前阵子的2026世界机器人大会上有个特别有意思的反差：展台上，300余家企业、3000余件展品里的机器人忙着倒水、搬货、干活；展台下，造它们的人忙着吵同一件事——机器人的大脑，到底该先理解世界，还是先学会干活？
今天知乎热榜上也挂着这个问题。我把这一周关于路线之争的报道翻了一遍——中国经营报、腾讯科技、凤凰网科技的都看了，越看越觉得，这场架对普通人来说一点也不远：它就是我们每个人学新东西时都会遇到的那道题——先学理论，还是先上手？
"先干活派"：照猫画虎
主张"先学会干活"的，技术上叫VLA（视觉—语言—动作）模型，过去两年机器人大模型的主流方案。思路很直接：给模型看大量"什么场景对应什么动作"的样本，让它学会从画面直接映射到动作，本质是模仿学习。
效果在静态、受控的场景里确实好：抓一瓶水、桌面搬运，都没问题。但短板同样明显——泛化高度依赖训练分布，分布内接近满分，一旦换成没见过的物品、没见过的场景，性能明显衰减。报道里有个概括很传神：VLA是"照猫画虎"。猫在手边，活干得漂亮；猫一撤，虎就画不出来了。
"先理解派"：三思而后行
另一派认为照猫画虎不够，机器人得先理解世界。这就是最近一年火起来的"世界模型"。大晓机器人董事长、商汤科技联合创始人王晓刚在大会主论坛上说：相较于VLA，世界模型最大的特点是能对世界的未来状态进行生成和预测——一边执行动作，一边在脑子里对"平行空间"里可能出现的各种后果做推理和演绎。报道同样给了个对仗的概括："三思而后行"。
听起来很美，但现实有障碍。机器人面对的是一个有重力、有摩擦、随时会打滑失手的物理世界，而"一件活到底怎么干好"所需的手感、力道和临场反应，从未像文本、图片那样被大规模记录下来。所以世界模型卡在两道关卡上——物理智能和高质量数据，外加功耗、可靠性这些硬约束。一句话：想得美，但"想"的教材还没凑齐。
顺便说一句，这条路线最近动静不小：李飞飞团队9月1日发布了多模态世界模型Atlas，还把世界模型按功能拆成渲染器、模拟器、规划器三类；图灵奖得主杨立昆等人也在8月24日发了新论文。学界业界都在往这压注。
吵了一年，结果是"别吵了"
如果你等着看哪派赢，可能要失望。我翻报道发现，今年大会上的路线争论反而"降温"了：去年展台和论坛上随处可见的VLA招牌，今年明显少了；世界模型虽然接棒走红，但各家定义不一——有生成未来的、有预测因果的、有在潜空间推演的。行业的注意力正从"路线之争"转向"数据之问"：架构说得再好听，最终要靠数据检验。
清华大学计算机系副研究员苏航给了一个被广泛引用的判断：VLA和世界模型并非二选一。质量高、动作和任务标注明确的数据，适合VLA直接建立"感知—语言—动作"的映射；规模更大、来源更广的视频数据，则适合世界模型去学习环境变化与行为结果之间的关系。未来更可能是融合式架构：在不同时间尺度上，结合VLA的动作生成能力与世界模型的状态预测、反馈校正能力。
这不只是嘴上说说。擎朗智能在大会上发布的KOM 3.0，卖点正是融合——机器人在执行动作前，先在内部预演物理结果，然后再动手。先想（理解），后做（干活），两派的路线被装进了同一台身体里。中国电子学会机器人分会主任委员席宁的说法也印证了这个阶段：技术路线仍在"百花齐放"，哪条真正有效，要等实践检验。
你发现没有，人类学东西其实也是这样：先上手的人在重复里长出手感，先读书的人在推演里长出地图，真正的高手都是边干边想、边想边干。机器人和人唯一的区别是，我们的手感天生就长在身体里，而它们的手感得先变成数据。所以行业吵到最后，集体去采数据了——架吵完了，作业才刚开始。
这道题，你也能直接抄答案
为什么值得聊这个？因为"先理解还是先干活"，也是我们面对AI工具时天天在纠结的事：有人囤了一堆课程和教程，非要搞懂原理再动手；有人打开工具就一顿乱试，试完什么也没留下。
机器人行业吵了一整年得出的答案，你可以直接抄：上手干，但动手前留一步"预演"。
具体到用法上就一句话：下次让AI做事，别甩完指令就要结果，先问它"这个任务有哪两种做法，各自的后果是什么"，让它把可能性推演出来，你选定一种，再让它动手。这就是KOM 3.0那套"先内部预演、再执行动作"的工作方式，缩小到你的聊天框里。我平时在 spark1.cn 的AI写作工具（/ai-writer）里就是这么练的：先让它出两版思路，选定一版再展开，比一句话要成稿稳得多。
连最前沿的机器人大脑，都还没想清楚该先理解还是先干活，它们最后的答案是"两个都要"。所以你在"要不要学AI"上纠结的时候，大可从容一点：不用想清楚再动手，边干边想，你就已经和这个行业最先进的思路站在同一边了。
本文素材综合自中国经营报、腾讯科技、凤凰网科技、第一电动网等公开报道。
💬 评论