具身智能的“冰山理论”：VLA是浮在水面上的10%，剩下90%藏在水下
——必要非充分条件
老实说，VLA可能是具身智能里最“不稀缺”的能力了。
在之前的分享中，我们梳理了VLM、VLA以及世界模型的核心原理及最新突破。
毫无疑问，大模型为机器人赋予了强大的语义理解和常识推理能力，是当前最具热度的"大脑"。
然而，如果你在2026年准备投身具身智能算法岗位，或者试图在真实物理世界中落地一台通用机器人，你很快就会发现一个现实：
VLM/VLA只是具身智能的"上层建筑"，整个技术栈远不止于此。
灵巧操作、全身运动控制、数据引擎与仿真、触觉感知……构成具身智能落地不可或缺的技术底座，却恰恰是VLM/VLA力所不及的地方。
今天，我们将目光从"大脑"向下延伸，盘点2026年这四个同样关键、却常被大模型光环掩盖的方向上的代表性进展。
灵巧操作：VLA告诉机器人"抓什么"，但"怎么抓"是另一个问题
不可否认，VLA是具身抓取任务的核心上层模块。它可以精准解析人类语言指令，结合视觉观测输出末端执行器的位姿轨迹，解决了机器人抓取的目标定位与动作指令生成问题。
但，位姿轨迹只是抓取的起点，绝非抓取的终点。
当机器人面对一个异形物体时，多指灵巧手该以什么姿态贴合其表面、施加多大的力、如何在接触过程中动态调整？
这是一个远比"输出抓取位置"更高维度的控制问题。
目前的VLA并不擅长处理。这也是为什么在工业界，灵巧手控制至今仍是一个独立的研究方向，并没有被大模型"顺带解决"。
-
这一方向的代表性进展之一是 DemoFunGrasp（CVPR 2026）。
它的核心思路是将功能性抓取分解为"抓取风格"和"可供性"两个互补组件，通过单次演示编辑重构强化学习问题，让系统能够泛化到未见过的物体和抓取风格组合，而不需要为每种物体单独设计奖励函数。
结合VLM进行上层规划，整个系统在真实世界中实现了自主的指令跟随抓取。
图1 | DemoFunGrasp框架概览，从左至右展示功能性抓取策略（演示编辑强化学习）、策略蒸馏（VLM规划+DiT动作块）及真实世界应用©【深蓝具身智能】编译
-
另一个值得关注的进展是 Dexora（ICRA 2026）。
它直接瞄准了双臂高自由度操作这一更难的问题。支持36自由度（双臂+双手）的开源VLA系统，通过外骨骼背包结合Apple Vision Pro的混合遥操作流水线收集数据，并引入离线判别器对数据质量进行加权训练。
在灵巧任务上，平均成功率达到66.7%，基础任务成功率达到90%，并展现出跨形态的泛化能力。
图2 | Dexora系统概览，展示双臂双手高自由度操作动机（上）、数据集与架构设计（中）及性能与跨形态泛化结果（下）©【深蓝具身智能】编译
灵巧操作解决的是"手怎么动"的问题。但手从来不是孤立的——当机器人需要从A点走到B点再完成操作时，"脚怎么配合手"就成了新的瓶颈。
全身运动控制：手脚协同，人形机器人的真正考验
目前大多数VLA的研究场景，是机器人固定底座、只动手臂。但现实中，从冰箱里取出东西、把重物搬到另一个房间、在拥挤的厨房里穿行……
这种"移动+操作"同时进行的全身协同控制，是当前人形机器人落地的核心瓶颈之一。
问题的复杂性在于：移动和操作的控制频率、动力学特性完全不同，腿部需要高频的平衡控制，手臂需要精细的力控，而两者之间的耦合会产生难以预测的干扰。
-
WholeBodyVLA（ICLR 2026）针对的正是这个数据稀缺的问题。
它提出通过潜在动作模型（LAM）从低成本、无动作标注的第一人称视频中学习全身技能，同时设计了专门面向移动操作的强化学习策略（LMO RL）来保证移动指令的精确执行。
在AgiBot X2人形机器人上，系统能稳定完成跨度超过1.5米的大空间移动操作任务。
图3 | WholeBodyVLA框架架构图，左侧为统一潜在学习模块（LAM），右侧为面向移动操作的LMO强化学习策略，输出上下肢分离的动作指令©【深蓝具身智能】编译
数据来源的问题，还有另一种解法：直接用人类的第一人称视频来训练。
-
EgoHumanoid（RSS 2026）用大量野外人类第一人称演示数据与少量机器人数据协同训练VLA策略。
人类数据覆盖了室外、家庭、超市等多样化场景，远比机器人遥操作数据丰富。通过视角对齐和动作对齐两个核心模块弥合人机形态差异，引入野外人类数据后，系统在未见环境中的泛化性能提升了51%。
图4 | EgoHumanoid框架概览，左侧为野外人类数据（覆盖室外/家庭/超市等多样场景），右侧为受限的机器人数据，通过视角对齐和动作对齐后进行VLA协同训练©【深蓝具身智能】编译
数据引擎与仿真：大模型需要数据，机器人更需要数据
只要VLM/VLA模型架构足够先进，就能实现高性能具身智能？
实际上，VLM/VLA只是数据的「使用者」，而机器人落地需要一套完整的数据生产、提纯、迁移体系。
今年以来，数据引擎和仿真这个方向，受到了越来越多顶级实验室的重视。这也侧面印证了：单靠VLM/VLA无法解决具身智能的落地难题。
目前行业主流突破路径分为两条：
一是在仿真中自动生成大量数据，再迁移到真实世界；
