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。
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。
Robots need to do more than understand instructions. They need to predict what happens when they act.
Nvidia Vice President of Robotics and Edge AI Deepu Talla explains why vision-language-action models alone aren't enough, and how world foundation models like Cosmos could help robots simulate the consequences of their actions before taking them.
“World foundation models and the action models, ultimately they're all going to be merging together. They need to work together.”
🚀 Watch the full episode of AI Deep Dive: https://thein.fo/4C0UUcZ
本条情报归属 AITOP「模型」核心栏目,重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中,该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线,反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括:Nvidia、Cosmos、VLA、世界模型,读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明:本文原始线索采编自「The Information」(@theinformation),经 AITOP 多维评分管线结构化提炼。截至目前,全网已有 8 家独立信源对该事件进行交叉印证与跟进报道(含 NVIDIA AI、Jim Fan、rohanpaul_ai 等),属于近期高关注度行业信号。