具身智能热度持续走高，VLA（视觉‑语言‑动作）模型、世界模型成为行业高频热点，不少观点期待人形机器人快速复刻大语言模型的爆发拐点。复旦大学深度学习实验室主任、未来信息创新学院教授陈涛在接受专访时警示，行业当前过度聚焦数据层面迭代，但底层模型架构短板尚未解决，两年之内很难迎来具身智能的 “GPT 时刻”。
作为横跨学术研究与产业落地的研究者，陈涛同时担任具身智能企业眸深智能联合创始人，拥有海外科研机构与产业研发经历。在他看来，当前主流 VLA 训练范式存在明显缺陷：训练素材大多为机器人成功执行轨迹，极度匮乏失败样本，一旦机器人在真实物理环境动作出现偏差，很难自主纠错，无法像人类一样从失败交互中迭代经验，直接限制机器人在非预设场景的泛化能力。
“语言模型架构天然适配文本世界，但未必适配物理世界，这个前提本身并不成立。” 陈涛提出核心质疑。当下大量具身模型直接沿用大语言模型基座做改造，行业资源集中投入数据采集与 VLA 调优，却没有直面物理交互所需要的原生底层架构设计，仅仅在现有语言模型框架上做叠加，难以真正解决物理空间感知、实时动作控制、动态环境适配等硬核难题。
谈及火热的世界模型赛道，陈涛表示，完整对物理世界做全量建模，会带来海量的数据、算力与成本开销，技术门槛极高，并非普通企业能够承担。不应一味追求 “全知全能” 的世界模型，更应当聚焦机器人本体动作、环境交互的真实需求，探索适配机器人的原生具身大脑架构。
针对产业现状，他也点出现实痛点：目前大量机器人演示属于场景定制化展示，真正能够在工厂稳定持续作业的具身机器人占比不足 10%，泛化能力、成本、作业节拍协同仍是落地三大拦路虎，很多设备完成演示拍摄后便撤出产线，并未实现规模化实用运转。
在他的判断中，具身智能想要抵达类似 GPT 的质变拐点，不能单纯复制大模型的缩放路线，必须跳出语言模型思维，从物理交互第一性原理出发重构底层架构，补齐失败交互数据闭环，实现端侧实时持续学习，才能推动机器人从演示走向大规模真实落地。行业需要理性看待发展周期，不宜对短期爆发抱有过高预期。