二是让仿真环境尽可能逼真，缩小仿真与现实之间的视觉和物理差距。
-
HumanoidMimicGen 走的是第一条路。
它能够从极少量的源演示出发，通过将单/双臂接触丰富技能与全身移动操作规划交错，自动合成适应新物体位姿、无碰撞的稳定轨迹，实现约1000倍的数据放大。
使用这种合成数据协同训练的全身视觉运动策略，比仅用真实数据训练的性能提升了20%。
图5 | HumanoidMimicGen流程图，展示从单次遥操作仿真演示，经全身规划放大为1000倍数据，最终实现仿真与真实协同训练的完整流程©【深蓝具身智能】编译
-
Re3Sim（ICRA 2026） 则走了第二条路，专注于缩小仿真与现实的视觉鸿沟。
它利用3D重建和神经渲染技术，在物理仿真器中忠实还原真实场景，使仿真图像在几何和外观上都高度接近真实观测。仅使用仿真数据训练的策略，就能实现零样本的Sim-to-Real迁移，平均成功率超过58%，并且仿真中的成功率与真实世界的成功率呈现出强相关性。
图6 | Re3Sim框架概览，(a)多样化操作任务，(b)从真实图像/视频出发经网格重建和视觉渲染生成仿真数据集，(c)仿真与真实观测视觉对比，(d)仿真与真实性能一致性验证©【深蓝具身智能】编译
触觉感知：视觉有盲区，VLM/VLA弥补不了物理交互短板
VLM/VLA依赖视觉输入，但视觉有一个天然的盲区：遮挡。
当机器人的手握住物体时，摄像头往往看不到接触面：不知道抓紧了没有、不知道物体是否在滑动、不知道施加的力是否合适。
对于剥皮、切菜、插U盘、擦白板这类接触丰富的精细操作，纯视觉模型的表现会大幅下降。
触觉传感器能够直接测量接触力、压力分布和滑动信号，是弥补视觉盲区的关键手段。但长期以来，触觉数据的处理方式相对简单，并没有被纳入统一的大模型决策框架。
2026年，这一局面开始改变。
-
Dream-Tac 将触觉感知显式地集成到世界动作模型中。
联合建模动作、未来视觉观察和触觉动态，通过接触门控视觉触觉融合机制，模型能够根据当前接触状态有选择性地整合触觉信号。在剥黄瓜、切香蕉、插U盘等6个接触丰富的操作任务中，相比纯视觉基线，动作准确率平均提升了31.7%，同时在训练和推理速度上也有明显改善。
图7 | Dream-Tac统一触觉世界动作模型，(a)接触信号示例，(b)模型架构（联合建模未来视觉/触觉/动作），(c)与基线的性能对比，(d)六类接触丰富操作任务©【深蓝具身智能】编译
那么，到底该学什么？
回答开篇的问题：做具身智能算法，绝对不止是掌握VLM/VLA就够了。
VLA是入场券，但不是护城河。
如果你正在规划自己的技术路线，以下三个值得重点投入的方向：
-
控制理论与机器人学基础
-
多模态融合感知（触觉、力觉、 proprioception）
-
仿真到现实的迁移能力（Sim-to-Real）
VLM/VLA作为具身智能的「上层大脑」，负责语义理解与粗动作规划；但机器人落地需要的精细灵巧操控、全身手脚协同、数据仿真体系、触觉物理感知，都是完全独立、不可替代的核心技术模块。
未来的具身智能算法工程师，绝不能只局限于大模型调参、主干网络优化。真正的核心竞争力，是打通「语义规划-运动控制-数据引擎-物理感知」的全链路能力。
编辑｜阿豹
审编｜具身君
1.Mao et al., "DemoFunGrasp: Universal Dexterous Functional Grasping via Demonstration-Editing Reinforcement Learning," CVPR 2026.
2.Zong et al., "Dexora: Open-source VLA for High-DoF Bimanual Dexterity," ICRA 2026.
3.Jiang et al., "WholeBodyVLA: Towards Unified Latent VLA for Whole-Body Loco-manipulation Control," ICLR 2026.
4.OpenDriveLab, "EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration," RSS 2026.
5.Mandlekar et al., "HumanoidMimicGen: Data Generation for Loco-Manipulation via Whole-Body Planning,"
6.Xie et al., "Re3Sim: Generating High-Fidelity Simulation Data via 3D-Photorealistic Real-to-Sim for Robotic Manipulation," ICRA 2026.
7."Dream-Tac: A Unified Tactile World Action Model for Contact-Rich Manipulation,"
～【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）
?
