引言
未来，机器人将不仅仅是在屏幕上与我们对话，它们将走进现实世界，与我们共同生活和工作。 这句话不再是科幻小说中的幻想，而是正在逐渐变为现实的科技趋势。随着GPT-4o、Gemini 2.5 Pro等多模态基础模型在对话、代码生成和数学推理等任务中达到甚至超越人类水平，研究者们开始探索如何将这些智能从数字世界延伸至物理空间，实现具身智能（Embodied Intelligence）。在这一前沿领域中，视觉-语言-动作模型（Vision-Language-Action Models，简称VLA）成为了最受关注的研究方向之一。
近日，北京大学-灵初智能联合实验室重磅发布了一份关于VLA模型的全面综述，首次从动作词元化（action tokenization）视角提出了统一理解VLA模型的新框架。这一综述不仅系统分析了八种主流的action token，还探讨了不同动作表示背后的能力支撑和数据扩展策略。本文将带您深入了解VLA技术路线及其未来趋势。
VLA模型的崛起与挑战
多模态基础模型的突破
近年来，多模态基础模型如GPT-4o和Gemini 2.5 Pro在多个领域取得了突破性进展。这些模型不仅能够处理自然语言，还能理解和生成图像、视频等多模态数据。然而，随着技术的不断发展，研究者们开始思考：如何将这些智能从数字世界带入物理空间？
具身智能的探索
具身智能是指将智能系统嵌入到物理实体中，使其能够感知环境并与环境进行互动。VLA模型正是实现具身智能的重要途径。这类模型可以处理通用的视觉和语言输入，并生成实时动作，极大地赋能了机器人系统。
认知碎片化与理解困难
尽管VLA相关研究在近两年爆发式增长，但技术路线的快速演变也导致了认知碎片化与理解上的困难。现有的分类方法如“大脑-小脑”、“快慢系统”、“分层-端到端”等，虽然直觉上清晰，但本质上仍不明确。领域急需一个系统化的分析框架，以梳理研究现状并指明未来方向。
北大-灵初智能联合实验室的突破
动作词元化新框架
北京大学-灵初智能联合实验室在这一背景下，首次提出了从动作词元化（action tokenization）视角理解VLA模型的新框架。这一框架通过分析不同动作表示（action token）的特性，提供了一个统一的视角来理解VLA模型。
八种主流action token
该综述系统分析了八种主流的action token，包括：
- 离散动作标记（Discrete Action Tokens）
- 连续动作标记（Continuous Action Tokens）
- 参数化动作标记（Parameterized Action Tokens）
- 层次化动作标记（Hierarchical Action Tokens）
- 组合动作标记（Compositional Action Tokens）
- 多模态动作标记（Multimodal Action Tokens）
- 条件动作标记（Conditional Action Tokens）
- 目标导向动作标记（Goal-Conditioned Action Tokens）
每种action token都有其独特的优势和适用场景，通过这一分析框架，研究者可以更清晰地理解不同VLA模型的设计思路和实现方法。
动作表示背后的能力支撑
能力支撑
不同的action token背后有着不同的能力支撑。例如，离散动作标记适用于简单、明确的操作任务，而连续动作标记则更适合需要精细控制的场景。参数化动作标记能够处理具有多种参数的复杂任务，而层次化动作标记则能够应对多步骤、多层次的任务。
数据扩展策略
为了更好地支持VLA模型的训练和应用，数据扩展策略也显得尤为重要。该综述探讨了多种数据扩展方法，包括数据增强、数据合成和迁移学习等。这些方法不仅能够增加训练数据的多样性，还能够提高模型的泛化能力。
VLA模型的应用前景
机器人系统
VLA模型在机器人系统中的应用前景广阔。通过结合视觉、语言和动作，机器人可以更好地理解和执行复杂任务。例如，家庭服务机器人可以借助VLA模型进行日常家务的处理，工业机器人则可以在生产线上实现更高效的操作。
人机交互
在人
Views: 0