给机器人装上能听懂人话的大脑，进度到哪一步了。

教一个人倒水，和教一个从没见过你家的机器人倒水

我教一个朋友在我家倒杯水很简单：柜子在哪、水温多少、杯子轻拿轻放。换成机器人，同一句话要拆成一堆更细的东西——手臂末端要保持在杯子把手正上方、夹力不能超过某个数、转身时不能撞到旁边的椅背。

多模态那一页说过，模型能看图能听声，但它看到的和听到的都是数字。要让这些数字变成真实世界的动作，中间缺一层翻译。做法通常是把三个模态接在一起：视觉-语言-动作模型（Vision-Language-Action model）—— 直接从摄像头画面和一句人话，算出接下来这一瞬间关节该转到哪个角度。

这一层的领域叫具身智能（embodied AI）—— 让大模型不只活在文本里，而是通过一个身体在物理世界行动。截至 2026 年 9 月，这是全站里进展最不均匀的一块。

图：两台 KUKA 机械臂同步编舞，作品《The Beach》（Roy Nachum）。让机械臂把一个舞蹈动作重复一千次不累、不偏，靠的是每个关节精确的角度指令——大模型最后要输出的也正是这个。来源：Oleg Yunakov，Wikimedia Commons，CC BY-SA 4.0。

好消息：单点任务已经能用了

2026 年 6 月一篇综述把这一类模型的实测数据汇总了一遍（doi:10.20944/preprints202606.0400.v1）。里面有两个数字值得记。

一个是迁移能力。Google 那条线上的 RT-2 在没见过的物体上成功率 85%，前一代 RT-1 是 60%。同一个实验室、同一套评测，差 25 个百分点。这说明「见过的东西」和「没见过的东西」之间那道坎确实在变窄。

另一个是插入这类精细动作。用扩散式的动作生成，插入任务成功率超过 95%，传统的行为克隆方法是 70%。合起来的意思是：机器人手在实验室里能把插头对准插座。

坏消息：三个数字把期待拉回现实

同一篇综述里还给了三个我认为是这行天花板指示器的数字。

第一个，规模的收益很早就用完了。综述给出的指数大约在 0.15 到 0.25 之间——意思是参数翻一倍，效果只涨一点。这跟纯语言模型刚起步那会儿完全不是一回事。

第二个，遇到没见过的东西掉得厉害。遇到全新的几何形状，表现大约掉 40%。你家里那个抽屉的把手，不是标准形状。

第三个，我觉得最扎心：机器人学一样东西需要的样本数，比人学同样的东西差 100 到 1000 倍。人看三次就会的东西，机器人要看几千次。

还有一个隐藏的坑：时间一致性会随任务时长按开平方往下掉。任务短的时候还好，任务一长，误差累积得比线性还快。

我看到的一个转折信号

2026 年 7 月有篇预印本（doi:10.21203/rs.3.rs-10243884/v1）做的事挺有意思：作者用低秩适配（LoRA）—— 只微调很小一部分参数的省钱做法 —— 加上量化，把一个大约 31 亿参数的视觉-语言-动作模型塞进了一块消费级显卡，8GB 显存，跑在一台 100 多美元级别的 SO101 机械臂上，只用了 200 条示教数据，完成了一个按按钮的任务。

31 亿参数这个数字以前是不可想象的——同样的活儿要一台实验室级别显卡才转得动。这篇是预印本，只验证了一个按按钮的任务，仅在论文自建的实验上成立，尚未被广泛复现。

但方向上它说明了一件事：这行现在真正的瓶颈可能不是模型，是「谁买得起显卡去做实验」。算力便宜了，实验次数上去了，也许才是这块真正开始动的原因。

还需要一个会预测的东西

还有一条路是在机器人前面加一个「会预演」的世界模型（world model）—— 在脑子里先模拟一遍接下来会发生什么，再决定怎么动。2026 年 1 月一篇综述（doi:10.36227/techrxiv.176948355.54623875/v1）把这条线上的工作分成四类：负责规划的、负责出动作的、负责合成的、负责仿真的。

动机很清楚：现在的机器人不擅长「精确捕捉物理动态」，也不擅长「判断我这个计划到底能不能执行」。它会把杯子推倒，因为它不理解杯子会倒。

这四类目前都还是研究阶段。我不认为哪一类已经被证明是那条对的路。

延伸阅读

• Vision-Language-Action and Vision Language Models for Robot Manipulation: A Comprehensive Review Towards Real-World Applications（Md Selim Sarowar; Sungho Kim，2026，MDPI 预印本）—— 汇总了这一行的实测数据：RT-2 在没见过物体上 85% 对 RT-1 的 60%，样本效率比人差 100 到 1000 倍，遇到新形状掉约 40%。预印本，未经同行评审，数字均为该综述对他人结果的汇总。doi: 10.20944/preprints202606.0400.v1
• Towards Generalist Embodied AI: A Survey on World Models for VLA Agents（Wentao Tan; Lei Zhu; Bowen Wang et al.，2026，IEEE TechRxiv 预印本）—— 把「给机器人加一个会预演的大脑」分成四类，出发点是现在的机器人既不懂物理动态也判断不了计划可不可行。预印本，尚未被广泛复现。doi: 10.36227/techrxiv.176948355.54623875/v1
• Towards Accessible Physical AI: LoRA-Based Fine-Tuning of VLA Models for Real-World Robot Control（Abdullah Yahya Abdullah Omaisan; Ibrahim Sheikh Mohamed，2026，Research Square 预印本）—— 把 31 亿参数的视觉-语言-动作模型压进 8GB 显存的消费级显卡，用 200 条示教数据在廉价机械臂上完成按按钮任务。仅在这一个任务上验证。doi: 10.21203/rs.3.rs-10243884/v1

动手试试

视频网站上一搜 robot manipulation，你会看到大量完美的成功案例。随便挑一个点开，然后去找同一个研究组失败的那一段（很多论文的附录里会放，或者搜带 failure 的关键词）。

我这么做的收获是，第一次看完那些成功视频，我心里想的是「这也太稳了」；看过失败合集之后才知道，实验室的成功率是多次尝试里挑出来的最好一次。

下一站

模型接进机器人，卡在算力上。下一站看工程师们怎么把模型压小、压快、压到普通电脑上能跑。

名录来源：本文综合 CrossRef（IEEE 会议论文、MDPI 与 TechRxiv 预印本）检索，2026-09-29；arXiv cs.RO 当日限流未及检索。