从“看懂世界”到“预演下一步”：上海加速推进具身智能世界模型与VLA融合落地

封面为AI生成的主题示意图，非新闻现场照片。

在上海张江 AI 创新小镇，具身智能产业正经历从“看懂世界”到“预演下一步”的技术跨越。目前，大动作模型（VLA）已在药房分拣、仓库分拣等场景规模化应用，而世界模型则进入试运营阶段。业内共识认为，VLA 解决机器人“能干”的问题，世界模型解决“想清楚再干”的推演能力，两者的融合已成为行业发展方向。

VLA 技术已跨越单一药房场景，在国地中心“灵龙”系列机器人进驻延锋汽车零部件企业后，成功完成了零件火焰处理、齐套分拣等复杂工位的自主作业。与此同时，针对模型泛化能力的挑战，如货架布局变化或新零件形态适应，行业正通过补充数据与现场调试验证其跨场景迁移能力。

世界模型的核心理念在于构建内部模拟环境以预测未来状态。智元机器人发布的 GE-Act 2.0 模型将“预测未来”与“生成动作”整合，训练数据量从 300 小时扩展至 3 万小时，在陌生场景下的机器人成功率提升约 2.6 倍。浦东企业擎朗智能则探索了将世界模型嵌入 VLA 的融合路径，使人形机器人能在不依赖遥操作的情况下完成咖啡制作等长流程任务。

上海具身智能生态呈现百花齐放的态势，多家企业基于不同技术路线并行验证。大晓机器人利用自研开悟世界模型在加油站便利店进行拣选打包；穹彻智能在全国采集超 10 万小时真实数据以辅助模型训练；而上海人工智能实验室发布的 InternW0-Δ 模型则首次将视觉、力觉与触觉纳入同一架构。

面对多元技术路线，规划与标准的制定正在加速推进。《浦东新区加快推进新型工业化“十五五”规划》明确提出布局“具身大模型+世界模型”融合技术，工信部发布的《国家人形机器人产业标准体系建设指南（2026 版）》也将世界模型标准列为重点，上海市更是将其列为关键技术标准并构建多维度评测体系。

从“会干活”到“靠得住”，检验具身智能的最终标准是其在真实场景中的可靠性。随着 GE-Act 2.0 等新一代模型的推出及各类标准体系的完善，上海正致力于在训练场、门店和产线上同步验证技术落地，推动机器人从被动执行转向具备物理世界推演能力的智能体。