专题演讲嘉宾：隋伟 博士

传统的具身智能操作方法将视觉感知、语言理解和动作规划分割为独立模块，导致系统复杂、误差易累积且泛化能力不足。视觉语言动作模型（VLA）则实现了从多模态感知到动作生成的端到端学习，构建了 “所见即所动” 的智能决策闭环，极大地推动了具身智能发展。​

然而视觉语言动作模型本身也存在诸多挑战，例如训练数据难以获取、模型结构缺少长时序和物理逻辑推理的能力。这意味着 VLA 虽然能实现一些操作功能但是对不同场景、不同任务的泛化性仍然存在挑战，无法满足实际的需求。

本次演讲主要分享 VLA 技术的基本原理和机制，以及在落地过程中涉及到的数据、评测等问题， 从而提升 VLA 的性能和易用性。

演讲提纲

1. 具身智能 VLA 的现状及挑战

• VLA 是什么，用来解决什么问题及 VLA 的业界发展现状
• 分层式 VLA 和端到端 VLA 的路线
• VLA 的挑战：模型场景泛化性、任务泛化性和本体泛化性弱，VLA 模型数据获取困难，对算力要求大

2. 分层式 VLA 架构

• 模型架构
• 分模块功能及原理

3. VLA 的数据方案

• 仿真数据的获取方式
• 遥操采集及数据预处理

4. VLA 的量化部署

• 模型优化
• 模型量化

您认为，这样的技术在实践过程中有哪些痛点？

• 如何设计合理的、符合需求的 VLA 模型，让模型具备一定的泛化和迁移能力
• 如何获取高质量的 VLA 数据
• VLA 在边缘侧的高效运行

演讲亮点

• 从实用的角度，详细介绍 VLA 的技术原理，和影响性能的关键因素
• 对 VLA 中常用的仿真和真机采集两条数据路线进行详细的分析
• 详细介绍 VLA 对端侧算力的需求以及部署的工程实践

听众收益

• 系统了解具身智能领域中 VLA 技术的现状、挑战和发展趋势
• 理解 VLA 的模型技术架构，各个模块的作用
• 理解仿真数据和真机数据的区别和作用
• 获得开发 VLA 的实践思路和工程经验，包括模型设计、数据获取和量化部署