一些开放观点，在深蓝自由理性地探讨

• 当前的主流叙事

高翔表示，当前的主流叙事是这样的：通用 VLA（视觉-语言-动作模型）会复刻大语言模型的成功之路。

数据越多、模型越大、算力越足，能力就越强，最终长出一个“什么都会干”的机器人基座。

比如，π0 / π0.5 那段时间是公认的拐点。据说，当时的数据不过是学校里几个学生采的，你采十段轨迹、我采一百段，拼一个数据集也能学出不错的效果。

这条路看起来已经被验证了，剩下的只是堆资源。

大厂确实是这么干的：采集工人每天十小时戴着头显高强度采数据，数据量翻了十倍不止。听上去，Scaling Law 即将在物理世界重演。

这条路的诱惑在于：一旦走通，赢家通吃。问题恰恰出在"一旦"上。

• 拆掉"更大"的地基

“更大是否就能更强”？我们拆成三个问题来看。

第一问：数据翻了十倍，模型能力真的涨了吗？

“当你的数据集扩大十倍、上百倍以后，模型能力并没有跟着涨，这是我现在看到的点。”

大厂高强度采集的新一代模型，在真机上并没有显著超过一年前的水平。

这不是孤例体感。

今年一项对 1228 篇 VLA 论文的系统分析得出了几乎一致的结论：这个领域自己的诊断，已经从“缺数据”变成了“naive scaling 失效”不同机器人混采的数据甚至产生负迁移，而精选 5% 的子集就能恢复全量数据 85–90% 的性能。

当前 VLA 数据集里的绝大部分「体积」，在做很少的「功」。

第二问：真做通用 VLA，模型得有多大？

这里大家可以来算一笔冷静的账。

能形成商业闭环的 coding 模型，国内两三百 B，国外主流1到1.5 T。而文字是一维推理问题，机器人操作是三维空间里输出高维连续控制——难度上了一个维度，模型至少还得再大一两个数量级。可现在主流 VLA 是 3B–8B，差着三到四个数量级。

按照这么看，意味着可能“就算做，也不是一两年内能收敛的事。”

这直接解释了当下 VLA 的产品化困境：3B 的模型说小不小，塞不进机器人端侧，推理要堆服务器级算力就没法产品化；说大不大，跟 VLM 比，3B 的 VLM 基本没法用，几十 B 的更大模型有人试过，也还没看出明显优势。

卡在中间，两头够不着。

第三问：VLA 本质上是个 BC，它没有 Planning？

VLA 是行为克隆，是反应式的。

比如，“我抓这个瓶子，并不是我认识到这个瓶子、我的任务里要去抓，而是我的训练数据里看到这个瓶子我就伸手。”

高翔做了一个 SLAM 人秒懂的类比：让机器人从 A 点到 B 点，经典方法是建图、列障碍物、跑 A* 搜出一条路；VLA 的做法是录一堆人从 A 走到 B 的轨迹，下次站在 A 附近，就沿着大家轨迹的"均值"走。你并没有规划，你在复读。

坑在于，现实扔给你的往往是从 C 到 D 的问题。语言上看起来相似，都是开箱、做作业，图像和轨迹数据却完全不同。

见过就见过，没见过怎么办？

只能靠茫茫多的数据去覆盖所有任务的可能性。而第一问刚刚说过，数据的边际效益正在衰减。

解决不了这三大问题，那么就意味着：更多的数据救不了一个没有规划能力的范式。

再者，训练信号本身到底怎么样？

loss 下降只说明模型输出的动作跟人越来越像，但人的动作有随机性、不保证最优、更不保证任务成功；而评测依赖的仿真仿真不了"我把瓶子打碎了、把桌子磕倒了"。

训练 loss 与任务成功之间的对齐，至今是个悬案。

至于眼下最当红的世界模型，不少人态度还是中立偏冷的。

“世界模型现在是个挺大的筐，做视频预测的叫世界模型，做 latent dynamics 的叫世界模型，做仿真的也叫——只要你有预测能力，你就可以叫自己世界模型。”

