事件专题 ·多源确认

Nvidia 副总裁 Deepu Talla:机器人不能只懂指令,还需预测行动后果

Nvidia 机器人与边缘 AI 副总裁 Deepu Talla 在 The Information 的 AI Deep Dive 节目中提出,仅靠视觉-语言-动作(VLA)模型不足以让机器人可靠行动,因为机器人还需要预测自身动作带来的物理后果。他认为世界基础模型(如 Nvidia 的 Cosmos)可以让机器人在执行动作前先模拟后果,弥补 VLA 模型“理解指令但不理解物理世界”的短板。 Talla 给出的技术路径是把两类模型结合:VLA 负责把语言指令和视觉感知转成动作,世界模型负责在内部推演动作将引发的环境变化。他明确表示“世界基础模型和动作模型最终会融合在一起,它们需要协同工作”。Cosmos 在这一架构中扮演可预测的物理模拟器角色,为机器人提供训练和推理时的前瞻能力。 这番表态明确了 Nvidia 在机器人领域的路线:不是把 VLA 当终点,而是以 Cosmos 为核心构建“感知-预测-行动”闭环。对机器人开发者和企业来说,这意味着训练数据合成、仿真到真实迁移(sim-to-real)可能更多依赖世界模型管线,而非单纯堆 VLA 参数。

当前结论

Nvidia 机器人负责人亲自讲了 VLA 模型的局限:机器人会听指令但不会预判后果,得靠 Cosmos 这类世界模型先模拟再动手。做机器人、具身智能方向的开发者值得听听他的融合路线怎么走。

9 个信源57° AI 热度最后更新 2026/11/21 14:00:35

证据链

9 个信源

冲突核查

现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。