三大技术路线反映了具身智能在通用认知与物理控制之间的不同权衡：路线一以最小改造代价复用语言模型基础设施，适合快速验证和轻量部署；路线二追求连续、高频、高精度的动作生成，代价是训练与推理算力显著上升；路线三则通过显式解耦保护通用知识，同时让专才控制网络获得平滑且低延迟的动作输出。三者并非简单替代关系，实际选型往往取决于任务精度要求、可用的真机数据规模、开源生态成熟度以及端侧算力预算。

视觉-语言-动作（Vision-Language-Action, VLA）模型代表了机器人技术的范式转变，将视觉感知、自然语言理解和动作控制统一在单一的端到端学习框架中。VLA 模型使机器人能够直接从自然语言指令和视觉观察中学习操作策略，无需显式的中间表示或分离的感知-规划-控制模块。自 2023 年 Google DeepMind 推出 RT-2 以来，VLA 模型在机器人操作任务中展现出强大的

需要具备一定的深度学习知识