——高翔，智身科技首席科学家

一些人的预测是：这两年应该还会有快速发展，但很可能大家探索着探索着就碰壁了，发现这事儿不该这么做。

说回来，我们避免不了，会聚焦到务实的层面。

“一个大模型解决一切”是被资本叙事提前兑现的技术承诺。

模型的能力确实在涨，这要承认；但它的兑现时间表，比发布会 PPT 上长得多。

在它兑现之前，行业要活下去，要赚钱，要养研发，就必须找到另一条路。

上路之前更重要的是，路标是什么。

现实校验：史雪松给出的行业水位

史雪松则从另一个方向补上了现实校验：他把上一届世界人形机器人运动会的场景赛，当成一次公开的能力体检摆到了现场。

场景赛比的是机器人干活。

餐饮场景里，机器人要听懂“帮我拿一个包子和一个馒头”，自己拿起夹子，从热食柜取出商品放进饭盒，再听“请帮我加热一下包子”，打开微波炉、放入食品、关门、拧到指定时间，到点后开门取出放回饭盒；商超场景里：要自己读购物小票上货架取货，巡视发现缺货位，从补货框取货补齐摆正，还要把放错位置的商品归位——订单、缺货点位、商品位置全部随机；家庭场景更狠：不仅要完成收纳、叠衣服、挂衣服等长程任务，更要能具备抗干扰能力，赛题设置了突然到达的外卖，机器人要能立刻停下手中的工作，取完外卖，再继续之前的工作。

真正值得记下来的不是任务有多难，而是赛事的一个规则细节：允许人工遥操作参赛，但得分打五折。

结果是不少赛项的第一名，只有 150 分封顶的遥操成绩——真正敢全自主完成的队伍极少。

这个数字是整场沙龙里最诚实的市场信号。

它说明：在政府背书、媒体聚焦、头部公司尽遣主力的公开场合，行业对"通用自主能力"的信心，远没有对外宣传的那么足。多数队伍宁可分数减半，也要把人放在回路里。

史雪松还点破了一个被忽略的工程现实：很多头部具身智能公司，今年才开始开发自己的 SLAM 系统；而这届运动会的决赛，有队伍全场没跑起来，原因就是定位飘了——决赛场地是个大体育馆，空旷、天花板高、特征少，是 SLAM 的经典困难场景，而具身公司大多还没遇到过。

承认边界之后，架构就自然清楚了。

史雪松讲得很实在，参赛机器人最难啃的骨头就是上身操作——所有动作都得完全依赖模型自主完成。

为什么操作必须交给模型？理由很硬：软物体、密集摆放的主动接触操作，传统规则方法搞不定。

"你拿一个瓶子的时候，你的手一定会碰到两边的瓶子"

更根本的分野在于，机器人的操作是主动接触，贴着、挤着、碰着去干活，而自动驾驶的整个技术体系建立在"完全避免碰撞"之上，一个是高维空间里的连续博弈，一个是约束空间里的轨迹规划，方法论上根本不是一回事。

“未来的智能要更多靠数据驱动来突破，那就需要一种对模型更友好的方式，来实现机器人自身的定位、空间环境的理解和记忆。他给它起了个名字——Cognitive Mapping。”

——史雪松，银河通用联合创始人

（图源｜银河通用全自主问鼎三项最难场景赛冠军：家庭、餐饮、商超）

其实当天聊到的几个视角，某种程度上都指向同一个时间表：通用能力的兑现还需要时间，而行业必须在当下赚钱。

深蓝具身智能

 

02

路在何方？

• 路标一：把"通用"换成"专一"

众所周知，在一些单任务上，0.1B、200M 的小模型在 LIBERO 这类基准上能做到 95 分以上，跟大厂模型打平。

一个只会干一类事的模型，比如专门拧螺丝的机器人，就只收集各种场景下拧螺丝的数据，能不能训出一个小巧但专一的模型？再配合强化学习，让它在真实部署里越干越快、越干越好？

