面向具身智能的视觉—语言—动作模型研究进展

具身智能作为人工智能与机器人学交叉的前沿领域，旨在使智能体通过与物理世界的动态交互来感知、推理并执行任务。然而，传统基于深度学习的级联式感知—控制模型在开放、动态环境下泛化能力不足，且高度依赖大规模标注数据。近年来，视觉—语言—动作模型（vision-language-action models， VLA）通过融合视觉感知、语言理解与动作生成，为具身智能的研究与应用提供了新的推动力。本文系统梳理了基于VLA的具身智能研究进展，从发展历程、模型架构、系统分类、训练与评估等方面展开综述。首先，文章追溯了视觉与语言基础模型的演进脉络，并阐述VLA概念的提出背景；随后，本文深入剖析VLA的关键技术模块，包括视觉编码、语言表征及动作词元化与解码机制；在此基础上，本文引入系统架构分类法，将现有工作归纳为单系统、双系统与层次化三类，并分析其设计权衡与适用场景；此外，本文总结了模型的预训练与后训练策略，并梳理了仿真及真实环境下的主流评测基准；最后，本文分析了VLA在实时推理效率、数据质量、环境泛化性与安全伦理等维度面临的挑战，并展望从被动感知到主动推理、持续学习、场景泛化与可靠部署等未来方向。本文旨在为相关研究者提供系统的技术参考，推动VLA在开放世界具身任务中的理论发展和应用落地。本文提及的算法、数据集和评估指标已汇总至https：//github.com/DefaultRui/vision-language-action-models-for-embodied-AI。