開創(chuàng)VLA的那幫人，正在拋棄VLA

編輯 | 澤南

具身智能真的變天了？

上個(gè)星期， 明星創(chuàng)業(yè)公司 Generalist AI 發(fā)布的 GEN-1 模型，憑借在各項(xiàng)機(jī)器人任務(wù)中的極高成功率引發(fā)了行業(yè)震動。

GEN-1 在三個(gè)核心維度上都實(shí)現(xiàn)了跨越式提升：成功率超過 99%，速度提升 2-3 倍，只需要上代模型 1/10 的數(shù)據(jù)和微調(diào)，就能達(dá)到同樣的性能表現(xiàn)。

Generalist AI 成立于 2024 年，核心愿景是讓「通用型機(jī)器人」成為現(xiàn)實(shí)。憑借其極具潛力的技術(shù)路線，該公司在早期就獲得了包括英偉達(dá)和 boldstart ventures 等機(jī)構(gòu)的投資支持。

該公司的核心創(chuàng)始團(tuán)隊(duì)可謂豪華 ——CEO Pete Florence 來自 Google DeepMind，CTO Andrew Barry 來自波士頓動力，首席科學(xué)家 Andy Zeng 曾任 Google DeepMind 研究科學(xué)家。加入 Generalist 前，該公司的部分成員參與了 PaLM-E、RT-2 等模型的研發(fā)與發(fā)布，負(fù)責(zé)將 ChatGPT、GPT-4 規(guī)模化推廣至數(shù)億用戶，或參與 Atlas、Spot、Stretch 等關(guān)鍵自動駕駛技術(shù)與機(jī)器人系統(tǒng)開發(fā)。

在 GEN-1 之前，他們推出的 GEN-0 模型已經(jīng)驗(yàn)證了「物理交互數(shù)據(jù)可以轉(zhuǎn)化為可預(yù)測、可擴(kuò)展的機(jī)器智能」。

GEN-1 發(fā)布后，Generalist CEO Pete Florence 本周發(fā)布的一篇博客文章再次成為了社區(qū)討論的熱點(diǎn)。在文中，作者直指目前具身智能領(lǐng)域流行的 VLA（視覺 - 語言 - 動作）模型趨勢。

作為 VLA 概念的共同開創(chuàng)者，他們現(xiàn)在卻表示要「拋棄」VLA 乃至世界模型的標(biāo)簽定義，因?yàn)樵谒麄兛磥恚^于在意工具的標(biāo)簽，反而會限制通往物理 AGI 的想象力。

讓我們看看他是怎么說的。

在 GEN-1 中，大約 99% 的參數(shù)是從零開始訓(xùn)練的。

在過去，這或許會被視為一種瘋狂之舉。但對于 Generalist 而言，這卻是一個(gè)深思熟慮的抉擇。這一決策源于我們堅(jiān)定不移的信念 —— 我們?yōu)榇艘褲撔母艃赡曛?—— 即：只要擁有足夠的數(shù)據(jù)，通過對基礎(chǔ)模型保持完全的掌控權(quán)，便能以更快的步伐推動前沿技術(shù)的突破。

GEN-1 絕非那種僅僅生硬地「外掛」了機(jī)器人動作模塊的微調(diào)版視覺 - 語言模型（VLM），它也不僅僅是一個(gè)單純的「世界模型」。它是一個(gè)擁有「一等公民」地位、專為物理交互場景而原生構(gòu)建的基礎(chǔ)模型。越來越多的證據(jù)表明：只要具備充足的數(shù)據(jù)與算力，從零開始進(jìn)行訓(xùn)練（training from scratch）始終是致勝之道。

在 2026 年初，「世界模型」正迎來屬于它的高光時(shí)刻；而在 2023 至 2025 年間，風(fēng)頭正勁的則是「視覺 - 語言 - 動作模型」（VLA）。追逐熱點(diǎn)與潮流，本就是學(xué)術(shù)研究領(lǐng)域的常態(tài)。

