2026 具身机器人训练栈全解：从一台 ALOHA 到一个 VLA 的 8 个工程环节
Embodied AI · Engineering Deep Dive · 2026-05
当一个动作要被「学会」时，到底在训什么？
2025-2026 这一年，具身智能进入了一个奇怪的状态：头部公司每个月都在发新模型——Physical Intelligence 的 π0.5[1]、NVIDIA 的 GR00T N1.6[2]、Figure 的 Helix[3]、清华 RDT-2[4]、Stanford OpenVLA-OFT[5]、HuggingFace SmolVLA[6]——但绝大多数从业者只看到论文标题和效果视频，看不到「让机器人学会一个动作」背后的完整工程栈。
这份研报把「让机器人学一个动作」拆成 8 个可观测的工程环节：
判断 1 · 训练范式
「Diffusion Policy vs VLA vs World Model」的分歧已经落定，2026 的主流答案是 VLA。
2023 年的 Diffusion Policy[7]、2024 年下半年的 OpenVLA / Octo、到 2025 年的 π0.5 / Helix / GR00T N1.5——三年里训练范式收敛得非常快。到 2026 年 5 月，头部公司发布的人形机器人 manipulation 模型基本都是 VLA（Vision-Language-Action），且大多数采用「System 2 慢思 + System 1 快控」的双系统结构（Helix S2/S1、GR00T 系列的 VLM + Diffusion Transformer）。
但这不意味着 Diffusion Policy 死了——它退到了 VLA 的 action head 里：π0 系列的 flow matching action expert[1]、GR00T N1.6 的 32 层 diffusion transformer[2]、RDT-2 的 VQ token 化 + autoregressive head[4]，本质都是在把 diffusion / flow / discrete VQ 当成「精细动作生成器」插到大 VLM 后面。
第三条路是 V-JEPA 2 代表的 world model 路线[8]：Meta 2025-06 用 100 万小时视频 + 仅 62 小时真机数据训出可做 zero-shot 规划的世界模型，对标 NVIDIA Cosmos 的方案。但 world model 目前更多用于「生成训练数据」而非直接做控制——GR00T N1.6 就是用 NVIDIA GR00T-Dreams 蓝图先生成合成轨迹再训 VLA。
| 范式 | 代表 | 训练目标 | 推理频率 | 2026 地位 |
|---|---|---|---|---|
| VLA（主流） | π0.5 / GR00T N1.6 / Helix / OpenVLA-OFT | 语言指令 + 图像 → 连续动作序列 | S2 7-9Hz / S1 100-200Hz | 头部公司默认选择 |
| Diffusion Policy | RT-X / Diffusion Policy 原版 | 多模态动作分布建模 | 10-20Hz | 退到 VLA 的 action head |
| World Model | V-JEPA 2 / Cosmos / Genesis | 预测「下一帧」做规划 | 异步规划 + 控制层分离 | 主要用于合成数据生成 |
环节 1 · 数据采集
ALOHA 2 + Mobile ALOHA 让「数据采集」第一次有了开源参考实现。
整个训练栈的起点是数据。2024 年之前，机器人数据采集是各家厂商的暗箱——直到 Stanford 的 ALOHA 2[9]（2024-05）和 Mobile ALOHA[10]（2024-01）把硬件设计、MuJoCo 模型、teleoperation 软件全部开源，这件事才变成可复现的工程任务。