中国学者6项成果入选IJCAI 2026

过去一年多里，具身智能似乎按下了快进键。从Physical Intelligence发布的π₀到开源社区追捧的OpenVLA，VLA大模型一路高歌猛进。在各种标准基准测试中，机械臂拿取物品流畅得宛如人类，动辄刷出90%甚至95%以上的成功率。

然而，当全行业都在欢呼"机器人的GPT时刻"到来时，前沿学术界和产业界却爆发了一场剧烈的反思：这些动辄数十亿参数的具身大模型，真的学会了"举一反三"吗？还是只是在"死记硬背"？

最新实验数据表明，面对物品位置的随机挪动或新指令组合时，纯端到端大模型往往会受到"空间过拟合"的约束，成功率出现剧烈衰减。具身智能要真正走出实验室，不仅需要大模型提供常识和高层决策，更需要扎实的工程技术去打造精准、稳健的"小脑"。

下面我们盘点入选IJCAI 2026的6项中国团队成果。它们并非要替代大模型，而是从空间泛化、盲区感知到极端控制，为具身智能补齐了通往真实物理世界最关键的拼图。

大模型学了"死记硬背"，但没学会"举一反三"

具身智能的核心瓶颈之一，在于真正的泛化能力。目前的VLA拥有数十亿参数，但在面对没有见过的指令组合或场景变化时，表现往往大打折扣。

李全义博士（独立作者，北邮本科、爱丁堡硕士、新加坡国立大学博士）在研究中发现了一个令人啼笑皆非的现象：当你给机器人下达"把奶酪放进柜子"的指令，如果训练数据里奶酪总是摆在桌子左侧，那么当你在现实中把奶酪挪到桌子右侧时，主流VLA大模型依然会机械地伸向桌子左侧。

模型根本没有理解什么是"奶酪"，它只是把词汇与训练集里的固定物理坐标进行了强行绑定。无论是π₀、OpenVLA还是UniVLA，在标准测试集里能刷出95%以上的超高成功率，但李全义博士专门构建的20个外推新任务基准测试中，主流VLA的成功率瞬间断崖式跌落到21%以下——OpenVLA仅1%，π₀-fast为17%，UniVLA为21%。

但这项研究最精彩的部分在于"反转"。李全义博士通过机制可解释性方法，从大模型内部提炼出代表任务语义的"文本隐变量"，在模型残差流中实施文本隐变量插值后，在完全不重新训练模型的前提下，直接将π₀在外推新任务上的成功率从9%提升到了83%！

这项研究不仅用严谨的数据证实了端到端微调确实落入了死记硬背的陷阱，更从底层表征上证明了大模型内部早已蕴含了可组合的通用泛化潜能，只是过往的训练方式没有找到唤醒它的正确钥匙。

0.63%的参数，4小时训练，嵌入式芯片63ms响应

Chu Wenhui（德克萨斯A&M大学）提出的RepSAM，给出了一个让人惊叹的效率对比：传统全量微调"分割一切"大模型SAM需要训练6.32亿参数，耗时384个GPU小时；而RepSAM仅微调400万参数，单卡A100训练4小时，参数量缩减了158倍，训练速度提升了96倍，感知效果却达到全量微调97.9%的水准。

更硬核的是，RepSAM在嵌入式设备Jetson AGX Orin上跑出了低至63ms（15.8FPS）的响应时延。在透明玻璃杯、严重遮挡堆叠零件等传统视觉大模型经常失明的场景中，RepSAM的透明物体分割任务从SAM零样本的34.7%暴涨至90.1%，真实抓取成功率达到94.4%，碰撞率降低8.8%。

这种对计算效率与表征规律的极致压榨，真正解开了工业级具身视觉在边端部署上的时延枷锁。

连续空间导航：用自然语言地标为机器人"指路"

当机器人从桌面搬运走向更大范围的真实连续空间时，面临着一个全新的挑战。"绕过前面的木质办公桌，直走到厨房，在水壶旁停下"——人类听到这样的指令，会在移动过程中不断用眼睛校验"木质办公桌"和"水壶"这两个核心参照物。但现有算法在航点预测时往往缺乏高阶语义引导，走着走着就迷失了目标。

中国学者团队提出的FILD-Nav框架，正是给出了这一难题的硬核答卷。算法能自动从复杂的自然语言指令中提炼出与任务强相关的"地标特征"，并将地标语义双向注入到导航的核心环路中。在权威基准数据集VLN-CE的测试中，FILD-Nav的导航成功率提升2%，在未曾见过的全新陌生环境里，Oracle成功率大幅提升了7%。