在 Generalist，我們從未將自家模型歸類為 VLA 或世界模型。這絕非偶然。事實(shí)上，我們正是 VLA 概念的共同開創(chuàng)者之一；自 2023 年起，我們便持續(xù)在機(jī)器人領(lǐng)域發(fā)表關(guān)于世界模型的研究成果，而我們在這一領(lǐng)域的實(shí)際探索與耕耘，更是早在數(shù)年前便已啟動。

既然如此，為何我們偏不給模型貼上標(biāo)簽?zāi)兀吭蛴腥菏紫龋愕慕K極目標(biāo)遠(yuǎn)比你所使用的「工具」標(biāo)簽本身更為重要；其次，正如你不會將所有的矩形都統(tǒng)稱為正方形一樣，概念的界定需要精準(zhǔn)；最后，是因?yàn)榧夹g(shù)供給側(cè)的格局終將發(fā)生演變。接下來，我們將逐一深入剖析這三個(gè)層面的考量。

目標(biāo)比工具上的標(biāo)簽更重要

首先也是最重要的是，目標(biāo)比方法更具力量。幾年前，John Schulman 在一篇對比「理念驅(qū)動」與「目標(biāo)驅(qū)動」研究的文章中，對這一區(qū)別做出了精辟的闡述：理念驅(qū)動型研究往往追隨潮流，致力于改進(jìn)最新的技術(shù)方法；而目標(biāo)驅(qū)動型研究則首先確立一個(gè)具體的預(yù)期成果，隨后著手解決實(shí)現(xiàn)該成果過程中遇到的任何障礙。

這種區(qū)分至關(guān)重要，因?yàn)樗粌H決定了你會構(gòu)建出什么，更關(guān)鍵的是，它決定了你不會被哪些事物所干擾。正如 Schulman 所指出的 —— 這也是我本人的切身體會 —— 通常而言，目標(biāo)驅(qū)動型路徑往往更具成效。

當(dāng)前圍繞「世界模型」展開的討論，本質(zhì)上屬于理念驅(qū)動型研究。誠然，這些技術(shù)本身確實(shí)令人振奮。但構(gòu)建一個(gè)「世界模型」本身，或許并非真正的終極目標(biāo) —— 即便對于那些正投身于世界模型研究的科研人員而言，情況亦是如此。真正值得深思的問題在于：你的終極目標(biāo)究竟是什么？

我們認(rèn)為，一個(gè)極具價(jià)值且值得長期追求的目標(biāo)，是實(shí)現(xiàn)機(jī)器人技術(shù)的「完全零樣本」（Fully Zero-shot）能力：即讓機(jī)器人能夠以極高的成功率和運(yùn)行速度，執(zhí)行那些它們從未見過的各類任務(wù)，且在執(zhí)行過程中，完全無需任何針對特定任務(wù)的訓(xùn)練數(shù)據(jù)。如果所涉任務(wù)種類繁多、復(fù)雜度極高且具有足夠的應(yīng)用價(jià)值，那么實(shí)現(xiàn)這一目標(biāo)，便可被視為需要具備「完全物理通用人工智能」（Full Physical AGI）能力的標(biāo)志。

不過，在此終極目標(biāo)達(dá)成之前，我們還可以設(shè)定一系列具體的階段性里程碑，從而構(gòu)建一條循序漸進(jìn)的進(jìn)階路徑：與其一步到位追求「完全零樣本」，不如先允許為特定任務(wù)（姑且稱之為任務(wù) X）提供少量機(jī)器人訓(xùn)練數(shù)據(jù)，并確保機(jī)器人能以極高的性能水平完成該任務(wù)。

