什么是VLA模型？从RT-2到pi0.5读懂机器人基础模型，以及其开发商2026年为何融资29.4亿美元

视觉语言动作模型（VLA）是一个单一神经网络：它看摄像头画面，读取“把杯子放进水槽”这样的指令，然后输出机器人下一步的电机指令。做法是拿一个用互联网图文训练的视觉语言模型，教它在输出文字之外也输出动作。MEKAWIRE数据库显示，2026年开发这类机器人基础模型的企业以六笔融资披露了29.4亿美元，占今年全部已披露机器人融资的四分之一。

这笔钱押注的是机器人的大脑而非身体将承载价值。本文仅依据开发方论文、公司公告和MEKAWIRE核实的融资与论文数据，梳理模型如何运作、谁在开发、资金买到什么，以及最新研究显示的差距，并特别关注中国企业的位置。

定义由谷歌在2023年写下，行业沿用至今

谷歌DeepMind在2023年7月28日的RT-2论文中首次提出这一术语。方法很直接：把机器人动作写成文本token，让视觉语言模型同时学习机器人轨迹和网络问答，于是同一个模型既能回答问题又能驱动机械臂。团队进行了6000次评估试验，称机器人能执行机器人数据中没有出现过的指令，例如挑一块石头当临时锤子。

开源阵营的回应出现在2024年6月。OpenVLA以Meta的Llama 2为基础，配合DINOv2和SigLIP视觉编码器，参数量70亿，使用97万条真实机器人示范训练。作者称其在29项任务上比550亿参数的RT-2-X成功率高16.5个百分点，并可在消费级GPU上微调。从此VLA从实验室展品变成了研究平台。

第二代模型改写了“动作”这一半

用文本token驱动七轴机械臂平滑运动并不顺手。Physical Intelligence于2024年10月31日发布的pi0保留预训练视觉语言模型负责理解，改用流匹配生成连续动作块，在单臂、双臂和移动机器人上完成叠衣服和组装纸箱。2025年4月22日的pi0.5联合训练机器人数据、网络数据和子任务语义标签，公司称其能在从未见过的住宅中整理厨房和卧室。

英伟达GR00T N1（2025年3月18日）把任务拆成负责理解场景的视觉语言“系统2”和实时生成动作的扩散Transformer“系统1”，混合真机数据、人类视频和合成数据训练，并部署在傅利叶GR-1人形机器人上。谷歌DeepMind的Gemini Robotics（2025年3月25日）基于Gemini 2.0和具身推理模型，只需100条示范即可学会新的短任务。

表中模型架构思路一致，差别在于开放什么。这一差别决定了资本流向。

29.4亿美元流向何处

2026年共有六家机器人基础模型与VLA企业披露融资。软银集团领投的Skild AI 14亿美元C轮（1月14日，投后估值140亿美元）独占总额的47.6%，估值是18个月前即2024年7月A轮15亿美元的9.3倍。其后是Rhoda AI（4.5亿美元）、Generalist AI（4亿美元）、Walden Robotics（以11亿美元估值完成3亿美元种子轮）和千寻智能Spirit AI（2.8亿美元），德国Sereact获得1.1亿美元。

该组平均单笔披露融资为4.90亿美元，而今年57笔已披露机器人融资的平均值为2.012亿美元，人形机器人主业企业为1.816亿美元。六家中四家为美国企业，合计占金额的86.7%。中国的自变量机器人和星动纪元今年各完成两轮融资，但金额未作为核实数据入库，若计入，中国份额会明显上升。行业头部的Physical Intelligence因未自行公布融资规模而未列入，MEKAWIRE仅将其作为媒体报道数据保存。