这个事儿，大家觉得会不会可能是一个相对比较不错的落地做法呢？

因为通用路线，本质上赌的是「覆盖」。用一个足够大的模型把所有任务的可能性都“见”一遍。

专一路线，赌的是「闭环」。在一条窄任务上把数据、模型、部署、收益整个链条转起来。

前者是研究逻辑，后者通常是「资本/市场急切时」的生意逻辑。

当天几位上开放麦的分享者中，也提到了一些“悲观”看法。

开放麦来自北京理工大学的王帅，列了三组行业辩论：

• 人形机器人是比汽车更大的产业，还是下一个"自动驾驶式的泡沫"；

• 每个家庭都有一台机器人，还是家庭恰恰是最后才会成功的场景；

• 机器人数据会形成超级飞轮，还是这个飞轮可能转不起来。

本质上这些问题都在聊一个事情，真正能产生商业价值、能进工厂的，都是专用机器人。一个通用机器人不做任何适应性改造，很难适应工厂环境。

而“生意逻辑”成立的证据，那天不止一处。

以下是几位开放麦的参与者分享的他们的切身经验与思考：

开放麦庞骏翔，北京航空航天大学：他从技术路线上给出了同构的判断。

他把 SLAM 的发展概括为“从 Sparse 到 Dense”：Sparse 路线（ORB-SLAM、VINS-Mono）产业应用已经非常成熟，Dense 路线（3D Gaussian、端到端）更"聪明"但代价不小、局部精度仍有短板。

翻译成商业语言就是：新技术不是处处通吃，每个场景有每个场景的最优解，而"找到那个最优解"本身就是生意。

嘉宾高翔在问答环节还补了一个视角：行业数据是真实的壁垒。

基础模型没见过铁轨、矿区、电厂、风电站的巡检数据，就像语言模型不认识某个被分词器切碎的人名，碰到就乱套。

做得久、数据攒得长的公司，能垄断相对封闭的市场。

这句话几乎就是“专一路线”的商业模式的一种陈述：在一个垂直场景里把数据闭环转起来，别人可能就真进不来了。

专一还不够，还得选对专一的战场。

有观众问 VLN（视觉语言导航）落地有哪些好方案。

我记得，当时高翔的回答是：VLN 尴尬在它要替代的是一个已经很成熟的模块——传统导航接近 100% 的成功率，你的模型方法做不到，商业化就难。你在拿自己的短板去卷别人的长板，卷赢了也是惨胜。

反过来，叠衣服这种“传统方法压根做不了”的任务可能才是蓝海。

做机器人别在存量市场跟传统搬运机器人打价格战——那是个毛利率 10%–20% 的绞肉机；去新兴市场做第一个。

VLA 的优势是泛化和灵巧，是传统方法做不了的事；它的短板是稳定性和成功率，是传统方法已经做到极致的事。

拿 VLA 去打传统模块的存量市场，是用自己的短板换别人的饭碗；拿 VLA 去开传统方法进不了的新兴市场，才是把自己的长板变成定价权。

再加上小模型加 RL 的组合——在选定的窄任务上，模型不需要 300B，0.1B 就够；不需要覆盖所有场景，覆盖这一类就够；数据不需要百万小时，专一场景的积累就构成壁垒；部署不需要服务器级算力，端侧就放得下。

每一个环节，都同时是技术选择和成本选择。

这就是"离钱最近"的完整含义。

一条路能不能走通，最终看有没有人走。

这场沙龙我们不可避免的，聊到了这个最让人踏实的部分。

嘉宾高翔，对就业市场的回答有两个层次。

第一层：“SLAM 研究的人变少了，但 SLAM 的岗位在变多。”

机器人公司一两年内都要面对落地，落地就要面对定位。你很难找到一个业务，客户完全不关心到点成功率、回桩成功率。

第二层更冷峻：完全非数据驱动的传统方法会被持续替代。

给再多数据也不会变好的方法，注定让位于会变好的方法。但那些问题（定位、导航、时空一致性）不会消失，只是解法换了容器。

嘉宾史雪松，则把 SLAM 的新工作列成了几个面。

所有会动的机器人当前可能都离不开 SLAM 加传统导航，至少未来一段时间内，落地主流仍会是 SLAM 加规划。

给 VLA 标数据，真机采数据必须靠 SLAM 提供轨迹真值，尤其现在普遍用手持设备采数据，手持设备没有正运动学，正运动学是你的身体，轨迹真值只能靠 VSLAM 建，这就是为什么去年下半年开始市面上突然大量招聘 VSLAM 工程师；

传感器标定、在线标定、在线语义建图，名字不叫 SLAM，用的全是 SLAM 的技术。

他把这一切的地位总结成一个词：时空基准——有了 SLAM，才有统一的坐标系，才有所有数据统一的表示。

而再往上一层看整个人才结构。

我记忆非常深刻的是，当时高翔举了 OpenAI 和 Anthropic 的例子：千人大模型公司里，真正动手训模型的可能不到十个人。机器人行业还多出一环——把模型变成能交付的解决方案，要经历开发、验证、部署的漫长过程。

