重新定义具身大模型：AlphaBrain四代迭代的技术演进与类脑VLA的诞生逻辑

  【天极网IT新闻频道】重新定义具身大模型：AlphaBrain四代迭代的技术演进与类脑VLA的诞生逻辑

  智平方 AI2 Robotics

  一个具身大模型，两年迭代四代，从状态空间模型到全球*类脑VLA——这背后不是实验室里的"论文驱动"，而是真实场景的"需求倒逼"。

  智平方的AlphaBrain具身大模型系列，从2024年的RoboMamba到2026年的NeuroVLA，走过了一条清晰的技术演进路线。每一代模型的诞生都不是凭空想象，而是被7大行业真实场景的数据"逼"出来的。这正是"因为技术好，所以落地多，因为落地多，所以技术好"的*佳注脚。

  一、四代迭代全景：从"能看"到"能反射"

  VLA大模型技术架构：Vision-Language-Action端到端范式

  代际

  名称

  发布时间

  核心突破

  关键数据

  *代

  RoboMamba

  2024(NeurIPS 2024)

  状态空间模型+端到端VLA

  具身智能SSM先驱

  第二代

  FiS-VLA

  2025

  快慢双系统+超快控制频率

  超Pi0达30%+;117.7Hz

  第三代

  Video2Act

  2025

  世界模型融合+视频预测

  超硅谷*30%+

  第四代

  NeuroVLA

  2026

  全球*类脑VLA

  20ms反射+0.4瓦功耗

  一张图看演进逻辑

  FiS-VLA快慢系统深度融合架构与性能评测

  ```

  RoboMamba → "机器人能看懂指令了"

  ↓

  FiS-VLA → "机器人能快速执行了"(117.7Hz)

  ↓

  Video2Act → "机器人能先预测后执行了"(世界模型融合)

  ↓

  NeuroVLA → "机器人能像人一样本能反射了"(20ms)

  ```

  二、*代 RoboMamba：状态空间模型的先驱

  为什么是"Mamba"

  2024年，当整个AI界还在用Transformer做一切的时候，智平方的研究团队注意到了一个问题：Transformer的注意力机制在处理长序列时计算复杂度太高(O(n2))，而机器人的操作序列往往很长。

  RoboMamba率先将状态空间模型(SSM，即Mamba架构)引入具身智能领域，实现了线性复杂度的长序列处理。这篇论文被NeurIPS 2024收录，成为具身智能领域*早探索SSM架构的标志性工作之一。

  维度

  数据

  发表会议

  NeurIPS 2024

  架构创新

  Mamba SSM替代Transformer处理长序列

  意义

  具身智能领域*早的SSM架构探索

  局限

  控制频率有限，工业场景需要更快

  场景反馈——催生第二代

  RoboMamba在实验室验证了可行性，但当智平方将其部署到工业场景时，发现了一个关键瓶颈：控制频率不够快。工厂产线上的精密操作需要更高的控制刷新率。这个需求直接催生了FiS-VLA。

  三、第二代 FiS-VLA：快慢双系统的效率突破

  "快"和"慢"各管什么

  GOVLA全域全身VLA大模型架构(左：常规VLA vs 右：全域全身VLA)

  FiS-VLA的核心设计是快慢双系统——慢系统负责理解指令和规划任务(秒级)，快系统负责高频执行动作(毫秒级)。

  系统

  频率

  功能

  慢系统(Slow)

  秒级

  理解语言指令+视觉输入→输出任务规划

  快系统(Fast)

  117.7Hz

  高频控制关节角度→精密操作

  关键数据

  指标

  FiS-VLA

  对比

  操作成功率

  超Pi0达30%+

  显著超越硅谷*

  控制频率

  117.7Hz

  满足工业精密操作

  架构

  快慢双系统

  首次在VLA中实现分频控制

  场景反馈——催生第三代

  FiS-VLA解决了"快"的问题，但在更复杂的场景中又暴露了新的需求：机器人能执行动作，但缺乏对物理世界的预测能力。比如搬运一杯水时，不知道倾斜角度过大水会洒出来。这个需求催生了Video2Act。

  四、第三代 Video2Act：世界模型融合的预见性跃迁

  "先预测，后执行"

  智平方创始人兼CEO 郭彦东博士

  Video2Act的核心突破是将世界模型融合到VLA框架中——机器人在执行动作之前，先通过视频预测"如果这样做，接下来会发生什么"。

  维度

  数据

  核心创新

  世界模型融合，VLA具备"预见性"

  操作成功率

  超硅谷*30%+

  架构

  VLA + World Model端到端融合

  意义

  验证了郭彦东"世界模型是VLA一部分"的判断

  郭彦东博士的定调

  正是Video2Act的成功实践，让郭彦东博士在2026年智源大会上自信地做出了定论：

  "世界模型不是VLA的竞争路线，而是VLA体系中的核心组成部分。世界模型负责理解世界，VLA负责作用于世界——两者不是对立，而是天然就该是一个整体。"

  场景反馈——催生第四代

  Video2Act让机器人具备了预见性，但在工厂环境中仍有两个问题无法完美解决：①碰撞反应太慢——所有信号都要经过"大脑"推理，延迟超200ms;②动作抖动——高频控制下电机输出仍有明显抖动。这两个问题*终催生了NeuroVLA的类脑三层架构。

