两千块机械臂 + 开源 VLA 模型：具身智能的门槛已经低到个人开发者了

本文整理自 Zihao Zhang 对开源具身智能训练链路的完整演示。更值得看的，不是某个机器人 demo 又做成了什么动作，而是一个更关键的信号：今天个人开发者已经可以用两千多块的机械臂、开源 VLA 模型和现成训练框架，真正跑通一条具身智能实验闭环。原视频：https://www.youtube.com/watch?v=6779ZPrboKo

两千块就能入场

Figr AI 的人形机器人最近在直播间火了。三十多个小时，自主整理了几万件快递包裹，全程没人碰，所有包裹的标签统一朝下。叠毛巾、炒酸奶、双臂写字、收纳文具——这些场景以前只在论文 Demo 里见过，现在已经可以被普通开发者自己复现。

这期视频来自 Zihao Zhang，他完整跑通了蚂蚁灵波（LingBot）开源 VLA 大模型的后训练全流程：机械臂组装、遥操作采集数据、八卡 A100 微调、开环验证、真机推理。本体是一台 2000 多块的 SOARM-101 机械臂，推理算力从 Mac 电脑到 4090 主机到 Jetson Orin 都能跑。

看完最大的感受：具身智能现在处于 2023 年初大语言模型的位置——技术路线初步收敛，开源工具链成熟，个人开发者已经能动手了。

VLA 和世界模型：两条路线

具身智能分两条路线。

“小脑”管双腿的运动控制。宇树春晚节目里机器人做各种高难度动作、机器人马拉松打破人类半马记录，都属于小脑——平衡、步态、动态控制。

“大脑”管双臂的操作能力，抓取、放置、叠衣服、炒菜。大脑又分两个流派。

VLA（Vision-Language-Action）目前更成熟。输入文字指令加摄像头画面，模型实时输出每个关节下一步的位置。主流开源算法包括 ACT、SmallVLA、Pi 0、LingBot VLA，前面提到的那些“机器人干活”的 Demo 基本都是 VLA 实现的。

世界模型（World Model）今年出现了“世界行动模型”这个子方向，代表工作是蚂蚁灵波的 LingBot-AA 和英伟达的 Dreamer-Z。思路是让模型先学会预测物理世界的未来状态，再基于预测做决策。理论上更通用，但目前成熟度差一截。

蚂蚁灵波选择了双线押注。从落地节奏看，VLA 领先半个身位。

预训练和后训练

视频里用了一个很精准的类比。

预训练等于 K12 基础教育，教 AI 物理世界的常识：重力是什么，物体会怎么运动，碰到桌面会怎样。LingBot VLA 的基座模型用了 9 种机器人本体、2 万小时真机数据训练。数据越多、质量越高，基座就越稳。这和大语言模型的预训练逻辑是一样的。

后训练则更像职业技能培训。你不需要再教它“世界是什么”，而是教它“怎么把桌上的可乐罐放进盒子里”“怎么抓毛巾”“怎么把标签翻到同一个方向”。

这也是为什么这类开源具身智能项目对个人开发者突然变得现实：预训练这座大山，已经开始被大公司和开源社区替你扛掉了。你真正要投入的，是后训练和任务适配。

真正有价值的不是 demo，而是闭环

很多人看机器人视频，容易只盯着最后那几秒：它抓到了没有，炒成功没有，动作顺不顺。

但对开发者来说，真正有价值的是闭环有没有打通。

这期视频有意思的地方，不是单个结果有多惊艳，而是它把一条完整链路摊开给你看了：

• 机械臂怎么装
• 遥操作数据怎么采
• 训练环境怎么搭
• VLA 怎么微调
• 推理怎么上真机
• 失败动作怎么继续补数据

这意味着你不再只是围观“别人家的机器人”，而是第一次可以认真问一句：这件事我自己能不能做。

答案已经不是“理论上可以”，而是“成本和工具链都在往可以的方向掉”。

为什么我觉得这事像 2023 年初的大模型

因为它现在最像的，不是工业机器人时代，而是 ChatGPT 刚出来后那段时间。

当时最重要的变化不是某个模型分数超过了谁，而是普通开发者第一次意识到：原来很多以前只有大厂能做的事，自己也能摸到边了。随后才有了插件、Agent、工作流、RAG、代码生成这一整轮应用爆发。

具身智能也在往那个节点走。

以前你一听机器人训练，脑子里想到的是实验室、工业臂、昂贵平台、难以复现的硬件链路。现在开始变成：

• 有开源基座模型
• 有开源训练框架
• 有便宜机械臂
• 有消费级推理硬件
• 有公开视频教学

这几个条件一旦同时出现，事情的性质就变了。

它不再只是“研究前沿”，而开始变成“开发者可进入的实验场”。

具身智能接下来真正缺的，不再只是模型

看到这里，一个很明显的判断是：具身智能下一阶段的瓶颈，不一定首先是模型本身，而是数据、任务定义和工程闭环。

原因很简单。

模型越来越开源，框架越来越标准，硬件成本也在下降。真正难的是：

• 你要解决什么具体任务
• 这个任务怎么采高质量数据
• 失败样本怎么迭代回训练集
• 你的机器人本体和场景有没有足够一致性
• 推理延迟、控制精度、环境扰动怎么扛

这和今天做 Agent 其实很像。不是没有模型，而是缺可复用的工程化执行闭环。

所以我反而觉得，具身智能接下来最有机会冒出来的，不一定是下一个“最强模型”，而是那些真正把低成本硬件、数据采集、训练流程和任务验证串起来的人。

结语

这期视频给我的最大冲击，不是“机器人又会一个新动作了”，而是门槛真的下来了。

如果说过去的大语言模型浪潮，把软件世界的自动化门槛拉低了一大截；那今天这类开源 VLA 项目，正在把物理世界自动化的门槛也往下拉。

它还远没到成熟期，也远没到“人人做机器人创业”的阶段。但它已经到了一个很关键的点：个人开发者不再只能看 demo，而是可以自己下场做实验了。

这比任何单个炫酷动作都更重要。