2026 年，具身智能领域技术路线呈现多元并存态势：视觉 - 语言 - 动作模型（VLA）未退场，世界动作模型（WAM）加速落地，二者尚未形成替代关系，而是走向融合演进。行业共识明确，物理 AI 基座模型远未抵达架构定局阶段。

VLA 采用 " 感知 - 动作 " 直接映射架构，输入视觉图像与语言指令后直接输出动作指令，无中间推演环节。该架构具备强语义理解能力、任务 Grounding 能力及粗粒度规划能力，推理效率高、延迟低，适配机器人实时控制需求。智元机器人已推出 GO-1 与 GO-2 基座模型，其中 GO-2 引入动作思维链，解决规划到执行的衔接问题；GO-3 预计于 2026 年底发布。

但 VLA 存在明显短板：因跳过环境认知建模，面对训练数据未覆盖的新场景或新任务时泛化能力显著下降；缺乏对物理世界因果规律的内在建模，难以完成需高安全性与长程规划的复杂任务。清华大学计算机系副研究员苏航在 WAIC 2026 同期论坛指出，传统 VLA 模型易出现性能退化问题。

相较之下，WAM 采用 " 推演式 " 逻辑：不直接输出动作，而是先预测执行动作后世界状态的视觉画面，再据此反推应采取的动作。该架构具备三大优势：长程任务规划能力更强，支持 " 近处精细、远处粗略 " 的分层控制；鲁棒性更优，通过 " 预测 - 验证 " 机制实现异常检测与策略自纠；对互联网视频数据利用率更高，有望降低对高成本真机示教数据的依赖。

然而 WAM 亦有局限：语义理解能力弱于 VLA，对复杂自然语言指令的跟随性不足；因需预演物理状态，推理算力开销大，对端侧芯片算力与带宽提出更高要求。智元已推出支持记忆的 GE-Act 模型及实现 Goal-to-Action 闭环的 Act2Goal 模型，后者完成从未来预测到机器人闭环控制的关键跨越。

技术本质层面，VLA 与 WAM 并非同一维度替代关系，而是分别对应具身智能的两类核心能力：VLA 侧重认知与语义理解，WAM 侧重物理推演与运动控制，能力边界清晰。智平方创始人郭彦东指出，二者是深度融合、整合共生关系；智元提出 World Reasoning Action Model（WRAM），融合任务理解、未来推演、策略评估与动作实施全流程。

企业实践路径呈现差异化适配：π（Physical Intelligence）在 VLA 基础上嵌入未来视觉子目标生成模块，用世界模型生成目标画面，再由 VLA 输出动作，兼顾语义对齐与长程规划；Dyna Robotics 转向 WAM 主因落地需求驱动，强调特定场景下的成功率与持续作业能力；腾讯采用分层架构 Apexio，划分为上层认知系统、中层感知行动系统与底层肢体反应系统，VLA 与 WAM 作为不同层级工具协同运行，并已发布 Hy-Embodied-VLM-1.0、Hy-Embodied-RxBrain-1.0 及 Hy-Embodied-VLA-0.5 三类模型，在导购导览、养老服务等真实工业场景完成落地验证。

除 VLA 与 WAM 主线外，类脑智能成为第三条重要路径。具脑磐石提出 Bi-VLA 与 Bi-Agent 底座，构建 EBKernel Brain 脑启发具身大脑，支持 " 一脑多机 " 与 " 一脑多形 "；智平方发布 NeuroVLA 系统，采用 " 大脑皮层—小脑—脊髓 " 三层类脑架构，大脑皮层负责语义理解与任务规划，小脑协调高频运动，脊髓执行毫秒级安全反射，已搭载于 AlphaBot 2 机器人并在 WAIC 2026 展示 PCB 上下料等连续工业动作。

行业尚未收敛至统一架构，根本原因在于物理世界复杂度远超数字世界：三维连续、变量不可穷举、扰动不可预测；端侧算力受限，当前先进芯片仅支持 50 亿至 100 亿参数模型、运行频率约 10 赫兹，倒逼端云协同与分层控制成为必然；应用场景高度碎片化，工业制造、家庭服务、仓储物流等对精度、速度、成本与泛化性要求差异巨大，单一模型无法通吃所有场景。

多元路线并行被视为赛道成熟的标志：行业已从概念论证、演示比拼阶段，进入技术深耕与落地验证阶段。所有技术路线的价值最终须经真实场景检验——当机器人能稳定、低成本解决具体物理世界问题时，路线之争方得终局。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。