什麼是 VLA
VLA 是 Vision-Language-Action 的縮寫。它的輸入是攝影機畫面加上一句自然語言指令，例如「把番茄醬放進籃子裡」；輸出則是機器人下一步該怎麼動——手臂的關節角度、夾爪的開合。
過去的機器人，一個任務要工程師手刻一套程式，或訓練一個專用模型，換個場景就得重來。VLA 想做的是「一個模型、多種任務、多種機器人」，成為機器人的通用大腦。
為什麼要用 VLM 當 backbone
關鍵在資料量。網路上有數兆字的文本與數十億張圖片，但機器人操作資料得靠真人遙控機械手臂一筆一筆錄下來，數量少了好幾個量級。從零開始訓練，模型只會死背示範動作，換一個沒看過的杯子就失敗。
而視覺語言模型（VLM）已經在網路規模的資料上，學會了「番茄醬長什麼樣」「紅色的球在左邊」「杯子要抓把手」這類視覺常識與語言理解。VLA 的做法就是直接接手這顆大腦，在後面加上一個「動作專家」，把動作當成另一種要生成的語言來預測。
這樣一來，機器人的泛化能力是從網路資料繼承來的，而不是從稀少的機器人資料硬學。面對沒見過的物體、沒聽過的講法，才有機會做對。
最近的發展
2023 年的 RT-2 首次證明這條路可行，2024 年的 OpenVLA 開源讓學術界也能開始使用。2025 年之後開始走向產品化：Physical Intelligence 的 π0 / π0.5 用 flow matching 生成連續且高頻的動作；NVIDIA GR00T 與 Google Gemini Robotics 則採「快慢雙系統」——慢的 VLM 負責理解與規劃，快的動作專家負責即時控制。
2026 年的幾條主線包括：效率，七十億參數的模型推理速度離即時控制還差一個量級，因此出現大量蒸餾、量化和 token 剪枝的方法；推理，讓模型先「想一步」再動作；資料擴張，例如用數萬小時的人類第一人稱影片做預訓練，並發現靈巧度也存在 scaling law；以及與世界模型結合，讓模型一邊預測接下來會發生什麼，一邊決定要怎麼動。
VLA 還沒解決所有問題：泛化仍然脆弱，真機評估依然昂貴。但方向已經很清楚——把語言模型的成功配方，搬進物理世界。