在科技发展的浪潮中，具身智能正经历着深刻变革，而春晚舞台成为了这一变革的生动展示窗口。曾经，具身智能人形机器人在大众视野中的亮相还带着诸多局限。以2025年宇树H1在春晚的表现为例，当时它处于技术验证阶段，仅能完成基础舞蹈动作，运动控制能力未得到集中展现，整机动态轨迹不够流畅，在自主移动和地面适应性方面也存在明显不足，这反映出人形机器人从实验室技术迈向实用化产品过程中面临的阶段性瓶颈。
然而，仅仅一年后的2026年马年春晚，具身智能人形机器人实现了惊人跨越。宇树携G1与H2两款人形机器人登场，以全球首次全自主人形机器人集群武术表演惊艳众人。16台机器人组成的集群快速跑位，完成醉拳、双截棍、舞剑等高难度武术动作，还能与武术表演者精准配合，实现道具的快速更换与稳定抓持，无论是运动控制、操作轨迹丝滑度还是群体协同，都展现出质的飞跃。
舞台上的精彩表现只是具身智能发展的一个缩影，在舞台之外，具身智能的作业智能也取得了重大突破。长序列任务执行与柔性物体操控这两大技术难点实现了规模化落地，其中完成“叠衣服”这一高难度任务尤为引人注目。该任务涉及柔性形变感知、时序动作规划、精细力控反馈等全链路挑战，是具身智能从结构化场景走向非结构化场景的关键阻碍。
当人们惊叹于机器人高难度动作时，更应深入探究其背后的产业范式革命。机器人的能力跃升并非单纯的技术参数堆砌。无论是通过特定方式缓解“数据饥渴”，还是借助闭环反馈填平“虚实鸿沟”，这些技术迭代都只是具身智能发展的“表层切面”。真正推动行业质变的是底层思考逻辑的根本性重构，机器人正从“照猫画虎”的模仿学习路径，转向“理解世界、预判未来”的模式，仿佛人形机器人乃至整个具身智能领域都在集体“开智”。
这场“开智”革命并非单一技术路线的成果，当下支撑这一范式转变的技术路线已分化为多个核心派系，不同技术逻辑相互碰撞与融合，共同塑造着具身智能的产业走向。其中，智能基座——模型成为“开智”的核心锚点。模型的架构设计直接决定了机器人理解物理世界、适配复杂任务的能力边界，而围绕“如何让机器人真正开智”的产业竞赛，正围绕VLA架构的演进与争议进入关键阶段。
此前，行业形成明确共识，认为人形机器人的能力突破离不开端到端VLA（Vision-Language-Action，视觉-语言-动作）架构的核心驱动。这种架构融合视觉感知、语言理解与动作生成三大模态，打破了传统“感知-规划-控制”分层架构的信息损耗难题，实现端到端闭环。谷歌DeepMind、智元机器人等中外企业的技术落地，验证了其在结构化场景中的适配准确率，也使其逐步成为人形机器人从实验室走向商业化的核心技术底座。
但随着需求侧向非结构化场景、长序列复杂任务延伸，VLA架构的局限性逐渐显现。例如，王兴兴评价行业常见的VLA模型为“傻瓜式架构”，对其持怀疑态度，不少业内人士也开始探讨VLA模型是具身智能的终局还是阶段性过渡方案。这些争议的核心聚焦于“VLA中的L（语言）是否必要”，本质是对具身智能底层逻辑的重新审视。此前业内过度关注语言的必要性，是借鉴了LLM的成功经验，但具身智能需要与物理世界真实交互，这种交互的骨架是否仍为语言尚不明确。李飞飞曾提到“语言从根本上来说是一种纯粹生成的信号，世界上本没有语言”，星海图CTO赵行也表示具身智能需要平行于大语言模型的“Large Action Model”，以“动作”为核心，因为人类智能的进化是“先有动作、再有视觉、最后有语言”，机器人适应物理世界也应遵循类似逻辑。