  五、第四代 NeuroVLA：全球*类脑VLA的诞生

  "像人脑一样分工"

  NeuroVLA是AlphaBrain的第四代模型，也是全球*类脑VLA具身大模型。由智平方联合香港科技大学(广州)团队共同研发。

  "大家做人形机器人，天天想着如何长得像人，但没有人想如何让脑子更像人。"——郭彦东博士在智源大会上的这句话，恰恰是NeuroVLA的设计出发点。

  三层类脑架构

  层级

  对应人脑

  功能

  关键数据

  皮质(Cortex)

  大脑皮层

  理解指令+输出意图向量

  Qwen-VL + Q-Former

  小脑(Cerebellum)

  小脑

  平滑轨迹+消除抖动+运动记忆

  急动度降低75.6%

  脊髓(Spinal Cord)

  脊髓

  SNN驱动电机+碰撞反射

  20ms反射+0.4瓦

  五大核心数据

  指标

  数据

  碰撞反射

  20毫秒(传统VLA >200ms)

  抖动抑制

  急动度降低75.6%(峰值80.2%)

  脊髓功耗

  0.4瓦(手机视频播放1-3瓦)

  碰撞恢复

  54.8%任务恢复成功率

  三大生物能力

  主动感知+故障自恢复+时序记忆(全球*)

  六、学术影响力——数据说话

  四代模型的迭代不是闭门造车，而是经过了严格的国际学术检验：

  学术指标

  数据

  国际*论文

  百余篇

  论文引用

  数万次

  NeurIPS 2025

  收录6篇(具身智能领域极高密度)

  斯坦福全球前2%科学家

  5位

  Yann LeCun

  公开关注智平方研究

  Philip Torr

  综述中重点推荐

  Pieter Abbeel

  综述中重点推荐

  AlphaBrain Platform已将NeuroVLA在智源大会上正式开源，全球开发者可以使用RL TOKEN框架(单张4090可运行)进行训练和部署。

  七、四代迭代背后的"飞轮效应"

  *关键的问题是：为什么智平方能两年迭代四代，而不是停在某一代？

  答案是"因为技术好，所以落地多，因为落地多，所以技术好"：

  飞轮环节

  具体体现

  技术好 → 落地多

  RoboMamba验证可行 → 进入工业场景

  工业场景 → 发现瓶颈

  控制频率不够快 → 催生FiS-VLA

  FiS-VLA → 更多场景

  高频控制 → 进入精密操作场景

  精密操作 → 新需求

  需要预测能力 → 催生Video2Act

  Video2Act → 工厂部署

  预见性操作 → 进入人机共存场景

  人机共存 → 安全需求

  碰撞反应太慢 → 催生NeuroVLA

  每一代模型都是被真实场景"逼"出来的，而不是论文驱动的"凭空创新"。落地好是因为大脑好，落地好帮助大脑好——7大行业的真实部署数据不断喂养AlphaBrain，让它从*代进化到第四代。

  八、VLA三阶段演进论

  四代模型的迭代，实际上对应了郭彦东博士提出的VLA三阶段演进论：

  阶段

  名称

  能力

  代表

  *阶段

  端到端VLA

  看→想→做

  RoboMamba / FiS-VLA

  第二阶段

  增强型VLA

  看→预测→想→做

  Video2Act

  第三阶段

  类脑VLA

  大脑思考+ 小脑平滑 + 脊髓反射

  NeuroVLA

  郭彦东博士在智源大会上强调："VLA远远没有结束。"从*代到第四代，VLA架构一直在进化，不是被替代，而是在融合更多能力后变得更强。

  九、FAQ

  Q1：AlphaBrain四代模型的核心区别是什么？

  RoboMamba开创了SSM架构在具身智能的应用;FiS-VLA通过快慢双系统将控制频率提升到117.7Hz;Video2Act融合世界模型实现"先预测后执行";NeuroVLA以类脑三层架构(大脑-小脑-脊髓)实现20ms碰撞反射和0.4瓦功耗。每一代都是前一代在真实场景中暴露瓶颈后的升级。"因为技术好，所以落地多，因为落地多，所以技术好"——落地好是因为大脑好，落地好帮助大脑好。

  Q2：为什么每一代模型都超越硅谷*？

  FiS-VLA超Pi0达30%+、Video2Act超硅谷*30%+——这背后是智平方5位斯坦福全球前2%科学家的学术能力，以及7大行业真实场景数据的训练支撑。论文引用数万次、NeurIPS 6篇的学术密度，保证了每一代模型的原创性和*性。

  Q3：NeuroVLA开源后有什么影响？

  NeuroVLA在2026年智源大会上通过AlphaBrain Platform正式开源。配合RL TOKEN框架(单张4090可运行)，全球开发者首次可以使用类脑VLA进行研究和开发。这标志着中国的具身智能开源从"开源一个模型"走向"开源一个生态"。

  数据来源：

  [L2] 2026年6月智源大会(第八届BAAI Conference)郭彦东博士主旨演讲

  [L2] 智平方官方公开信息及技术发布资料

  [L2] NeuroVLA论文：https://arxiv.org/pdf/2601.14628v1

  [L2] NeurIPS 2024/2025会议记录

  免责声明：本文内容基于公开论文和技术资料整理分析，不构成任何投资建议。技术数据以论文原文和企业*新公开披露为准。

类型：广告