2026 年世界机器人大会前后，一个变化正在具身智能圈子里发生：讨论的焦点，正从「机器人能跑多快、跳多高」的本体能力，转移到「机器人能不能想明白要干什么」的大脑能力。用行业里的话说，具身智能的竞争，从四肢卷到了脑子。
过去两年最主流的「大脑」方案叫 VLA（Vision-Language-Action，视觉-语言-动作模型）。它的思路很直接：把视觉理解、语言理解和动作生成分别交给不同的模块，再拼到一起。 宇树科技 创始人王兴兴在公开场合把当前具身 AI 的主流流派概括为 VLA 与世界模型两条线，可见 VLA 仍是当下落地最广的基线。
VLA 能在可控场景里跑通，靠的是模仿学习——给模型看大量「看到什么、说什么、做什么」的示范数据，它就能在相似环境里复刻动作。这也是它过去一年成为最现实选择的原因：闭环短、好训练，几十张 GPU 就能跑起来。
但 VLA 的天花板很快就显形了。多家机构在 2026 年世界机器人大会期间指出，VLA 本质是「模仿」，擅长在静态、绑定好的环境里完成特定任务，一旦遇到动态变化、陌生干扰或长程任务，泛化能力就明显吃紧；更棘手的是，它在复杂任务里容易「放弃」——不是真的理解，而是照搬失败。
于是，「世界模型」（World Model）成了 2026 年最热的方向。和 VLA 最大的不同，世界模型不只生成动作，它要先「想象」出未来：给定当前状态和某个动作，接下来几秒的世界会变成什么样。换句话说，它具备表征、推演和创造三种能力，而这正是「理解物理世界」的前提。 Physical Intelligence 的 π0.7、 Google DeepMind 等头部团队，也开始把世界模型的预测能力缝合进原有 VLA 架构，只是大多还停在实验室。
落地的关键，是把这种「想象」接到决策闭环里，而不是停在离线推演。 星源智 发布的具身交互世界模型 ω-EVA 就走了一条「预演—验证—行动」的闭环：机器人执行指令前，先预判动作会带来什么环境变化，再据此优化方案，形成持续感知、想象、修正的回路。这把世界模型从「思考者」推到了「决策者」。
自变量机器人 发布的 WALL-B 则把路线推到更极端的「原生多模态」：它不拼接视觉编码器、语言模型、动作规划器，而是从零开始把视觉、语言、动作和物理预测训进同一个网络。消除模块边界之后，模型获得了「原生本体感」——内在地知道自己多高、臂展多大、重力怎么作用，无需外部传感器辅助，零样本泛化也随之提升。
这种路线差异不是玄学，已经能定量比。 自变量 公开的 WALL-SS（下一尺度自回归世界模型）在「动作跟随」（Action Following）指标上拿到 0.29，而同期 NVIDIA 的 Cosmos 3 只有 0.044——差距接近一个数量级。动作跟随衡量的是：模型能不能严格按机器人的真实动作去推演后续画面，而不是偷懒补一个「看起来成功」的结局。同样在 2026 年， 通义千问机器人 也把世界模型作为 Qwen-Robot 三大模块之一推出，印证这条路线已是头部共识。
同一份报告里，WALL-SS 的轨迹准确度从 0.251 提升到 0.539，增幅约 115%。这意味着模型推演的未来轨迹，越来越贴近真机实际会走出的路径，仿真训练的可信度随之水涨船高。
另一条线上， 大晓机器人 的开悟世界模型 3.1 在多个权威评测里拿到头部成绩：RoboTwin2.0 双臂协同 96.1 分、LIBERO-Plus 开放场景泛化 89.0 分，并仅凭 40 亿参数在 WorldModelBenchRobot 物理建模维度战胜 280 亿参数的国际竞品。参数量差一个量级却反超，被业内视为「架构路线胜过堆参数」的信号。
大晓 与 商汤科技 的合作，把世界模型直接压到无人零售等真实场景；其环境式数据采集（ACE）范式让员工在日常作业里就完成多模态采集，一年积累量据称可达行业真机总量的百倍。这指向一个共识：无论 VLA 还是世界模型，最后都绕不开数据。
数据确实是两条路线共同的瓶颈。 光轮智能 开源的十万小时全模态人类行为数据集，正是在给机器人补「真实世界行为池」；中国电子学会也在世界机器人大会期间成立世界模型专家委员会，试图把标准与基准先立起来。
但也要泼盆冷水。多位研究者判断，世界模型短期更可能先当「数据引擎、训练工具、环境构造器」，而不是大规模部署到真机上做实时推理。物理世界有不可约的复杂性，今天的具身模型参数量级（多在 70 亿上下）距离早期语言模型的千亿级还差得远。
家庭场景还横着一道隐私与信任的坎。 自变量 已把首批机器人送进 100 个志愿者家庭采集数据，并配套设备端实时脱敏、用户主动按键开机、只认一个主人等机制——技术能进家庭，信任才是真正的门槛。
站在 2026 年看，VLA 到世界模型的迁移已经不可逆，但「身体达标」和「大脑成熟」之间仍隔着一代技术。下一站的竞争焦点，正从「能预测」转向「能行动」：谁先把世界模型接进实时决策闭环、在动态环境里稳定干活，谁才真正摸到了具身智能的下一层台阶。
本文基于公开报道整理。