Nvidia 副总裁 Deepu Talla:机器人不能只懂指令,还需预测行动后果
Nvidia 机器人与边缘 AI 副总裁 Deepu Talla 在 The Information 的 AI Deep Dive 节目中提出,仅靠视觉-语言-动作(VLA)模型不足以让机器人可靠行动,因为机器人还需要预测自身动作带来的物理后果。他认为世界基础模型(如 Nvidia 的 Cosmos)可以让机器人在执行动作前先模拟后果,弥补 VLA 模型“理解指令但不理解物理世界”的短板。 Talla 给出的技术路径是把两类模型结合:VLA 负责把语言指令和视觉感知转成动作,世界模型负责在内部推演动作将引发的环境变化。他明确表示“世界基础模型和动作模型最终会融合在一起,它们需要协同工作”。Cosmos 在这一架构中扮演可预测的物理模拟器角色,为机器人提供训练和推理时的前瞻能力。 这番表态明确了 Nvidia 在机器人领域的路线:不是把 VLA 当终点,而是以 Cosmos 为核心构建“感知-预测-行动”闭环。对机器人开发者和企业来说,这意味着训练数据合成、仿真到真实迁移(sim-to-real)可能更多依赖世界模型管线,而非单纯堆 VLA 参数。
Current read
Nvidia 机器人负责人亲自讲了 VLA 模型的局限:机器人会听指令但不会预判后果,得靠 Cosmos 这类世界模型先模拟再动手。做机器人、具身智能方向的开发者值得听听他的融合路线怎么走。
Evidence
8 sourcesConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.