1、世界模型三条路线：VLA负责动作执行，JEPA侧重状态预测。
JEPA（杨立昆路线）：通过隐空间预测未来状态。Meta V-JEPA 2已展示物理预测及机器人规划能力，但复杂物理交互仍待突破。现在比较落地的场景是智驾（速度快，时延低，满足智驾要求）机器人落地的暂时比较少
VLA： 以Google RT、Physical Intelligence π₀、英伟达GR00T等为代表，联合建模视觉、语言和动作。π₀采用Flow Matching实现连续动作生成，公开展示最高约50Hz控制频率。但是时延的问题不适合智驾，但是时延可忍受的场景很适合。
视频世界模型及3D建模：Sora、Seedance、Cosmos侧重环境生成和未来预测； World Labs（李飞飞路线）等侧重三维空间重建。两者可补充机器人训练和空间理解，但不等同于VLA。
整体来看，三条路线并非替代关系，未来更可能走向融合：世界模型负责环境预测，VLA负责动作生成。
2、数据：真正稀缺的是触觉、力矩等物理反馈。
专家估计，单任务VLA训练约需1000小时数据，多任务泛化可能需要上万小时。视觉可以识别物体但难以判断接触力、摩擦、滑移和形变，需要触觉、力觉及关节力矩传感器提供反馈。
数据来源主要包括Ego第一视角、UMI动作采集、机器人动作轨迹及触觉力觉数据。具体比例因任务而异。
映射： 关注Ego/UMI数采设备、机器人数据采集平台及触觉、力觉、力矩传感器。
3、仿真平台：重要训练基础设施但无法替代真实交互。
仿真可提供虚拟场景、合成数据、轨迹训练和模型验证。海外关注英伟达Omniverse、Isaac Sim、Isaac Lab及Cosmos，国内包括光轮智能、51Sim等。但摩擦、接触力、材料形变等物理过程难以完全复现，仍存在Sim-to-Real Gap。
总结： 短期重点关注三条主线：一是触觉、力觉、力矩传感器及数采设备；二是仿真平台及高质量数据服务。三是模型厂商下场做硬件的确相对本体厂商存在一些优势
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。