长处更多体现在各层级能针对自己的任务分别训练和优化，不必把所有任务都压给同一个大模型去学。当然，这不等于整套机器人系统就不需要海量数据了，底层运动控制照样得靠真实交互经验一点点攒。

从各家企业的动作看，做类脑的不止智平方。银河通用的银河星脑AstraBrain，官方说法是全球首个把“大脑—小脑—神经控制”合进一个模型的全身端到端具身大模型；2025年它还在计算机视觉顶会ICCV上提过“世界—动作模型”WAM，今年8月又放出通用大脑基座模型AstraBrain WAM 0.5。

星海图的EFM-1走的是“慢思考VLM加快执行VLA”的双系统路子，跟分层类脑的思路同出一源；自变量的WALL系列则选了“大小脑统一”的端到端方向。

这么看，类脑算是正在成形的行业方向，只是眼下每家的解法各不相同。

那问题就来了：为什么不能指望一个巨型模型把动作也一并“包办”？源策未来CEO李天羽在腾讯全球数字生态大会上是这么说的：

按他的说法，现在大模型的主流做法，好比“大模型把机器人当成一款游戏在玩”。可真到操作机械臂时，中间还得靠coding，或者靠大规模reasoning推理来搭桥，这轮推理平均长度可能达到数千Token。放到这个Token量级，执行频率再怎么优化也上不了1赫兹，离具身应用的要求差得远。

就算算力无限、Token能秒出，以10赫兹的速率控制一台机器人，按目前的推理强度让它7×24小时跑上一个月，一个月的Token成本就是千万级人民币。

这么大的差距，靠今天芯片的进步是填不平的。所以李天羽判断，往后即便是具身场景里用来调度的大脑，也一定会朝小型化走。

源策未来自己做的就是具身智能，主攻“通用全身人形基座模型”，让机器人能调动四肢和躯干完成复杂的全身任务。李天羽还是 WAIC 2026 云帆奖“明日之星”得主，他的话多少也代表了行业对这个趋势的态度。

站在源策未来的角度，眼下具身智能企业先砸大脑，核心逻辑是：先把基础预训练模型做得更强，后面适配下游任务时，需要采的数据量、采集难度都会降下来，应用铺开的速度和规模也就更有潜力。

机器人大脑的路线已经立住，头部玩家也露了面

按技术路线来拆，机器人大脑至少能看出四条清晰的道。

分别是：世界模型原生路线、VLA与世界模型融合路线、类脑架构路线、统一模型路线。

世界模型原生路线，是在架构层面就把世界理解、生成和动作预测塞进同一条推理路径，代表有大晓机器人的开悟世界模型、优必选的Thinker-WM、智元的GE 2.0、星海图的G0.5。

VLA与世界模型融合路线，是把世界模型当作VLA的增强层来用，代表是千寻的Spirit v1.6和星动纪元的ERA-42。

类脑架构路线借的是人脑机制，追求小数据下的高效学习，代表是智平方的NeuroVLA和银河通用的AstraBrain。

统一模型路线就好懂了，一个模型从头走到尾。

具体有哪些玩家、各自落在哪条线上，看下面这张图：

图源：豆包制作

要说清楚的是，具身智能大脑眼下还没有严格统一的技术分类标准。上面这四条路线，主要是从模型的核心能力、架构设计和系统组织方式出发，对头部企业的技术探索做的归纳。它们之间并非完全互斥，有的企业甚至同时在几个方向上押注。

海外玩家这半年的动静也不小。

英伟达的身份有点特别：它既是世界模型Cosmos的提供方，也是开源人形机器人基座GR00T的推手，还参与联合发起了RoboArena。Physical Intelligence的π0.5虽然在RoboArena上被千寻反超，但更新的π0.7仍在继续迭代。

谷歌的路子不一样，它把Gemini Robotics 2一分为二，规划模型和执行模型各自单独对外提供。

通用大模型也挤了进来，动静不小。OpenAI在9月确认要自研人形机器人；还有研究拿GPT-6和π0.5搭伙，充当机器人的策略。银河通用的研究员做过对比评测：RoboDojo的10项双臂操控任务中，混合系统平均分62.6，GPT-6单独直驱只有37.81分，差距明显。可一旦碰上精细力控和接触稳定性这类任务，还是得靠π0.5这种真正练过物理交互的模型来兜底。

放到这轮大脑竞赛里看，中国玩家的位置相当靠前，落地场景也比海外更密集。不过要说格局已经定下来，为时过早。

四条路线都在快速演化，类脑架构才刚冒头，终局方案是什么还没有答案。就连“类脑”这个提法本身，有多少出于技术判断、有多少属于叙事包装，也得等时间来检验。

具身智能身上有个很像汽车行业的特点：模型的能力，必须经由机器人本体才能表现出来。

写在最后

大脑再聪明，机械臂抓不稳东西，或者传感器感知不准、控制系统跟不上，任务最终照样完不成。反过来，硬件再强，模型只会重复固定动作，也难适应复杂环境。

接下来的竞争，恐怕越来越看企业的综合本事。模型得持续进步，真实数据得不断积累，机器人本体要足够可靠，还得找到让技术真正派上用场的应用场景。

这几个环节互相牵制，缺了哪一块，整体进度都可能被拖慢。

类脑架构会不会成为主流、世界模型能不能带来新突破，现在下结论都太早。具身智能终究要面对一个不按测试脚本运行的真实世界，机器人大脑的真本事，也得在这个世界里接受检验。