这种赋予机器人"边走边用语言符号校验物理地标"的高级认知能力，正是将英伟达CEO黄仁勋所描绘的"语义与空间深度交融"落地为现实，为服务机器人走出实验室、迈入商场、医院与家庭场景打通了关键路线。

视觉失灵的最后关头，触觉才是"安全底线"

无论是Meta开源的Digit触觉感知平台，还是各类灵巧手在手指末端加装多轴触觉传感器，都指向了一个行业共识：要想让机器人学会做精细活，光靠眼睛远远不够。

当机械臂深入狭窄空间或接近目标时，相机视线会被夹爪和机械臂自身完全遮挡。在视觉彻底失灵的"最后一厘米"盲区里，中国科学技术大学董二宝教授团队提出的PECHC算法，选择把控制主导权毫无保留地交给触觉。

团队采用解耦控制策略，将灵巧手工作空间内的抓握稳定设为无需视觉参与的"安全防御反射"。在涵盖150个真实物体的完全自主测试中，PECHC实现了97.3%的真实机器人抓取成功率，整个测试过程仅需1个物体进行一次性校准，其余149个全新物体在没有任何干预的情况下全部搞定。相比传统Sim-to-Real强化学习基线，性能大幅提升42.8%，并且在抓取易碎物品时展现出了类似人类手掌的细腻调力能力。

极端海况与强风：当强化学习遇上"苦涩的教训"

当具身智能从理想的实验室走向户外、高空或海洋，算法面临的威胁不再只是视觉遮挡或空间位置变化，而是充满了高度随机性与非线性的真实物理扰动。

香港科技大学（广州）熊辉教授团队提出的DRIQN算法，选择用极其优雅的数学手段给纯数据驱动的强化学习穿上了一套"防护罩"。在叠加了4个水流涡流、6个随机礁石障碍物以及高强度传感器噪声的模拟极端海况下，DRIQN将导航成功率提升13.51%、碰撞率降低12.28%，还在成功航次中实现了35.46%的省时与27.99%的节能。即便面对传感器突变与数据丢失交织的复合故障，依然以58%的全场最高成功率和最低超时率跑赢所有对手。

重庆大学古富强团队则瞄准了无人机的"致命噩梦"——突发强阵风。传统PID或模型预测控制面对非线性强风时响应滞后，纯深度学习控制面对未知风场又极易过拟合。团队提出的扰动感知混合学习架构，构建了一个实时风场扰动感知模块，能像飞鸟的羽毛感知气流一样毫秒级实时估计非线性气流扰动，然后将传统空气动力学物理模型与数据驱动的强化学习策略进行动态混合，根据实时扰动强度毫秒级调整控制权重，实现了极端风况下的平稳悬停与高精度轨迹跟踪。

这两项研究分别切中了海洋经济和低空经济发展中最核心的安全刚需，为无人艇和无人机从"实验室玩具"跃迁为"全天候工业级生产力工具"提供了关键技术桥梁。

Scaling Law之外，中国学者走出了一条"物理工程主义"路线

梳理完这6项研究，最触动人的其实是一种路线的分野。当Physical Intelligence和Figure这些硅谷明星团队倾尽算力和数据去押注VLA大模型的Scaling Law时，他们试图重演大语言模型的奇迹——相信只要模型参数足够大、视频喂得足够多，通用的物理控制能力就会自然"涌现"。

但这套逻辑在真实的物理世界里正频频碰壁。真实场景充斥着摩擦力、相机盲区、突发的阵风和传感器噪声，端到端黑盒模型的泛化表现往往比预想中脆弱得多。

相比之下，这6篇来自中国学者和科研机构的成果，展现出一条极其清晰的"物理工程主义"路线：不再盲目追逐参数规模，而是直接拆解大模型的内脏，用CKA理论摸清表征漂移，拿0.63%的参数量就把视觉大模型嵌进边缘芯片；在镜头完全失灵的最后关头，直接把控制权交给毫秒级响应的触觉反射；面对海浪和强风的袭扰，从数学底层入手，用分布鲁棒优化直接给强化学习的梯度更新安上防护罩。

这种"不迷信Scaling Law，专注解决物理世界真实问题"的研究范式，或许正是中国具身智能学术界在全球竞争中最独特也最值得关注的方向。

你怎么看VLA大模型和物理工程主义两条技术路线的分歧？欢迎在评论区聊聊你的看法。