今天具身智能呈现双重信号：VLA模型因果分析带来33%推理FLOPs下降；灵巧操作基准Evo-DexBench最优成功率仅38.5%；前NVIDIA人士提醒机器人仍处「乐高时代」。说明通用机器人需要工程与算法双重夯实，而非单纯依赖大模型。
模型侧出现结构性效率突破。对π0.5等VLA的因果分析显示，动作条件接口位于中后期交叉注意力层；早期层目标名词决定物体选择，中后期层传递空间信息。限制MolmoBot动作专家仅条件于3/36层，推理FLOPs下降33%，成功率几乎不变，并可迁移至真实π0.5。
产业与基准给出冷思考。Evo-DexBench灵巧操作基准最优方法平均成功率仅38.5%，泛化仍是大坎。前NVIDIA人士Amulya Vishwanath（前NVIDIA机器人平台产品营销负责人、现投资人）直言机器人还在「乐高时代」，执行器、机械手、软件与安全标准尚未定型。
arXiv论文对π0.5、MolmoAct2、MolmoBot进行因果分析，发现动作条件接口位于中后期交叉注意力层；早期层目标名词表征决定物体选择，中后期层传递空间信息，空间信息存储位置因架构而异。限制MolmoBot动作专家仅条件于3/36层，推理FLOPs减少33%，成功率46.7%对46.9%。该原理可迁移至真实π0.5部署。
Evo-DexBench基于Core-Gen原则构建6个功能族、30个任务，使用带123个触觉传感器的Shadow Hands通过VR遥操作采集1248条多模态演示。最优方法平均成功率仅38.5%，联合Core+Gen训练比先Core后微调分别提升12%和38%。说明功能匹配的核心数据比海量弱相关数据更促进知识迁移。
前NVIDIA机器人平台产品营销负责人、现投资人Amulya Vishwanath认为，机器人尚未迎来类似ChatGPT的时刻，行业仍处于「乐高时代」：执行器、机械手、软件和安全标准等基础构件仍在重新搭建。这与通用基础模型将迅速推动突破的乐观预期形成反差，提示具身智能需扎实底层工程与标准化。
“机器人尚未迎来类似 ChatGPT 的时刻，因为行业仍处于「乐高时代」：执行器、机械手、软件和安全标准等基础构件仍在重新搭建。”
“Drones are the robots physical AI is actually ready for, and the industry is chasing humanoid hype instead.”
“最优方法平均成功率仅38.5%，凸显灵巧操作跨任务泛化仍是一大挑战。”
限制 MolmoBot 动作专家仅条件于 3/36 层，推理 FLOPs 减少 33%，在 3000 次评估中成功率几乎不变（46.7% vs 46.9%）。
研究员注:💭 因果定位揭示当前 VLA 架构中大量层对动作决策贡献极小，压缩条件接口即可实现高效部署，对边缘端机器人推理尤其有价值。
学习指定动作的视觉后果能提升策略性能和跨场景泛化；反过来，动作学习也能提高多视角世界预测的保真度。
研究员注:💭 该框架打破世界模型作为辅助模块的单向依赖，证明统一因果训练下两者互为增强，可能催生更紧凑的具身智能训练范式。