如此一來，目標(biāo)驅(qū)動型的研發(fā)路線圖便清晰可見：在持續(xù)提升任務(wù)執(zhí)行性能的同時(shí)，逐步削減所需訓(xùn)練數(shù)據(jù)量 X。假如我們能僅憑大約一小時(shí)的機(jī)器人訓(xùn)練數(shù)據(jù)，便在各類任務(wù)中普遍實(shí)現(xiàn) 99% 以上的成功率，那么這項(xiàng)技術(shù)將具備廣闊的商業(yè)應(yīng)用前景。這便是一個(gè)具體、可量化且完全獨(dú)立于具體技術(shù)方法之外的「目標(biāo)驅(qū)動型」里程碑。

此外，正如我此前的經(jīng)驗(yàn)所印證的那樣：在科研工作中，若能確立既具體又充滿雄心的目標(biāo)，往往能起到事半功倍的效果：它將成為一個(gè)強(qiáng)有力的跳板，引領(lǐng)研究工作向更廣闊的領(lǐng)域拓展。

奇妙的是，這種做法往往比單純選擇某種「看似能解決各類問題」的技術(shù)方法要有效得多。一個(gè)典型的例證便是：最早問世的多模態(tài)語言模型之一，其最初的研發(fā)初衷正是為了服務(wù)于一項(xiàng)特定的機(jī)器人技術(shù)目標(biāo)。然而，在隨后的評估測試中，該模型卻在醫(yī)療診斷等一系列基準(zhǔn)測試中展現(xiàn)出了卓越的性能。

這一成果的誕生，正是源于一種「凡是解決問題所需，皆全力以赴」的務(wù)實(shí)心態(tài)，而非那種死守某種特定技術(shù)方法不放的僵化思維。相反，以目標(biāo)為導(dǎo)向能賦予你靈活性，讓你得以考量任何有助于達(dá)成目標(biāo)的方法。

我們究竟能走多遠(yuǎn)？

其次，若僅通過「非此即彼」（or）的問題（例如必須嚴(yán)格在方法 A 和方法 B 之間二選一）來框定機(jī)器學(xué)習(xí)，這種做法是具有局限性的。更深層的真諦在于去追問：「我們究竟能走多遠(yuǎn)？」或者更進(jìn)一步，去對既定目標(biāo)與約束條件建立更為深刻的理解。

人們往往很自然地認(rèn)為，事物必須被歸入特定的類別，或者在多種方法或資源來源中必須「擇其一」而用之。幾乎每一個(gè)學(xué)科都可能陷入這種思維陷阱。舉幾個(gè)貼近現(xiàn)實(shí)的例子：在機(jī)器人學(xué)發(fā)展的早期階段，曾流行著這樣一種觀點(diǎn) —— 研究者必須在「感知」與「控制」這兩大領(lǐng)域中擇一深耕。

又如在 2020 年代初期，許多 AI 公司的產(chǎn)品經(jīng)理曾普遍認(rèn)為，每一個(gè)細(xì)分應(yīng)用場景都注定需要一套專屬的定制模型，卻未能意識到「大規(guī)模協(xié)同訓(xùn)練」（cotraining）所能帶來的巨大收益。

然而，真正值得探究的問題其實(shí)是：在既定的約束條件下，我們究竟能實(shí)現(xiàn)怎樣的突破？我們究竟能走多遠(yuǎn)？而在這些約束條件中，又有哪些是可以被打破或消除的？我們究竟能走得多遠(yuǎn)？舉一個(gè)具體的例子：著名的 Chinchilla 論文正是這種思維理念結(jié)出的碩果，它不僅榮獲了 NeurIPS 大會的「杰出論文獎」，更在工業(yè)界產(chǎn)生了立竿見影的巨大影響。

在絕大多數(shù)情況下，一個(gè)「非此即彼」（or）的問題，往往可以轉(zhuǎn)化為一個(gè)「兼而有之」（and）的問題；隨后，這個(gè)問題又可進(jìn)一步轉(zhuǎn)化為「各類成分應(yīng)各占多少比例」的配比問題；最終，它將升華為一個(gè)關(guān)于宏大目標(biāo)與核心約束條件的深層探究。

