作者｜沙丘智库研究团队
来源｜沙丘社区（www.shaqiu.cn）
具身智能（Embodied AI，简称EAI）是指具有物理实体的智能体，可利用感知、决策和交互能力执行现实世界任务并主动学习进化。
具身智能是人工智能技术和机器人技术的交叉融合，使智能体能够在真实或虚拟的环境中通过身体与外部世界进行交互。这种融合不仅拓展了人工智能的应用边界，也为机器人技术带来了新的发展动力。
过去，人工智能技术与机器人技术在各自领域快速发展，但难以协同工作，两者之间的结合往往面临技术瓶颈，例如感知与决策的延迟、算法与硬件的适配问题等，VLA大模型的出现成为转折点。
VLA（Visual-Language-Action）大模型即视觉-语言-动作大模型是一种多模态大模型，不同于LLM（大语言模型）的文本模态和VLM（视觉-语言模型）的文本-视觉模态，VLA大模型进一步拓展模态边界，将视觉（Visual）、语言（Language）和行动（Action）三种模态的数据结合起来，使智能体具备了“感知-理解-决策”的潜力。
2023年7月，谷歌DeepMind推出RT-2，验证了VLA架构在机器人和自动驾驶中的可行性。随后，国内外机器人厂商、自动驾驶厂商以及学术机构纷纷推出了VLA模型。
沙丘智库梳理了从RT-2发布至今，市场上主流的22个VLA模型，包括8个国外的和14个国内的，范围覆盖自动驾驶和机器人，旨在帮助业界快速了解这一领域。
▎更多研究（可前往“沙丘智库”查阅）
2025年AI Agent主流厂商市场指南
2025年AI Agent应用最佳实践报告
AI Agent架构设计模式研究报告
2025年“大模型+数据分析”最佳实践报告
大模型应用跟踪调研（2025年6月）
2025年中国银行业大模型应用跟踪报告
2025年中国证券业大模型应用跟踪报告
...
*更多生成式AI研究可前往“沙丘智库”小程序查阅
*有任何需求可咨询客服微信：zimu738