对话地平线前高管牛建伟：万亿参数大模型才是具身智能的终局，VLA正在走弯路

导语：从地平线到创业，牛建伟带着十年积累杀回具身智能，直言VLA正在走弯路，万亿参数的空间智能大模型才是终局。

具身智能赛道正在经历一场剧烈的地震。一边是智元、自变量等代表的“VLA派”，用视觉-语言-动作端到端模型和海量数据训练机器人叠衣服、抓物体，估值飙至数百亿；另一边是至简动力、维他动力等“智驾降维派”，把自动驾驶的BEV、端到端经验移植到人形机器人上，融资动辄数亿美金。两条路线都指向同一个终点——让机器人自主行动，但都还没跑通。而就在2026年，第三股力量浮出水面：“大模型派”，直接以物理世界GPT的逻辑重塑具身智能。

牛建伟，地平线前智能座舱产品线总经理，带着一支“成建制的大模型团队”杀了回来。他曾搭建百度首个深度学习语音系统，主导国内首个车规级AI芯片+多模态人机交互方案的量产，对多模态大模型和系统落地有近乎偏执的量化认知。2015年余凯邀请他加入地平线，就是为了那个“瓦力”般的机器人梦想。十年后，这个梦想终于有了落地的可能。然而，当他再次审视行业时，却直言：“VLA是弯路。真正的答案，是‘物理世界的GPT’。”

2015年就种下的机器人种子，直到大模型爆发才破土

牛建伟与机器人的渊源早于绝大多数从业者。2012年，他在百度IDL实习时，作为主力搭建了国内第一个基于深度学习的语音识别系统，用9个月时间把深度神经网络模型推上线，支撑了语音搜索和输入法。“那时候叫‘大模型’，其实只有不到0.1B参数，但已经是行业突破。”这段经历让他深刻理解了模型scale与落地之间的鸿沟。2015年加入地平线，正是看中了余凯描绘的机器人蓝图：“地平线创立之初就想做机器人，凯哥拉我入伙负责机器人的人机交互系统。机器人的核心是什么？理解人的意图、执行指令、给予反馈。没有优秀的人机交互，机器人就是聋子哑巴。”

当时地平线的构想很宏大——做“机器人OS+芯片”，办公室里摆着的《机器人总动员》瓦力模型就是他们最早的图腾。但技术现实很快泼了冷水：“花了半年探索，发现做不下来，AI技术还无法支撑一个可用的机器人，本体也不成熟。机器人要听懂话、理解意图、执行任务，这些链条都是断的。”团队随后转向智能汽车，并在18年率先提出“多模态交互”理念，历经三年打磨，最终将地平线首款车规级芯片和行业首个多模态AI方案落地到长安UNI-T车型上，创造了全新AI芯片在汽车行业量产的最快速度记录。那段从0到1的完整经历，让牛建伟形成了一套极为务实的系统观：AI的核心在于对多维度信息的全面深度计算，信息越多，计算越多，价值就越大。

真正的转折发生在大模型爆发之后。牛建伟带着团队探索用大模型通过GUI Agent直接操作手机APP完成下单，那一刻他意识到：“像人一样感知世界、使用工具解决复杂问题的大脑雏形出现了。如果把它放到机器人上呢？正如OpenClaw改变了AI‘只能说、不能做’的现状，我们也要改变机器人‘只能做，不能学’的现状。”在他看来，两个条件已经清晰：第一，若和别人做法一样注定泯然众人；第二，必须具备一个过硬的团队来打造真正的具身“智能大脑”。而他过去十年的积累和身边人的信任，将他推到了创业的节点。

VLA的三大硬伤：小模型、本体绑定、反馈缺失

面对行业主流的VLA路线，牛建伟的批评毫不留情。他指出，VLA（视觉-语言-动作）正在用大模型最不擅长的范式来解决运动控制问题。“大语言模型的根本局限在于离散token化表示——它本质上是文本的概率生成器，而非数值计算器。”一个经典例子是9.9和9.10的比较：由于token化将“9.10”切分为[‘9’, ‘.’, ’10’]，模型会因字符串“10”大于“9”而产生数值幻觉。即便进行三位数乘法，目前最好的大模型也做不到100%准确，主流做法是让模型调用计算工具。而VLA却要求模型将视觉-语言理解直接映射为连续空间中的关节坐标或动作轨迹，这种“语言token→连续数值序列”的转换存在明显的模态错配和信息损失，本质上是“扬短避长”，弱化了大模型真正擅长的任务规划与推理能力。