这场架构之争指向一个根本产业命题：机器人应以何种方式理解世界，是通过人类语言这一“间接符号”，还是通过动作与环境的“直接交互”构建认知，或者以世界模型为核心，让机器人在自己世界里“脑补”动作流，进而更顺畅地在真实世界执行。业内逐渐形成共识，具身智能的终局架构必然是对物理世界认知逻辑的精准抽象，可能保留VLA架构的跨模态融合优势，也可能剥离冗余的语言中介，但核心必须适配机器人作为物理实体的交互本质，实现“感知-决策-执行”与物理世界规律的深度对齐。
在寻找下一个模型架构时，模型的打开方式至关重要，即如何确定机器人所需的模型架构。答案藏在机器人落地的底层逻辑中，真正转化为生产力的人形机器人都是听懂了场景诉求、从真实交互中发展而来，模型架构的进化同样需要回归机器人与世界对话的原生方式。机器人在真实工作场景中，无论是叠衣服还是拧螺丝，都需要具备“长时序记忆与实时反馈能力”“动态场景的随机应变能力”，这两大能力的核心是“预判未来状态”，而非简单“记住过往数据”。
以人类执行叠衣服、装配零件等任务为例，不会逐帧依赖视觉反馈，而是基于物理常识预判下一步动作结果。机器人要实现“丝滑操作”，关键在于将“记忆”升级为“预测”，通过模型推演未来多帧的场景变化与动作后果。蚂蚁灵波开源的具身世界模型LingBot-VA将“先预测、再动作”的架构逻辑推向极致，创新性地提出自回归视频-动作世界建模框架，将“预测世界状态”与“生成动作序列”深度绑定，实现“边预测，边动作”，不再是机械执行预设指令，而是每一步操作时大脑都在实时推演接下来的画面。该模型不仅思维模式与人类相似，工作特性也高度重合，能记住操作过程，具备泛化能力，学会洗盘子后就能洗碗，还能轻松完成清洗细小透明试管等高精度任务。
英伟达的DreamGen也采用类似思路，先生成视频，再反推动作，其基础模型架构分为上下两部分，上半部分视频模型负责预测未来，下半部分负责看着预测视频反推并输出动作。不过，DreamGen推出时虽被寄予厚望，但尚未跑通闭环，原因是现实世界充满变量，机器人执行中出现微小物理偏差时，由于视频提前生成，模型无法实时修正画面，导致“脑子想的和手做的”脱节。但这并不意味着DreamGen是失败尝试，相反，它印证了世界模型是机器人在真实物理世界作业的核心支撑，只是当时尚未抵达产业临界点，而LingBot-VA的问世补齐了最后一块短板，成为具身世界模型完整闭环跑通的标志性拐点。
“用机器人的视角打开世界”，本质是让模型架构回归物理世界的本质规律。机器人不需要像人类一样通过语言理解“重力”“摩擦力”，但需要通过预测能力感知这些物理规则；不需要记住每一个场景的操作参数，但需要能推演不同场景下的动作后果。这种以“预测”为核心的架构逻辑，契合了机器人与物理世界交互的原生需求，摆脱对人类认知中介（语言）的依赖，直接通过“预测-行动”的闭环建立与世界的直接连接，是具身智能走向“适配世界”的重要跨越。
具身世界模型有望成为具身智能的关键能力与重要基座，其融合了“世界模型”与“物理动作反馈闭环”，并非简单技术叠加，而是深度融合。世界模型为机器人搭建可预判、可推演的虚拟世界，提前模拟动作后果与环境变化；物理动作反馈将现实交互中的数据实时回灌模型，持续校准虚拟与现实的偏差，形成自进化闭环。它从根源上重构了机器人理解物理世界的底层逻辑，让机器人摆脱对人工指令、标注数据与固定轨迹的依赖，成为破解非结构化场景适配难、长时序任务稳定性差、柔性操作精度不足等行业落地瓶颈的核心能力支柱。
在产业视角下，我们既不应否认VLA的贡献，也不能盲目推崇VA的未来，而应站在机器人的视角看待世界，倾听机器人对模型架构的需求。这场模型架构变革是产业更清醒的信号，也是具身智能走向规模化商用的关键一步。模型架构的底层突破直接决定了机器人的泛化能力、作业精度与落地成本，将推动行业从舞台化的技术展示走向工业、家政、特种作业等真实场景的生产力释放，为整机研发、场景方案、商业化落地划定清晰的技术主线。
