（文/张志峰 编辑/吕栋）

刚刚闭幕的2026世界人工智能大会（WAIC）上，具身智能展区参展企业从去年的80余家增至200余家。展台风向也随之变化：前几年各家比谁的机器人走得稳、跳得高，后来比谁的VLA模型参数大。

而今年，争论的焦点变成了一个更根本的问题：机器人的“大脑”，到底应该长什么样？

先交代背景，VLA即视觉-语言-动作模型（Vision-Language-Action），让机器人把看到的画面和听到的指令直接翻译成动作。2023年以来，它被普遍视为具身智能大脑的标准件，头部公司搭载的几乎都是VLA或其变体。

但这个默认答案在2026年被公开挑战，观察者网根据WAIC观察，将之大致分为三个方向。

路线一：把系统做成大脑

大会开幕前两天，深圳人形机器人公司逐际动力（LimX Dynamics）发布具身大脑系统LimX COSA 0.5，同时放出一段约三分钟的视频：全尺寸人形机器人Oli无远程操控、无剪辑，一镜到底完成取衣、收纳、搬箱、拾物等一整屋家务。

公开报道显示，此前全球仅有Figure AI的全尺寸人形机器人做出过同一量级演示。

逐际动力创始人张巍的逻辑是，“模型只是技能，系统才是真大脑”，COSA把认知、技能和运控拆成三层，VLA只占其中一层。

这一判断并非孤例，分层架构已是目前行业内规模最大的阵营。

Figure AI的自研模型Helix采用双系统架构，慢速系统负责场景理解，以200Hz高频运行的快速系统负责动作执行；英伟达去年3月发布的人形机器人基础模型GR00T N1，直接模仿人类快思考与慢思考的认知分工；同月，北京人形机器人创新中心发布“慧思开物”平台，以具身大脑加具身小脑的架构实现一套软件驱动多种构型的机器人；智源研究院的RoboOS、智元的GO-1、智平方的GOVLA也是分层思路的变体。

VLA没有退出，只是从“大脑”被降级为“器官”。

路线二：一个模型通吃

反对分层的对立阵营同样兵强马壮。

今年3月发布AWE 3.0的它石智航，口号是“不VLA、不仿真、不遥操”，其自研的AWE（AI World Engine，AI世界引擎）用一个统一模型完成感知、决策与动作生成。

对此，它石智航联合创始人兼首席科学家丁文超解释称，VLA处理的只是像素、颜色、轮廓这类视网膜级信息，而对时间、空间、力和环境交互的物理直觉，VLA给不了；他还直言，分层的大小脑是两个不相干的东西凑在一起。

自变量机器人创始人王潜反对分层的理由更偏工程，他在接受媒体采访时表示，分层链路里一个微小错误会被级联放大，层数越多放大越快，因此自变量从成立起就坚持大小脑统一的端到端大模型WALL-A。

海外的Skild AI走的也是用一个通用模型控制所有机器人的路径。

路线三：让场景决定大脑

第三条路线不从架构出发，而从场景倒推。

做无人环卫装备的酷哇科技6月初发布交互式世界动作模型CooWAIM 2.0，让模型在行动前与世界在隐空间里对弈几轮，但刻意只看未来2到3秒。

论文消融实验显示，不推演时规划评分为82.8，推演2秒升至87.3，拉长到4秒只再涨到87.9，边际收益明显收窄。

不预测远期，只看眼前几步，因为环卫车不需要预判十分钟后的街道。

据酷哇介绍，截至2025年，酷哇产品已落地全球50多个城市，累计合同金额约50亿元。

同类的还有仓储和特种场景。

极智嘉在本届WAIC全球首秀人形拣选机器人Gino 1，无需提前建模即可抓取异形、软质、透明包裹，能力边界完全围绕仓库场景设定；有行业观察报道显示，云深处的全天候工业人形机器人DR02已完成变电站实地作业验证并启动商用。

这条路线上的公司不追求理解整个世界，只求大脑在自己的场景里足够好用。

分歧的本质是数据观

三条路线争的是架构，比拼的则是数据。

分层派走真机数据、合成数据与互联网视频的混合配方；统一派押注真人在真实场景中操作的HumanCentric数据，认为遥操作数据撑不起千万小时量级；场景派则依赖数千台在岗机器人每天回流的真实作业经验。

但需要泼冷水的是，三条路线目前都未经过大规模商业验证。

一镜到底的演示是精心布置的考场，单点任务的纪录是极限成绩，2秒推演的优势则被框死再特定场景中。

自动驾驶行业刚刚走过相似的路径，分段式与端到端争了数年，最终分出胜负的不是论文和发布会，而是百万辆车上路跑出来的接管里程。2026年提出了问题，答案写在产线上，而“大脑”的定义权，最终大概率属于把机器人卖出去最多、活的最久的那家公司。