具身智能技术文档我看了 3 遍还是没看懂,但这 3 件事我拿到了

今天，是我公开转型具身智能产品经理的第一天。

       我本来打算事以密成，等转成了再说，过程不必给人看。但后来给自己算了一笔账：具身智能产品、智能硬件产品、智能体产品、AI coding 实操，这些课我全都报了。只报不学，钱和时间就都白花了；学完不输出，又很容易变成"感觉自己学会了"。

       所以我把这两件事捆在一起，给自己定了个死线：三个月，把报过的课全部学一遍。

       公众号就是我的自我监督机制，每学完有心得，就写一篇。写得好不好另说，先保证不断更。

       现在关注这个号的人一共 3 个，挺好的。没压力，可以完全按自己的想法写。等哪天人多起来了，我大概还会怀念现在这种想说什么就说什么的日子。

一、昨天的真实体验：看 3 遍，没看懂

       昨天听了"WAM 与 VLA 实战小班课"的第一讲，文档形式。

       说句实话，第一遍我完全是懵的。

       太久没碰代码了。面对这种纯技术文档，每个字都认识，连起来就不知道在讲什么。我前后看了两三遍，技术细节那部分，依然没真正看懂。

       但我没关掉文档。因为就算细节看不懂，里面还是有 3 件事，是我作为产品经理能拿走、也觉得重要的。下面写下来。如果你也是刚转过来、被那些术语拦住的人，这篇或许能当个入口。

二、第一件事：VLA 到底在干什么

       VLA 的全称是 Vision-Language-Action，视觉、语言、动作。

       我自己的理解是，它把"看得见、听得懂、做得出来"这三件事合到了一个模型里。目标就是让具身实体能看得清、听得懂、做得到。

       它由 4 部分组成。我按人体来记：

• 视觉编码器是眼睛，把看到的画面编码成计算机能识别的特征；
• 语言编码器是耳朵，把用户说的指令转成语言 Token；
• 多模态大模型是大脑，把视觉特征和语言 Token 融合，输出动作解码器能控制的动作表示；
• 动作解码器是手，把大脑的决定翻译成关节动作、位姿、夹爪开合，这些机器人真正能执行的东西。

       串起来就一句话：眼睛看到画面，耳朵听到指令，大脑做决策，手去执行。

VLA四模块结构图

      我理解 VLA 真正想解决的，是把过去分开的"感知"和"控制"收进同一个模型。好处是省掉了人为设计的中间接口，代价是模型对数据的要求变得极高。这正好是下一件事。

三、第二件事：现在 VLA 还卡在这 6 个地方

       这是文档里信息密度最高的一段。我按"我自己能不能说清"分成两类讲，说不清的也如实讲。

VLA六大痛点分布

能说清的

1）数据量不足

       这个我最有体感。具身智能真正爆发就是这两年的事，数据积累远远跟不上。文档里有一句话我抄下来了：高质量、多模态的专家数据，是决定 VLA 模型能力的核心资产。模型架构可以抄，数据抄不了。

2）Sim2Real：从仿真到真机的最后一公里

       它的定义我看了两遍才消化，是把仿真环境里训好的算法、模型或策略，迁移到真实物理世界。核心价值是用虚拟环境的低成本、高可控性，去解决仿真和现实之间的差距。

       说白了，模型训完不能直接装上机器人，得先在仿真里跑测试，验证过关了才上真机。有点像在驾校模拟器上练科目二。模拟器里练得再溜，上了真车还是得重新适应一下离合。

Sim2Real路径图

3）模型压缩：让模型塞进机器人的身体里

       机器人本体又大又重，算力和存储都有限，而模型跑起来非常吃容量。所以必须做压缩，才能满足端侧推理低延迟、实时响应的要求。

       这块我认为是产品经理最该盯的。它直接决定一个功能在真机上到底跑不跑得起来。

4）评测：两条腿走路

       目前是仿真评测和真机评测共同组成 VLA 的评测体系。评测不只是打分，它其实在牵引整个行业的方向。你考什么，大家就往哪里使劲。

还没搞懂的

5）强化学习

       文档里说，强化学习是为了解决只靠模仿学习训练出来的 VLA 的三个毛病：累计误差、泛化性差、长程任务表现不理想。

       问题就在这儿，我到现在还没搞明白强化学习和模仿学习的区别。目前的理解大概是，模仿学习是照着专家的示范学，强化学习是自己试错、靠奖励纠偏。对不对，我打算下一讲验证一下。有懂的朋友，也欢迎在评论区给我讲讲。

6）世界模型 & WAM

       这块我特意查了一下，因为一开始我完全不知道 WAM 是什么。

       WAM 是 World Action Model，中文一般叫世界动作模型。它和 VLA 的区别在于，VLA 只负责输出动作，而 WAM 是把"预测未来会发生什么"和"生成动作"这两件事耦合在同一个模型里。容易混的还有纯世界模型，它只做预测、不生成动作。

       这个方向今年热度很高，光 WAM 相关的综述论文就出了好几篇。业内的判断是，2026 年下半年开始，行业正从 VLA 和世界模型各自探索，走向融合。国内也有公司在做这条线。

       这是我目前最想持续跟下去的一个技术方向。

四、第三件事：做具身智能，到底要不要会写代码

       先说结论：学具身智能不需要很强的代码能力，但至少要会两样，基础的 Python，以及会用 AI coding 工具。

       这个结论让我松了一口气。作为产品经理，我不可能去拼算法和工程，但我至少得能看懂模型在干什么，也能自己动手验证一些小想法。

       文档里还引了黄仁勋今年 5 月在卡内基梅隆大学 2026 届毕业典礼上的演讲，他在这场典礼上获授荣誉科学与技术博士学位。有几句话我记了下来。

• 一份工作的"任务"和"使命"是两码事。他举了放射科医生的例子，AI 把看片子这个任务自动化了，但医生照顾病人的使命反而被抬高了。
• AI 不会取代人类的目标，它只会放大人类的能力。
• 答案不是担心未来，而是明智地引导它。

       刚看到的时候，我第一反应也是"又是鸡汤"。但结合自己的处境再想，这是实话。

       我从来没担心过 AI 会取代我。我担心的是，我是不是被留在了原地。AI 既是焦虑的来源，也是解药，关键在你把它当威胁，还是当工具。

       最后

       Flag 立在这儿：每次学习有心得，都写一篇。

       不追求写得多好，只求不断更。三个月后，我们再回来翻这一篇，看看那时候的我，能看懂今天的我多少。

       如果你也在转型，也在啃那些看不懂的东西，评论区聊聊，我们一起往前挪。