围绕大模型，上游的数据和下游的部署需要大量工程人才，需求量远比训模型的人多得多。

开放麦的讲者们用亲身经历给这个话题增加了一些视角。

主持兼开放麦嘉宾石成玉，复盘了一个黑色幽默的周期：

2017 年前后 SLAM 大热、一将难求；随后供给过剩，大家互相劝"能转雷达的转雷达"；等具身智能起来，真值采集、环境重建又全离不开 SLAM。

“结果那帮 SLAM 同学转行之后，转不回来了。”

他们招人时甚至跟 HR 交代：不看之前任何背景，踏实愿意做 SLAM 就来面试。

——石成玉，众擎机器人技术专家

开放麦从自动驾驶转型过来到具身智能的 MiaoDX，几乎是一份这个行业转型者的写实：

“当年毕业，把高博的书读完、Demo 跑完，就能去自驾公司实习；后来你得把 IO 跑通才能面机器人公司；去年你得会跑 VLA，今年你得跑起 World Model——所以还在学校做 SLAM 的同学，赶紧去跑 VLA 和 World Model 的 Demo。”他的建议朴素得近乎扫兴：多认识人，内推能让你少踩很多坑；把 GitHub 用起来，面试贴上自己的 repo 是硬通货。

他自己有个佐证：多年前把 SLAM 十四讲的代码改写成 Python 的仓库，没怎么维护却收获了大量 star；今年他让 Codex 按原码把两本书全部重写了一遍，“该有的都有，我一行都没写。”

嘉宾高翔还回应了那个很多人关心的问题：

能不能让 AI 自动迭代 SLAM 系统，不再需要算法工程师？

他的回答认为：“这有个说法叫 AI 奇点。目前看 AI 做事务性的事可以——解释代码、搭环境、跑通开源项目的门槛确实低了很多——但从头做一个复杂系统还不行。没有一个 AI 能写出一个正常的操作系统内核，或者做一个能上架的完整游戏。”

而石成玉给从业者的建议，与高翔遥相呼应，也适合作为这一节的收尾：

SLAM 是个工具，里面的非线性优化、李群李代数这些数学基本功，跟做 VLA 都是相通的。基本功学好，掌握任何一个方向都会很快。

最后，高翔提到，上一代机器学习走过一个弯路叫特征工程：做车牌检测要设计连通点、断点，做指纹识别要去数指纹上有多少个断点、每个弯上有没有断点。

后来发现这些都不需要，你把原始像素喂进去，它自己能学。

推而广之，SLAM 里哪些东西是人为设计的“糟粕”，哪些是应该留下的“精华”？

他的答案很明确：

运动模型、观测模型、相机的投影、渲染器，这些东西有非常 solid 的数学基础，是“精华”；

而提特征点（ORB、FAST、SURF）、高斯假设（为什么状态变量一定是高斯？），这在他看来是“糟粕”。

那么地图、语义呢？

他不认为语义必须是一个 Label、一个 3D 空间的 Bounding Box，因为大语言模型里的语义就是一个 Token，就是一个高维向量，你不应该给它一个符合人定义的、engineering 出来的东西。

所以长期看来，地图可能就是一个“SLAM Token”，某种高维的数学表示，运算之后可以可视化的结果，但不需要长得像一张给人看的图。

SLAM 的数学内核不会死，死掉的只是那些人为设计的中间表示。

而这恰好呼应了史雪松开场说的“机器人不等于视觉理解 + Action 输出”

模型时代，SLAM 不是退场，可能是从“产品里的组件”变成“系统的时空基准 + 数据的真值来源 + 认知地图的下一站”。

而对于行业创业、从业者而言，研究还是离钱更近是始终会围绕在近几年的问题与思考。

这大概就是“线下”的意义：

你在线上可以刷到无数个“VLA /世界模型终局论”，但你只有坐进一个房间里，看着这些正在交付出真实机器人、在赛场上验证过自主性的人，你才会意识到，行业真正稀缺的，从来不是那些被反复转述的热词，而是能在一个场域里愿意把那些热词拆开、看到底下地基、聊真实行业前景的人。

我们后续会继续办这样的沙龙。每场名额有限，下场见。

声明：本文不能代表深蓝学院/嘉宾/参与者的当前技术观点，仅为本次「SLAM」限定主题下的分享&探讨，供更多业内朋友一同交流。

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）

👇