当一个拳手在擂台上一瞬间闪避重拳，靠的是大脑推理，还是肌肉记忆？
——1% 的极端场景，会杀死 100% 的产品
我们先把圈内人人闭口不谈的行业一条暗规，直接摆到台面上：
截至目前，没有任何一个量产的机器人，是纯大模型控制的。
有人开玩笑说，俗称具身智能圈的皇帝新衣：所有人都知道皇帝没穿衣服，但所有人都在夸他的衣服漂亮。
问：怎么现在演示视频一个比一个厉害，量产产品还是一个比一个拉胯？
过去两年，如果你身处自动驾驶或具身智能的研发一线，应该都目睹了一场近乎狂热的迁徙。
VLA模型、扩散策略、端到端模仿学习，正以令人咋舌的速度吞食着传统机器人技术栈的每一层。
在这一背景下，行业内曾经出现了一种强烈的声音：
传统的轨迹规划、模型预测控制（MPC）和底层优化算法已经过时。
未来的智能系统只需要"足够大的模型"和"海量的数据"。
这种声音如此普遍，以至于当时任何试图为传统控制辩护的观点，都容易被贴上“保守” “不懂技术趋势的守旧派”的标签。
然而，当我们深入审视物理世界的严苛约束与长尾场景的安全性挑战时，不禁要问：
大模型真的能取代一切吗？
传统的底层控制是否真的被抛弃了？
所以，我们今天打算来聊聊：传统控制算法在大模型时代的真实生存现状。
本文将结合机器人、自动驾驶等行业最新顶会论文，切实探讨"数据驱动"与"模型驱动"如何走向深度融合。（本文约 6000 字，建议先收藏）
图 | 传统的模块化系统（左）与端到端系统（右）架构对比。端到端架构正试图接管从感知到控制的全流程。©【深蓝具身智能】编译
首先必须承认，传统被挑战绝非偶然。
本文不是要反大模型。大模型在感知、语义理解、任务规划上的价值，毋庸置疑。
但我们也希望厘清一些行业真实现状，而不是一味的推崇那种 “只要模型足够大，就能解决一切问题” 的宗教式狂热。
端到端大模型在处理高维感知数据和复杂语义任务时，展现出了传统模块化架构难以企及的优势。
譬如在自动驾驶领域，传统的模块化流水线（如下图所示）往往面临严重的累积误差问题：前一模块的输出偏差会被逐级放大，最终导致规划层的严重失误。
图 | 传统的自动驾驶模块化流水线。从感知、预测、决策到路径规划和控制，各模块之间的累积误差一直是传统架构的痛点。©【深蓝具身智能】编译
在这样的背景下，VLA一脉的端到端架构，以“切除所有瓶颈”的革命者姿态出现。
端到端架构，比如 DriveVLM。通过将大型视觉语言模型（VLM）引入系统，实现了对复杂交通场景的深度理解与开放词汇识别，并在 nuScenes 等标准测试集上取得了显著优于传统方案的性能。
在机器人领域，诸如 Pi0、RT-2 等基础模型，更是展现了前所未有的跨任务泛化能力和零样本学习能力。
-
2023 年，谷歌 DeepMind 发布的 RT-2 模型：它可以理解 "把那个红色的方块放到蓝色的盒子里，然后把盒子拿到桌子的另一边" 这样复杂的自然语言指令，并在真实世界中准确执行。
-
2024年，特斯拉发布的 FSD v12：“完全抛弃了传统的规划模块”，实现了从摄像头图像直接到方向盘和油门刹车的端到端控制（以正式商用时间计算）。
图 |源于网络：2023年8月26日，马斯克通过直播演示了FSD V12测试版。©【深蓝具身智能】编译
这些里程碑式的成就让整个行业陷入了一种近乎狂热的乐观情绪。
“既然模型能直接输出方向盘转角或电机电流，为什么还需要显式的轨迹规划器？”
“为什么还要解一个耗时的非线性MPC优化问题？”
“数据+损失函数，不就隐式地定义了所有控制律吗？”
但，问题就出在这。
因为，大模型并非万能的"银弹"。
从批判性思维的角度来看，纯粹的数据驱动方法在涉及物理交互的底层控制中，依然面临着难以逾越的挑战：
-
1% 的极端场景，会杀死 100% 的产品。
VLA 模型某种意义上其实是一个统计模型。它的所有能力都来自于训练数据中的常见模式。
对于 99% 的常见场景，它可以表现得非常完美。但对于那 1% 的极端场景，它的行为是完全不可预测的。
