当前具身智能领域的VLA技术路线可能存在根本性误解。本文提出了一条全新的技术路径，主张摒弃离散语言和像素级视频流，转而构建基于时空同一性的新信息流，旨在解决模型泛化与交互理解的难题。
智能速览
语言与视频流均不适合描述连续的物理世界
动作编码应独立于世界理解模型，通过简单的MLP实现泛化
模拟器应转向语义级生成，而非像素级，关注物体恒常性
运动应通过特征空间的轨迹表示，而非逐帧处理
现有世界模型因缺乏3D交互理解，难以指导实际操作
精华内容
具身智能的核心在于构建对世界的连续认知，而非简单的图文对齐。
VLA路线的根本缺陷
语言是离散的，无法完美描述连续的世界。视频流虽然包含空间信息，但存在大量冗余，且不同信息的处理需求各异，如颜色无需复杂处理。目前的VLA模型使用错误的信息流作为输入，导致理解偏差，应构建新的信息流并由Transformer处理。
动作与世界的解耦
目前的动作数据收集方式存在误区，动作不应编码在世界理解模型中。正确的做法是先构建强大的世界理解模型，再通过MLP或交叉注意力层简单缝合动作模块。这种方式训练好的模型只需简单微调，即可适配任意机器人，正如人类意识可操作不同机器一样。
语义级生成与恒常性
传统的模拟世界偏向像素级生成，费时费力。应转向基于语义的生成，重点解决物体恒常性问题。虽然DINO解决了局部与整体的关系，但尚未完全解决时空同一性。通过神经网络在隐空间中对恒常性进行编码，是实现时空级别视频理解的关键。
运动特征的新设想
运动的表示应是特征向量在特征空间的轨迹。受大脑波粒二象性处理方式的启发，新的架构应摒弃传统的逐帧或3D卷积处理，探索一种既分割时间段又融合连续性的替代方案，以更高效地处理动态信息。
现有模型的局限性
Gemini、Seeddance及NVIDIA Dream等模型本质上是基于像素的生成模型，容易出现穿模等问题，且缺乏对交互的理解和指导能力。真正的世界模型需要具备3D交互理解能力，而非单纯的3D内容生成。
具身智能的发展或许正处于转折点。重新审视信息流的构建与运动表征方式，有望突破现有技术瓶颈。未来的世界模型能否真正理解物理世界的时空逻辑，值得期待。
