对话2004年生世界模型创业者陈博远：我不是天才｜新皮层
对话2004年生世界模型创业者陈博远：我不是天才｜新皮层Yann LeCun的JEPA架构很可能不会work，但至少证明了隐空间比像素或文本空间具备更强的泛化能力；
来自主题: AI资讯
9036 点击 2026-07-01 15:39
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
Yann LeCun的JEPA架构很可能不会work，但至少证明了隐空间比像素或文本空间具备更强的泛化能力；
当前，物理 AI 正面临着关于泛化能力的普遍质疑。当模型缺乏对真实物理规律的深度认知、难以跨越复杂多变的开放场景时，如何让机器人真正理解物理世界并精准规划决策，已成为具身智能破局的关键。
这篇来自 Interlatent（一家聚焦具身智能后训练与部署的早期创业公司） 的文章，试图从第一性原理出发，把现代 AI 机器人技术重新讲清楚：一个机器人到底如何理解世界，如何生成动作，又为什么会在数据、延迟和泛化上遇到如此多的困难。
银河通用团队用史上最大、整整 20 亿帧的动捕数据，训练出了全球首个人形机器人全身实时运控基座大模型，该模型零样本泛化全新动作，成功率从 MLP 架构的 76.89% 跃至 92.58%，推理延迟仅 0.39ms，效果超越英伟达 SONIC，甚至比目前业内主流 TWIST 系统速度提升至五倍。
机器人视觉语言动作（Vision-Language-Action, VLA）模型越来越多地开始展示叠衣服、倒茶、做咖啡等复杂操作。但是，今天的大多数 VLA 更像 “展台机器人”。
在具身智能最难的泛化问题上，他们连续拿出顶会级成果，并把它们沉淀进其创新 VLOA 大模型，推动机器人迈向广阔现实。
“完全抛弃传统的代码编辑器，我直接告诉 AI 去修改代码。”
2026 年初，国内具身智能赛道掀起了一波开源潮，越来越多团队开始公开自己的视觉-语言-动作（VLA）模型、数据集与训练框架。与此同时，行业竞争也逐渐集中到 benchmark 成绩、任务成功率以及跨任务泛化能力上，尤其是在标准化或已训练任务中的表现。
过去一段时间里，在围绕大模型推理能力增强的研究中，SFT 和 RL 是两类核心后训练范式 —— 前者稳定收敛快，能高效吸收高质量推理数据；后者更具探索性，有望推动模型实现复杂推理和分布外泛化。
具身智能正以前所未有的速度发展，VLA 模型展现出越来越强的动作和泛化能力。然而，当我们真正把 VLA 模型部署到物理世界时，一个核心挑战浮出水面：实时性。