你永远无法穷尽所有的极端场景。
物理世界的可能性是无限的，无论你收集了多少数据，总会有你没见过的情况出现。
-
100 毫秒的延迟，就是生与死的距离
模型的推理延迟，是端到端架构绕不开的硬伤。
当下主流 700 亿参数 VLA 模型，车载环境下全链路延迟普遍超 100 毫秒（加上图像预处理和后处理的时间）。
100 毫秒是什么概念？
一辆以100km/h 行驶的汽车，100 毫秒内前行 2.78 米。短短一瞬，车辆便多出近 3 米的制动距离，足以让突发险情无力挽回。
而传统的 MPC 控制器呢？它其实普遍只需要不到 1 毫秒的计算时间。传感器信号抵达的瞬间，最优控制指令同步发出。
没错，一个是百毫秒级的 “思考”，一个是亚毫秒级的 “反应”。
机器人领域也同样如此。
底层控制（如四足机器人的高动态奔跑、人形机器人的平衡维持）通常需要微秒至毫秒级的计算周期（数百至数千赫兹）。目前大模型的推理延迟，基本无法直接驱动这些高动态系统。
-
黑盒困境与安全性保障的缺失。
端到端模型本质上是一个巨大的非线性映射函数，其内部决策过程缺乏可解释性。在面对训练分布之外的长尾场景（Long-tail scenarios）时，模型极易产生不可预测的输出。
对于工业机器人或高速行驶的自动驾驶汽车而言，缺乏确定性的安全边界是致命的。
值得注意的是，2025年发表的一项对 VLA 模型局限性的系统性分析表明，当前主流 VLA 模型在面对分布外（Out-of-Distribution）的场景时，其动作输出的稳定性和可靠性仍然远低于传统控制方法。
-
物理约束的难以满足。
物理世界充满了硬性约束，例如机械臂的关节限位、电机的最大扭矩、以及避免与环境发生碰撞的绝对红线。
大语言模型和视觉模型擅长处理离散的语义符号，但难以直接内化复杂的非线性连续动力学方程。
即便是通过大量数据训练，模型也难以在推理阶段保证对这些约束的严格满足。
如果我们仔细审视今天最前沿的机器人系统，会发现一种远比“取代”更微妙、更强大的结构正在崛起：
大模型负责“意图与语义”，传统控制负责“执行与守护”，它们在不同时间尺度与逻辑层级上的深度共生。
图3 | 传统基于动力学的控制（左）与基于学习的控制（右）在人形机器人上的对比。前者在可解释性、安全约束和计算效率上依然具有不可替代的优势。©【深蓝具身智能】编译
VLA的非凡力量：在于理解场景，识别出那个挥旗的交警、判断出前方路面的坑洼深浅。
模型预测控制（MPC）的核心优势：在于其确定性、可解释性以及对约束的严格处理能力。
通过在有限时间窗口内求解一个受约束的最优化问题，MPC 能够在保证物理安全的前提下，计算出最优的控制序列。这一特性使其在需要高可靠性的工业场景中具有不可替代的地位。
正如业内学者在探讨机器人极高可靠性时所指出的：
在追求 99.9x% 可靠性的工业应用和复杂具身智能场景中，传统控制所提供的理论安全下界是不可替代的。
相比于端到端大模型在跨任务、跨场景上展现出的强泛化能力，传统 MPC 虽然高度依赖精确的数学模型且泛化能力较弱，但它能够严格保证物理硬约束的满足。
-
大模型本质上是一个缺乏可解释性的黑盒，其推理延迟通常在毫秒至秒级，且需要海量的训练数据。
-
而 MPC 则拥有显式的优化目标，具备极高的可解释性，控制频率可达微秒至毫秒级，且在模型有效范围内对长尾场景具有极高的鲁棒性。
图4 | MPC 与强化学习（RL）结合的四种典型架构模式。传统控制正以多种方式与学习算法融合。©【深蓝具身智能】编译
当然，客观公允地说，传统 MPC 长久以来最扎心的短板一目了然：
一方面，对于非结构化环境和复杂的接触动力学，建立精确的数学模型几乎是不可能的。
另一方面，全阶动力学模型的在线求解计算量极大，工程实践中往往不得不采用简化模型（如单刚体模型），这不可避免地牺牲了控制精度和系统的灵活性。
值得警惕的是，业界存在一种过于乐观的倾向：
认为只要数据量足够大，神经网络就能自动学会"遵守"物理约束。
