视觉-语言-动作模型（Vision-Language-Action Model，VLA）是把大模型能力延伸到物理世界的关键形态：输入是图像/视频（看）+ 自然语言指令（听），输出直接是机器人的动作序列（动）。它让机器人能听懂“把桌上那个红色杯子收到水池边”这样的模糊人话并直接执行。
技术脉络
VLA 通常以视觉语言模型（VLM）为底座，把动作当作特殊“词元”融入语言模型的生成框架——机器人动作被离散化成 token，模型像生成文字一样生成动作。代表工作与产品：Google RT-2、Figure 与 OpenAI 合作的机器人、π0（Physical Intelligence）、智元的开源 VLA 等。
为什么 2026 年火
纯文本和屏幕内的智能体（Computer Use）已趋成熟，“物理 AI”成为下一个主战场；VLA 让机器人摆脱“每个任务单独编程”的老路，走向通用化。
现实挑战
真机数据昂贵稀缺（远比互联网文本少）、动作精度与安全、长任务拆解、跨机器人本体泛化。世界模型、仿真数据、遥操作采集是当前的三大补充路线。