AI 术语表 · 进阶 · 机器人与具身智能
VLA
VLA（Vision-Language-Action，视觉-语言-动作模型）是一种能同时理解摄像头看到的场景和人用语言下达的指令，并直接生成机器人动作的 AI 模型。看、听懂、动手这几件事由一个模型完成。
工作原理
VLA 首先同时接收机器人摄像头画面和“拿起杯子”之类的语言指令。这两者由 VLM（视觉-语言模型）这类能同时理解图像和文字的骨干模型处理，判断当前该做什么。接着，动作输出模块把这种理解转换为具体动作，例如机械臂的关节角度或夹爪开合的指令。机器人稍一移动，场景就会改变，因此它会以很短的间隔反复执行“重新查看新拍到的画面、决定下一个动作”的过程。
为什么重要
以往的机器人需要人为每项任务逐一编写动作，物体位置稍有变化就容易失败。VLA 借用了在互联网规模的文本和图像上预训练的模型的知识，因此对没见过的物体或新的语言指令也能在一定程度上应对。所以它处于用一个通用“大脑”驱动工厂、物流仓库、家用机器人和人形机器人这一尝试的核心。机器人领域的基础模型这一说法，也常在这一趋势下使用。
注意事项
与文本或图像不同，记录机器人实际动作的数据难以收集且成本高，训练数据不足是最大的难题。为弥补这一点，有时会结合使用 Sim-to-Real（先在仿真中练习再迁移到现实）或合成数据。此外，模型越大，决定动作的速度可能越慢，因此在需要快速反应的任务中，常见的结构是与单独的快速控制器分工。演示视频中表现良好的任务在真实现场能否稳定完成，需要另行评估。
示例
机器人公司把 VLA 作为自家机器人的通用大脑来推广。本站报道过的消息中，有一则报道称 Tomorrow Robotics 发布了机器人基础模型“Habilis Brain 0”。这类模型接收摄像头画面和任务指令，用于生成机械臂或人形机器人抓取、搬运物体的动作。目标是让同一个模型广泛适用于多种任务和多种机器人。
本站出现过的地方
- 简报 Tomorrow Robotics 发布机器人基础模型“Habilis Brain 0”（报道） 2026-10-07