这一假设在低速、低风险的操作任务中或许成立，但在高动态、高风险的场景（如机器人跌倒恢复、紧急制动）中，这种乐观主义可能付出高昂的代价。
真正的未来并非"谁取代谁"，而是数据驱动的灵活性与模型驱动的严谨性走向深度融合。
结合此前2年的顶会工作，我们可以清晰地看到三条主要的融合路径：
路径一：架构解耦——大模型作为高层规划器，MPC 作为底层守门员
最务实且成熟的融合方案是采用分层架构。
大模型（LLM/VLM）负责高维语义理解和长视野（Long-horizon）任务规划，而 MPC 则作为底层执行器，负责将高层意图转化为满足物理约束的电机指令。
各司其职，安全闭环。
图5 | DriveVLM 架构。视觉语言模型负责高层规划，底层依然依赖传统流水线进行高频精确控制。©【深蓝具身智能】编译
在近期的研究 LLMPC（Large Language Model Predictive Control）中，研究人员将 LLM 视为隐式的规划代价函数最小化器。
LLM 根据自然语言指令生成高维度的轨迹约束或参考目标，随后交由 MPC 求解器在底层动力学约束下进行精确跟踪。
图6 | 一种典型的分层架构（PSL）：LLM 负责高层任务分解，运动规划模块负责序列化，底层策略负责具体执行。©【深蓝AI】编译
这一路径的核心洞见在于：大模型和 MPC 在时间尺度上的分工。
大模型工作在秒级的"战略层"，负责理解"做什么"；
MPC 工作在毫秒级的"战术层"，负责精确执行"怎么做"。
这种分工并非妥协，而是对两类技术各自优势的充分发挥。
路径二：模型替代——基于学习的世界模型与 MPC 的结合
针对传统 MPC "建模难"的核心痛点，也有研究开始利用深度学习来构建动力学模型，即：
"世界模型"（World Models）。
踩着 VLA 的行业热度，业内迅速放大世界模型替代手工建模的优势。
图7 | TD-MPC2 架构示意图。在隐空间中学习隐式动力学模型，并在此基础上进行轨迹优化。©【深蓝具身智能】编译
在 ICLR 2024 的工作 TD-MPC2 中，算法通过时序差分学习（Temporal Difference Learning）在隐空间中构建隐式世界模型，并在此基础上进行局部轨迹优化。
这种方法彻底绕开了繁琐的物理参数辨识，同时保留了 MPC 预测未来的核心思想。
实验结果表明，一个 317M 参数的单一智能体能够跨越多种机器人形态和任务域，展现出强大的泛化能力。
然而，这一路径也值得审慎评估：
学习到的世界模型本质上仍是对真实动力学的近似，其外推能力（extrapolation）在分布外场景下同样存在风险。
如何在世界模型的泛化性和安全性之间取得平衡，仍是一个开放性问题。
路径三：算法升级——扩散模型赋能实时采样优化
为了突破传统非线性 MPC 在线求解慢的瓶颈，AI 技术正在直接改造优化算法的内核。
图8 | DIAL-MPC 的核心思想。通过引入扩散模型的退火机制，实现全阶 MPC 的实时采样求解。©【深蓝具身智能】编译
在近期的前沿论文 DIAL-MPC（Diffusion-Inspired Annealing for Legged MPC）中，研究团队创造性地引入了扩散模型（Diffusion Models）的退火思想，提出了一种基于采样的全阶 MPC 框架。
该方法不依赖任何预训练的神经网络策略，直接在全阶动力学模型上进行实时采样优化，实现了四足机器人扭矩级别的实时无训练控制。
在 Unitree Go1 机器人上的实验表明，DIAL-MPC 在多种运动任务上的跟踪误差比标准 MPPI 算法显著降低，并成功完成了传统 MPC 难以实现的高动态运动任务。
这一工作的意义在于：它证明了传统优化算法本身并非瓶颈，瓶颈在于求解策略。
借助 AI 领域的采样思想，传统优化算法的能力边界正在被大幅拓展。
在梳理上述融合趋势的同时，有几个问题值得我们保持清醒：