在過去兩年間，我們正是秉持著這一理念，對自身的訓(xùn)練方法進(jìn)行了持續(xù)的迭代與優(yōu)化。在過去一年多的時(shí)間里，我們一直在積極嘗試融合來自不同領(lǐng)域的思想 —— 涵蓋了所謂的「視覺語言動作模型」（VLA）、「世界模型」（World Models），乃至更為前沿的探索方向。當(dāng)一個(gè)模型所融合的跨學(xué)科能力越豐富，將其強(qiáng)行歸入某一特定類別也就越發(fā)困難。

歸根結(jié)底，真正具有決定性意義的唯有一點(diǎn)：它究竟能帶我們走多遠(yuǎn)？

視覺-語言模型只是一根「拐杖」？

第三，供給側(cè)將會發(fā)生變化。你不僅要考量當(dāng)前的制約因素，更要思考這些制約因素將如何不可避免地發(fā)生演變。制約因素變化得越快，這一點(diǎn)就顯得愈發(fā)重要。

有人指出，當(dāng)前的一個(gè)制約因素在于機(jī)器人領(lǐng)域的數(shù)據(jù)量尚不充裕。但這并非一種具有長遠(yuǎn)眼光的觀點(diǎn)。如今，隨著我們掌握了超過 50 萬小時(shí)的物理交互數(shù)據(jù)，我們已能夠擺脫這一制約，去探索更深層的問題。

同理，將「視覺 - 語言」訓(xùn)練引入機(jī)器人領(lǐng)域，其背后的一大動因正是因?yàn)闄C(jī)器人領(lǐng)域自身的數(shù)據(jù)積累尚顯不足。因此，從某種意義上講，在機(jī)器人數(shù)據(jù)尚未充裕的過渡期內(nèi)，所有的「視覺 - 語言」訓(xùn)練都可以被視為一種有益的「拐杖」。誠然，世間現(xiàn)存的視頻數(shù)據(jù)（以字節(jié)計(jì)）確實(shí)遠(yuǎn)多于語言數(shù)據(jù)，但歸根結(jié)底，它依然只是一根「拐杖」。那么，當(dāng)不再需要這根「拐杖」時(shí)，下一步該走向何方？屆時(shí)，你還會想要依賴這根「拐杖」嗎？

邁向物理 AGI

目標(biāo)的力量遠(yuǎn)勝于具體的方法；我們應(yīng)當(dāng)在既定的制約條件下尋求最優(yōu)解，而非局限于既有的類別劃分中去「選賽道」；況且，這些制約因素本身也是注定會發(fā)生變化的。

自 Generalist 成立之初，我們便始終致力于對一切進(jìn)行徹底的重構(gòu)與反思，旨在推動具身通用人工智能（Physical AGI）的實(shí)現(xiàn)。正是基于這一理念，我們打造出了 GEN-1—— 這是一個(gè)完全從零開始訓(xùn)練的模型，其訓(xùn)練所依據(jù)的正是我們所擁有的（亦是全球規(guī)模最大的）物理交互數(shù)據(jù)集。無論是模型的架構(gòu)設(shè)計(jì)、訓(xùn)練流程，還是推理執(zhí)行機(jī)制，其每一個(gè)環(huán)節(jié)都經(jīng)過了精心設(shè)計(jì)與反復(fù)迭代；在這一過程中，我們完全擺脫了那些由他人出于不同目的而預(yù)設(shè)的決策框架所帶來的束縛。

我們已向世人展示了該模型所具備的驚人潛能 —— 從機(jī)器人領(lǐng)域的 Scaling Laws，到僅需數(shù)小時(shí)便能泛化適應(yīng)全新環(huán)境與具身形態(tài)的能力，再到通過大規(guī)模預(yù)訓(xùn)練所涌現(xiàn)出的即興智能…… 而這一切，僅僅是一個(gè)開端。

參考內(nèi)容：

https://x.com/peteflorence/status/2041529286562402804