他进一步拆解了VLA的三个结构性问题。第一，模型太小。常见VLA只有3B-7B参数，根据Scaling Law，数据规模指数级增加时，参数规模也需同比扩大。例如100万小时视频按一秒两帧抽取，就是7.2B张图像帧，用7B模型必然欠拟合。“能够充分学习1000万小时视频数据的模型，参数量要到100B级别，十年内没有端侧芯片能跑下来。”第二，与本体绑定过深。特斯拉Optimus迭代几代硬件差异巨大，每代都要重新采集数据、重新训练，成本高昂且不可持续。第三，缺乏有效的反馈和记忆机制。VLA直接输出动作序列，认知与执行强耦合，无法通过外界反馈纠正错误、持续学习。与之相反，OpenClaw等分层架构可以借助in-context learning实现在线成长。他用小学生叠衣服来比喻：“小学生叠十年衣服，不会变成大学生。VLA能叠衣服，是因为针对这个任务采了大量数据，但换个场景、换个本体，就要重新采。真正智能的机器人应该像大学生一样，看别人叠一遍就会了，而且干什么都行。”

分层架构：万亿参数大脑 + VA小脑，做物理世界的GPT

牛建伟的方案是彻底的分层架构。上层是万亿参数的“空间智能大模型”，充当机器人的大脑，负责任务规划、推理、记忆和工具调用；下层是VA（Vision-to-Action）小模型，参数量仅0.1B-1B，作为手和脚，专精执行基础操作。“大模型擅长推理、任务编排、调用工具，我们的方案就是充分利用这些能力。但现有GPT类模型在空间理解与推理、物理世界任务规划上都有重大欠缺，因为它们都是基于互联网数据训练的，天然缺少物理世界数据。”他计划在数据和训练算法两方面对大模型进行优化，打造一个真正懂物理世界的空间智能大脑。

为什么必须是万亿参数？牛建伟的解释很直接：物理世界的复杂度不比数字世界低，只会更高。GPT处理数字世界需要万亿参数，机器人要理解三维空间关系、物理规律，同样需要这个量级。但创业公司并非从头训练，而是站在巨人肩膀上：“千问、Llama已经开源，技术路线摸清楚了。重新做一个千问要1000亿人民币，我们在开源基础上增加三维世界数据重新训练，可能几十亿就够了。”训练策略上借鉴GPT的成熟范式：预训练阶段加入海量弱标注的三维数据，让大模型习得物理规律的理解；后训练则使用几千小时精标数据，激发任务规划、工具调用和反馈学习的能力。这与VLA需要采集100万甚至1000万小时操作数据的思路截然不同，大幅降低了数据门槛。

下层VA模型则刻意弱化语言部分，让视觉直接驱动动作，以换取低延迟和高效率。“VLA的L（语言）参数量太大，推理慢。我们做到0.XB参数，推理速度更快，延迟更低。”当被问及这样是否会限制能力时，他指出VLA看似灵活，实则受训练数据限制，只能做数据里有的动作，而分层方案中大模型知道“为什么要拿杯子”，VA负责“怎么拿”，即便换成人形机器人用双足、轮臂机器人用轮子，只需调用不同的VA模型，大脑完全复用。这就像自动驾驶的例子——“人会开车，只是我的一个技能而已，机器人也如此，开车只是它的技能之一，它还要做很多通用的事。端到端是单点方案，具身智能是通用问题。”

数据采集狂潮的隐忧：范式错了，采得越多浪费越严重

针对行业内大规模数据采集的热潮，牛建伟表达了审慎的肯定与尖锐的批评。他认为这些努力总体上补充了匮乏的具身数据，但前提是算法范式必须正确。“如果范式错了，采越多越浪费。自动驾驶就是前车之鉴：过去十年技术迭代多次，每次迭代都让之前积累的数据价值弱化甚至不可用。具身的本体和技术方案都在早期阶段，应该从第一性原理出发，从智能的终局来考虑如何采集和标注数据。”他特别指出，目前第一视角数据逐渐成为共识，而过去采集的很多遥操数据价值可能已大打折扣。从他的方案看，将预训练数据与任务特定数据分离是更高效的思路——海量弱标注数据用于构建物理世界基底，少量精标数据用于激发具体技能。

对于投资人追捧智驾背景做VLA是“降维打击”的观点，牛建伟直言这是误判。“VLA可以非常快地实现很好的Demo效果，不管是抓取柔性物品还是执行表演动作集，但最后消费者和B端客户买的不是‘电器’，而是智能体。自动驾驶是单点问题，具身智能是通用问题。要实现L4级自动驾驶，可能也需要站在空间智能的角度，用通用方式解决，就像翻译作为语言大模型的一个子任务被解决了一样。”在他看来，具身智能的三派之争不是简单的路线之争，而是对“智能”本质理解的分野：VLA派试图用数据暴力逼近动作生成，智驾降维派试图迁移单一场景经验，而大模型派则选择先构建能自主学习、能迁移万物的认知大脑。他坚信，这才是通往物理世界GPT的唯一路径。