"融合"是否只是一种过渡形态？
一种观点认为，随着大模型的推理速度持续提升（如专用推理芯片的发展）、模型的物理先验越来越强（如通过物理仿真引擎生成训练数据），未来大模型或许真的能够端到端地处理高频控制。
但另一种观点则认为，物理约束的硬性满足和系统级的安全保证，从根本上需要形式化的方法，而非统计学习。这场争论目前尚无定论。
评估体系的局限性。
当前大量论文在仿真环境（如 MuJoCo、Isaac Gym）中验证融合方法的有效性，而仿真与真实物理世界之间的 Sim-to-Real Gap 依然是一个严峻挑战。在仿真中表现优异的方法，在真实机器人上的表现往往大打折扣。
数据质量与分布的隐患。
世界模型和 VLA 模型的性能高度依赖训练数据的质量和分布。
当前大多数工作使用的是专家演示数据（Expert Demonstrations），而真实世界中的数据往往充满噪声和分布偏移。如何构建高质量、覆盖广泛的训练数据集，是制约这些方法大规模落地的关键瓶颈之一。
所以，回到最初的问题：传统的底层控制被抛弃了吗？
被抛弃的，是那些僵化的、由人类手工编写规则的中间模块；是过去那种“感知-规划-控制”的线性流水线；是那种认为最优轨迹只能来自一成不变的二次型代价函数的旧观念。
大模型时代，传统的底层控制是经历了一场深刻的范式重塑。
单纯迷信"Data is all you need"在涉及复杂物理交互的真实世界中显得过于理想化。
底层控制的灵魂——对稳定性、鲁棒性、约束满足的极致追求，以及基于模型的优化思想——不但没有死，反而因为大模型将系统带入了更开放、更高维的战场，而变得空前重要。
但不可否认，它确实已经从台前的唯一主角，转变为了幕后的定海神针。
未来的通用具身智能系统，或将是一个高度协同的有机体：
以大模型为代表的"大脑"提供认知与泛化，以强化学习和世界模型为核心的"小脑"提供敏捷与适应，而以 MPC 和优化算法为基础的"脊髓和肌肉"则构筑起坚不可摧的安全与物理底座。
[1] Tian, X., et al. (2024). DriveVLM: The Convergence of Autonomous Driving and Large Vision-Language Models. arXiv preprint arXiv:2402.12289.
[2] RL+Control 如何将机器人可靠性逼进99.9x%.
[3] Maher, G. (2025 ). LLMPC: Large Language Model Predictive Control. arXiv preprint arXiv:2501.02486.
[4] Hansen, N., Su, H., & Wang, X. (2024 ). TD-MPC2: Scalable, Robust World Models for Continuous Control. ICLR 2024.
[5] Xue, H., et al. (2024 ). Full-Order Sampling-Based MPC for Torque-Level Locomotion Control via Diffusion-Style Annealing. arXiv preprint arXiv:2409.15610.
[6] Zheng, Y., et al. (2025 ). Limitations of Vision-Language-Action Models: A Critical Analysis. arXiv preprint arXiv:2505.15660.
～【深蓝学院】技术交流群～
?致力于帮助各位朋友「打破隐形的墙」，共建一个更自由、更有深度、更有价值的交流生态社区！在各大企业工作的，可以相互内推，互通有无；在学校读研读博的，可以交流想法，携手合作。
扫码添加阿蓝，选择想要加入的交流群即可
（按照提交顺序邀请，请尽早选择）
?
