英伟达机器人负责人放话：VLA已死，遥操将亡！具身智能迎来范式革命？

导语：Jim Fan连开两场“葬礼”：VLA已死，遥操作将亡。机器人正全面复刻LLM路线，World Action Models登场。

在今年的红杉AI Ascent 2026上，英伟达机器人方向负责人Jim Fan用20分钟连开两场“葬礼”：一场为统治具身智能三年的VLA（视觉-语言-动作模型），另一场为被寄予厚望多年的遥操作。他宣告旧范式已死，新范式当立，并毫不掩饰地表示，机器人正全面复刻大语言模型（LLM）的成功路径。

从GPT到机器人：一场“大平行”运动

Jim Fan首先回顾了自己与黄仁勋的初次相遇——2016年夏，那台改变人工智能历史的DGX-1被赠予OpenAI，托盘上签满了名字。彼时，没有人想到深度学习的信仰会如此迅速地改变世界。

他引用了Ilya Sutskever的名言：“如果你相信深度学习，那它也会相信你。” 随后的六年里，语言模型经历了三次关键突破：2020年GPT-3的预训练（学习语法、结构），2022年InstructGPT的监督微调与强化学习（校准任务执行），直至2026年的自动化研究（autoresearch），形成完整的正向循环。Jim Fan毫不掩饰对语言模型团队的羡慕，“他们正在极速开发AGI，将路上的创造称为‘神话’”。

于是，他牵起了所谓“大平行”（Great Parallel）——将语言模型的成功策略完全移植到物理世界：预训练不再模拟字符串，而是模拟物理世界的下一个状态；随后通过动作微调校准对真实机器人有价值的部分；最后用强化学习跑完最后一里路。

VLA的葬礼：世界动作模型WAM登场

过去三年，VLA模型（如RT-2、Pi、Gr00t）几乎统治了具身智能。它们的典型设计是：在视觉语言模型（VLM）之上添加动作头，大部分参数服务于语言，视觉和动作沦为二等公民。Jim Fan称之为“头重脚轻”——擅长编码知识和名词，却在物理和动词上表现不足。他举了RT-2原论文的例子：将可乐移动到泰勒·斯威夫特的照片上，机器人从未见过她却能泛化，“但这并不是我们想要的预训练能力”。

另一条伪范式则是AI视频生成模型。虽然它们常沦为“AI垃圾”（如猫咪弹班卓琴），但Jim Fan指出，这些模型在内部学会了模拟下一个世界状态：重力、浮力、光照、反射、折射等物理规律随着大规模像素预测而自发涌现。他以Veo-3为例，模型不仅能前向模拟物体的物理行为，甚至学会了“如果你没在看，几何就是可选的”——被戏称为“物理垃圾”。

关键在于如何让这些世界模型变得有用。英伟达的答案是Dream Zero——一种全新的策略模型。它先“梦”到未来几秒可能发生的场景，再据此产生动作。机器人运动控制信号本质上与像素一样，是连续的高维数据流，因此Dream Zero可以同时解码未来状态和下一步动作。更惊人的是，它能零样本泛化到训练中从未见过的新任务；执行时，机器人甚至可以“可视化”它在想什么：视频预测正确时动作通常正确，视频开始幻觉时动作就会失败。

Jim Fan将这类模型命名为World Action Models（WAM，世界动作模型），并宣布：“VLA已死，WAM当立。” 他认为Dream Zero当前的能力类似GPT-2——虽不完美，但总能先抓住动作的大致“形状”，为机器人迈向开放式、开放词汇提示奠定了第一步。

遥操作的终局：从遥操到人类传感器数据

转向数据策略时，Jim Fan展示了一张照片：英伟达首席科学家Bill Dally正在亲手操作遥操设备。考虑到他的薪水，这可能是“整个数据集里成本最高的一条轨迹”。过去三年，遥操作统治了机器人数据生产——VR头显、低延迟串流系统、形似中世纪刑具的复杂设备，行业砸下重金，也承受了巨大痛苦。但遥操的数据产能存在物理极限，一台机器一天理论上最多24小时，现实中稳定采集3小时已是庆幸。

出路何在？英伟达提出了UMI（Universal Manipulation Interface，通用操作接口），直接将人手作为操作器。更重要的是，Jim Fan预言，未来一到两年，遥操在数据中的占比将降至忽略不计，机器人数据的主食将变为第一视角人类视频——他称之为“Sensorized Human Data”（人类传感器数据）。因为人类第一视角视频成功揭示了机器人领域的scaling law，英伟达将彻底押注这一范式。

机器人科技树的三个成就

演讲末尾，Jim Fan勾勒出机器人终局之战余下的三个科技树成就：

• 物理图灵测试（2-3年内）：在物理交互中达到与人类无法区分的水平。
• Physical API：让机器人能够像调用软件API一样组合物理技能。
• Physical Auto Research：机器人自主进行物理实验和技能发现，最终实现自动化研究。

他预计，这三个成就将在2040年之前全部点亮，从而彻底实现“机器人联盟”的终局之战。

正如Andrej Karpathy所言，所有付出都在向最终目标冲刺。只是这一次，Jim Fan和他的团队选择让机器人复刻语言模型的路径，并用一场酣畅淋漓的演讲宣告：旧神已死，新神当立。