intro#

这是一个我关于之后PhD生涯的一个可能研究方向做的一个调研以及RP，是目前最为火热的VLA方向。这个方向其实开始也就是在23年，RT-2的开发。我之前的观点一直是：具身智能是LLM寻找一个落地场景的尝试。但我现在的观点有了一些变化，我认为具身智能也许会比我想的更有前途。首先就是，具身智能发生在一个robotics相对成熟的时代。当然这里只是相对成熟，因为robotics的各项东西我认为距离完全成功还有不小的距离。理论上最好的当然是robotics的各个电机完全理想，我们能够让一台人形/机械臂完全按照运动学的形式去做，但这显然还有距离，不过好在也不远了。

我之前看到有一场很有意思的debate，ICRA的，“data能解决所有事情吗？”这个东西在2026年这个时间点似乎已经是一个很显然的事情，data对model的优势已经是无可质疑的了。但还有一个比较大的问题就是，未来的AGI应该是个什么样的形态？我这里粗暴的把他分成end2end和分层的。很显然机器人学家当然会更喜欢分层的架构，这意味着传统的诸如SLAM之类的依旧有效。但做CV的显然更喜欢end2end的。我对这两派一项是一个墙头草的状态，今天觉得end2end才有泛化性，明天觉得分层才有未来。但我总体来说还是倾向于end2end的，毕竟泛化这个东西，要是分层架构加一点模块就能搞定的话，过去几十年的机器人学家显然白干了。

好了，话说的有点多了，本文主要从VLA的历史，技术和当下情况做一个调研以及简单的研究计划。

历史回顾#