英伟达Jim Fan年度复盘：Vibe Coding大火，机器人领域如何破局？

英伟达机器人业务负责人、GEAR实验室联合负责人Jim Fan近期分享了他对当前机器人领域发展的冷静观察。他指出，目前整个机器人行业仍处于相对混乱的阶段，甚至连技术发展的主流方向都尚未明确，存在走偏的可能性。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

知名科技评论人AK近日也在社交媒体上发布推文，其观点引发了行业媒体的广泛讨论。AK认为，像Vibe Coding这类技术的发展速度令人震惊，其进步之快甚至让他本人也感到焦虑。他进一步表示，如果过去一个月没有紧跟技术发展节奏，那么对软件行业的认知可能已经过时了。

展望2025年，机器人领域的发展图景或许会更趋复杂。英伟达机器人业务负责人、GEAR实验室联合负责人Jim Fan再次表达了他的审慎态度。他强调，机器人领域目前仍处于混沌状态，即便是那些看似明确的发展路径，也未必就是正确的方向。

Jim Fan最近分享了他对机器人领域现状的深度思考，这是他基于2025年的行业观察总结出的三点核心教训。

1. 硬件虽领先于软件，但可靠性问题严重拖累迭代速度

我们已经见证了诸如Optimus, e-Atlas, Figure, Neo, G1等机器人所展现出的精湛工程技艺。

然而现状是，机器人“身体”的物理能力已经超越了其“大脑”的指挥能力。我们虽然在应用最顶尖的AI技术，但并未能将这些前沿硬件的全部潜力充分释放出来。

更为现实的是，照料和维护这些机器人往往需要一整支专业的运营团队。

机器人不像人类，无法在磕碰损伤后自我愈合。过热、电机损坏、离奇的固件问题等故障每天都在困扰着我们。这些错误通常是不可逆的，也是不可原谅的。

Jim Fan不禁感叹：在此过程中，唯一能随着规模增长而同步增加的，恐怕只有研发人员的耐心了。

2. 评测基准(Benchmark)在机器人领域仍是一场灾难

在大型语言模型（LLM）领域，普通从业者通常认为MMLU和SWE-Bench等评测标准是常识。但到了机器人领域？先别急着下结论。

在这里，业界几乎没有对任何事项达成普遍共识：无论是硬件平台的选择、任务本身的定义、评分标准的确立、所使用的仿真器，还是现实世界测试环境的搭建。

每个人都倾向于为每一个新发布的成果临时定义一个基准测试，然后宣称自己达到了SOTA（当前最佳水平）。这就像是从一百次重复试验中，精心挑选出看起来最漂亮的那一次演示。

Jim Fan呼吁：到2026年，我们必须做得更好，停止将科学研究的可复现性和严谨纪律视为次要因素。

3. 基于视觉语言模型(VLM)的VLA路线“感觉不对”

VLA（视觉-语言-动作）模型长期以来一直是构建机器人“大脑”的主流方法。其配方看似简单：取一个预训练好的VLM（视觉语言模型）作为核心，再在上面嫁接一个动作输出模块。

但仔细想想，VLM主要是为应对“视觉问答”这类评测任务而高度优化的模型。

这便引出了两个关键问题：

1. VLM中的绝大多数参数是为服务于语言和知识理解而设，而非为物理世界交互服务的；2. 视觉编码器为了进行高层语义理解（如问答），会主动调整并丢弃大量底层图像细节。

然而对于需要灵巧操作的机器人来说，这些微小的视觉细节恰恰至关重要。

Jim Fan认为，没有理由相信VLA模型的性能会随着VLM参数规模的增加而线性扩展。这种基于VLM的预训练路线可能存在错位。

相比之下，视觉世界模型（Video World Model）似乎是更适合机器人的预训练目标。Jim Fan表示，他个人正将研究重心押注于此。

质疑与回应

针对Jim Fan的这些观点，网友Stewart Alsop提出了尖锐的质疑：

如果视频世界模型是更好的预训练目标，那么为什么像Helix、GR00T N1和π0这些已真正交付成果的模型，依然构建在VLM的骨架之上？

此外，世界模型的方法目前大多只用于策略评估和合成数据，而非直接的运动控制。

另外，既然硬件瓶颈限制了迭代速度，难道这不正说明在解决机器人数据匮乏问题之前，任何预训练路线都面临同样的限制吗？

Jim Fan回应道：

它们都是2025年的模型，我们期待2026年出现下一代更强大的模型。

我个人认为，2026年的行业风向标还要看谷歌。DeepMind显然还在酝酿大招，他们在8月份已经展示过强大的世界模型Genie 3，而Genie 4或许真能让机器人拥有在现实世界连续执行复杂任务的“大脑”。