具身智能大模型VLA路線如何打通機器人的感知-決策-執行閉環？

VLA（視覺—語言—動作模型）是當前具身智能大模型最主流的技術路線，其核心在于打通"感知—決策—執行"完整鏈路。根據報告，VLA模型能夠統一視覺、語言和本體狀態，并直接生成連續動作，使機器人由執行預設程序轉向理解任務、規劃動作并適應環境變化。

在感知環節，VLA融合視覺輸入與環境信息，結合語言指令完成對任務場景的理解；在決策環節，模型基于多模態信息進行推理規劃，形成可執行策略；在執行環節，VLA直接輸出連續動作指令，驅動機器人完成操作。這一閉環機制區別于傳統規則控制方式，實現了從"動作執行"向"任務理解與自主操作"的演進。

與VLM（視覺語言模型）相比，VLA的核心差異在于增加了動作輸出維度。VLM主要完成視覺理解與語言推理，承擔高層決策功能，但無法直接生成控制指令；VLA則進一步將決策轉化為具體動作，形成端到端的控制鏈路。報告中提及的Figure AI Helix 02、英偉達GR00T N1.7、小鵬汽車第二代VLA大模型等均采用此路線，強調全身協同操作與跨本體泛化能力。

當前VLA技術正進一步向全身控制、長任務鏈和跨本體泛化方向演進。未來本體廠競爭的核心將不再僅是運動速度、自由度和負載，而是抓取成功率、操作精度、雙臂協同、異常恢復及長時間連續作業能力，這些均依賴VLA模型的持續迭代優化。