一、什么是端到端——把机器人当作一个“黑箱学徒”端到端就是用一个巨大的神经网络一端输入摄像头拍到的原始像素另一端直接输出电机的电流或关节角度。中间的每一步都是神经网络自己学会的没有人类插手设计。类比你教一个学徒做菜不给他看菜谱步骤直接让他看你炒1000次然后说“这是青椒那是肉丝给我炒一盘青椒肉丝”。学徒凭感觉、经验和肌肉记忆一次性把菜倒进锅里翻炒出锅。所有切菜、放油、火候的判断都在他的直觉里说不清但能做对。训练方式输入是图像输出是动作指令用“模仿学习”或“强化学习”直接优化。典型代表有扩散策略Diffusion Policy它观察人操作然后输出一连串动作序列。优点极其简洁没有人为划分模块带来的信息瓶颈可能学会人类都没想到的巧技能。缺点像个“黑箱”摔了杯子你根本不知道是眼睛没看清、还是手抖了要修正某个错误只能整体重训而且纯粹从0开始学极度缺乏常识。纯端到端就像是让机器人成为一个只靠条件反射的“匠人”。二、什么是纯模块化——把机器人当作“流水线工厂”纯模块化则是传统的机器人学方法。工程师把整个任务人工拆成清晰的三个步骤感知模块识别物体三维位姿构建地图。规划模块根据目标计算出一条无碰撞的运动轨迹。控制模块驱动电机精确跟踪这条轨迹。类比做菜的流水线。一个工人负责洗菜一个负责按图纸切菜一个负责按计时器炒菜互不干扰职责分明。优点每一步都可解释、可调试、可验证。抓空了就知道是感知模块识别错了碰撞了就是规划模块的路径没算好。工业机器人一直都是这么做的。缺点各个模块之间靠人类定义的接口如物体坐标传递信息信息损失巨大。比如感知模块输出“这是一个苹果坐标(x,y,z)”但“苹果是易滑的”“要轻拿”这种语义常识完全丢掉了。而且无论识别出多少个苹果它都不会主动帮人类挑出坏苹果因为“挑坏苹果”这个任务从没被写进规则里。纯模块化就像一个按图纸办事的“熟练工”可靠但僵硬没有常识和变通。三、发展路径的“为什么”从可靠僵硬到灵巧通用一直缺“常识”机器人学走了这样一条路先做模块化因为早期计算能力弱任务简单如工厂抓取固定零件可解释性和安全性至关重要。随着任务变难比如家庭服务需要理解“帮我找到那个红色的、泰勒·斯威夫特照片旁的杯子”模块化就崩溃了。感知模块无法为世界上每个语义概念建模规划模块也无法处理模糊的自然语言目标。于是人们转向端到端希望能从数据里“长”出这些能力。但现实是机器人交互数据极少、极贵纯端到端学出来常常是“脆弱的记忆”换个背景颜色就失败因为它没有学过“背景颜色和抓杯子无关”这个常识。关键转折点来了互联网上存着万亿图文、视频里面冻结了人类的常识、物理直觉和语义推理。于是人们想到为什么不直接把这个封装了常识的“大脑”大语言模型/视觉-语言模型接上机器人的身体呢这就是VLA的诞生动机——既想保留端到端的简洁又想注入模块化所没有的互联网级常识同时还要让常识能够隐式地组织起感知、规划和控制的全过程。四、VLA的“中段”到底做了什么——用语言模型做“隐式模块化”现在我们可以精确理解光谱中间位置的VLA了。VLA在结构上是端到端的输入图像和指令输出动作中间没有“感知模块输出物体列表规划模块输出轨迹”这样的显式步骤。但它的大脑——那个预训练的大语言模型——内部却自然涌现出了类似模块化的行为。隐式感知模型不需要输出“检测到杯子坐标(0.3, 0.5)”但它的注意力机制会在接收图像特征时自动关注到“红色杯子”所在的区域忽略背景。隐式规划当它接到“把苹果放到红碗里”时语言模型内部基于其学到的语言知识和因果链会自然形成“先找到苹果和红碗再移动苹果到碗上方然后放下”这样的任务分解这完全是在潜空间中通过自回归生成动作token时完成的没有显式的规划器。隐式控制输出的动作是连续的末端轨迹但模型能依据语言中的“轻放”“快速滑过去”等程度副词调整动作的速度和力度这源于它对副词的理解而非某个控制律的参数切换。因此VLA处于“光谱中段”的本质是它用一个被常识“赋能”过的巨大端到端模型隐式地完成了原来需要多个手工模块串行完成的工作。它既有端到端的灵活性可处理任意语义指令统一优化又有近似模块化的可解释性潜力我们可以问模型“你为什么动”并分析其注意力图更有了模块化最难获得的——常识。这个发展路径正是“把知识注入进结构”的过程从无结构但缺数据的端到端走向引入常识结构语言模型的隐式模块化端到端最终目标是达到既安全可解释、又灵巧通用的具身智能。