机器人为啥困在Demo？讯飞新公司爻方智能给出答案：缺一味「本体认知」

机器人为啥困在Demo？讯飞新公司爻方智能给出答案：缺一味「本体认知」

VLA不是终局

逛过WAIC具身智能展区的人，多半有同一个疑问：

都2026年了，机器人干活，怎么还是慢吞吞的？

转头一讨论，大家默认的答案是：技术不行，快不了。

但一位刚成立机器人公司的负责人，给出了一个扎心得多的解释：

不是不能快，是怕出错。速度是可以调快的，调快以后出错概率就会增加，给别人演示的时候就会掉链子。

原来，展台上的慢，是主动调低的安全档。

而不敢调快的根源，正是行业如今热议的「大脑」：机器人的大脑，还没跨过实用门槛。

换个环境、换个物体，动作就开始变形，所以很多展示只能停留在Demo层面，在精心布置的场景里小心完成。

说这话的人叫潘嘉，国家科技进步一等奖主要完成人、科大讯飞杰出科学家、具身智能前沿科学带头人。

就在WAIC 2026开幕前，科大讯飞悄悄注册了一家新公司：安徽爻方智能科技有限公司，注册资本3亿元，由潘嘉带队，专攻的正是机器人大脑。

同期，团队联合中国科学技术大学、聆动通用机器人交出了一篇技术报告：iFLYTEK-Embodied-Omni。

报告很厚，判断却很短：

现在主流的机器人大脑，造法就不对。

VLA不是终局，世界模型还需补上「本体认知」这一环

总结下来，爻方的思路可以概括成这样两点：

第一，VLA不是终局。这个当下最热的路线，天花板在哪还没人验证过，但理论上的短板，已经摆在了明面上。

第二，接棒VLA的世界模型，也有可以完善的空间，比如「本体认知」这味关键药引子。

要理解这两点，不妨来完整看一下整个行业围绕「大脑」的这场激烈争夺。

为什么大家都在争「大脑」？这背后其实是一个逐渐成型的共识：具身智能真正的瓶颈，从来不在身体，在大脑。

原因很简单，交互方式变了。

过去几十年，人机交互停在离身的符号层面。你说话它识别，你打字它应答，始终隔着一块屏幕。

而具身交互要的是另一件事：机器人得用身体走进物理世界。

倒一杯水，它就得知道壶有多重、水会怎么流、洒了怎么办。每一个动作背后，都是对物理规律的理解和推演。

这不是能力的线性延伸，是一次底层跃迁。

而承担这次跃迁的，只能是大脑。身体的关节、电机、灵巧手，供应链一年比一年成熟；但让身体知道该做什么、会发生什么的那颗大脑，还没造好。

瓶颈在此，战场也自然在此。

至于这颗「大脑」怎么造？行业的分歧，集中在两件事上：用什么架构，和拿什么数据喂。

先说架构之争。

很长一段时间里，VLA都是绝对主流。它直接将视觉和语言映射为动作，见效快、门槛低，所以一时备受追捧。

但VLA的软肋也越来越明显：

它更像一个「即时反应系统」，只管现在怎么做，不管做完之后世界会变成什么样。

就好比在路上开车，看到红灯它确实知道踩刹车，但它预判不到雨天路滑、这一脚下去车会打滑失控。

只对当下做反应，不对后果做推演——这就是「VLA不是终局」这一判断的根本原因。

△图片由AI生成

正是看到了这一点，世界模型接棒火了起来。其逻辑在于：

先预测未来画面，再从画面推出动作，让机器人也学会「先想后动」。

英伟达把这条路的招牌「Physical AI」喊成了年度关键词，各家世界模型在榜单上轮番刷榜，行业开始集体从VLA迁向WAM（World Action Model）。

看上去方向是对了，但爻方认为：这里面还藏着两个坑。