复旦贾萧松：VLA、WAM新架构层出不穷，但真正的瓶颈不在模型架构 | 世界模型50人

VLA（视觉-语言-动作模型）和WAM（世界动作模型）是近两年具身智能与自动驾驶领域涌现的新架构方向，试图将感知、语言理解与动作决策统一在单一框架内。贾萧松在访谈中提出，尽管架构创新不断，但当前AI研究的核心瓶颈并不在模型结构本身。

贾萧松是复旦大学严骏驰团队的研究者，此前在加州大学伯克利分校富塚城义团队从事车辆交互与轨迹预测研究，后转向世界模型方向。他的研究路径从自动驾驶轨迹预测逐步扩展到更广义的具身智能与世界模型建模。

这一观点指向一个行业共识：当前AI系统从实验室走向真实场景的障碍，更多集中在高质量数据获取、长尾场景覆盖、仿真到现实的迁移以及安全评估等环节，而非单纯的网络结构设计。架构创新固然重要，但若数据质量和评测体系跟不上，模型性能提升将遭遇天花板。

世界模型作为具身智能的核心基础设施，旨在让AI系统理解物理世界的因果规律与动态变化。贾萧松团队的研究聚焦于如何让模型具备对环境的预测与推理能力，这被视为实现通用具身智能的关键一步。

本站展示内容为基于公开信息的资讯解读与整理，不代表原文转载。如需核实细节或获取完整报道，请通过下方链接访问原始来源。