在 WRC 2026 大会上，星动纪元创始人、CEO 陈建宇给出判断：VLA 靠"模仿"建立的泛化已经走到瓶颈。以视频模型为底座的世界模型，正成为下一代具身智能的核心范式——它不只是 VLA 的增强模块，而是可能替代它的新底座。
过去几年，机器人解决的问题是"如何更精准地执行动作"。焊接、搬运、装配——这些能力都建立在一个前提上：环境、流程和目标已被提前定义，机器人只需要按预设路径完成任务。
但当机器人走进物流、服务甚至家庭，它面对的是从未见过的物体、从未训练过的任务。它能不能理解环境、预测变化，并自己找到完成任务的方法？
一句话回答：模仿只能到达数据的尽头。
陈建宇认为，VLA 的局限不在端到端训练本身，而在它的学习方式。VLA 几乎所有的学习都靠模仿——采集大量人类行为数据，通过模仿形成泛化。这不是真正的理解。
世界模型试图越过这条线。它要构建的是对物理世界运行规律的常识性理解：水杯倒过来水会往下流，这类常识不需要一遍一遍地学。这种理解天然具备更好的泛化性。
学习方式：模仿人类行为数据
智能底座：多模态语言模型
泛化能力：物品级泛化较好，新任务泛化困难
输出：动作
学习方式：理解物理规律 + 预测未来演化
智能底座：视频模型（原始图像/视频/音频）
泛化能力：常识性理解，天然泛化
输出：动作 + 未来世界状态预测
注：对比依据陈建宇 WRC 2026 演讲内容整理。两列并非完全对立——世界模型覆盖了 VLA 的全部功能，并在其之上增加了对物理世界未来演化的预测。
陈建宇把具身大模型的迭代归纳为三个阶段。每一阶段的跃迁，都对应着大模型本身的一次范式升级。
始于 ChatGPT 出现之后。语言模型增强上层推理，下层仍是传统的感知、控制、执行模块。星动纪元在此阶段做出全球首个大语言模型结合人形机器人的学术工作。
GPT-4 把视觉融入统一底座，VLA 在此基础上增加一个动作头，将视觉、语言、动作端到端训练进同一模型。典型如 Google 的 PaLM 系列、RT 系列。星动纪元是 2024 年最早以论文形式公开 VLA 工作的团队之一。
以视频模型为底座，直接处理原始图像、视频、音频——这些数据包含更丰富的物理世界细节。模型不只预测动作，还预测物理世界未来的演化，形成闭环。星动纪元的「世界动作模型」于 2024 年发布，是全球首个融合视频预测与动作预测的方案，比英伟达类似方案早约一年。
注：三个阶段并非严格替代关系。陈建宇表示，世界模型以视频为底座，更适合面向物理世界操作的具身模型——因为物理细节比抽象语言更完整。
模型停在论文里没有意义。陈建宇在现场展示了已经跑通的三类能力。
大脑要产生价值，必须装在一具能进入真实物理世界的身体上。
星动纪元的选择是「全栈自研」四个字——整机、关节模组、机械手，到电机、减速器、驱动器全部自研。目标不是让机器人完成某一个动作，而是让它具备承担更多样任务的能力。这也是人形机器人的硬件路线，正从传统机械设计走向更高自由度整机学习与控制的原因。
仅 1 个自由度，只能把物体夹起来放到另一个地方。
无法做翻转、手内操作等复杂动作。
像人手一样做复杂操作，支持手内姿态变换。
与人类行为数据高度匹配，把数据价值用得更充分。
注：全直驱的好处在于响应极快、因反驱能力带来的抗冲击性强，且稳定性好。舞剑演示的难点在于尺寸大、惯性大，来回翻转难度很高。
技术讨论之外，还有一个更现实的问题：它开始创造商业价值了吗？
陈建宇的答案很直接：从今年开始，具身行业已进入商业化拐点。B 端客户项目已覆盖十余个城市，在各类物流工业场景中常态化运作。
另一条线是平台化：把硬件本体、软件工具链与 API 开放出来，供二次开发者与研究者使用。互联网大厂、汽车主机厂、3C 电子公司、物流公司都有明确需求，生态成果已经初步形成。
陈建宇特别强调了一句——「不仅仅是拍一个 demo」。
VLA 用模仿丈量世界，世界模型用理解丈量世界。具身智能的下半场，胜负手将从「采集了多少动作数据」转向「对物理世界理解有多深」。
但真正决定长期格局的，不是任何单一模型的参数规模——而是「大脑 × 本体 × 场景」三者循环进化的飞轮速度，这比单点突破更难复制。
星动纪元已公开其世界动作模型的演进路径与实机演示。可关注其官方渠道，了解模型进展、产品方案与开发者合作。
关注星动纪元官方渠道 →