編輯丨%

過去兩年，具身智能（embodied AI）走向一個(gè)明確方向：把視覺、語言和行動(dòng)統(tǒng)一進(jìn)一個(gè)大模型。這類模型被稱為Vision-Language-Action（VLA）模型——它們可以看、能聽懂指令，還能直接輸出動(dòng)作。

但機(jī)器人學(xué)界正狂熱地追逐越大越好的 VLA 大模型的同時(shí)，一個(gè)根本性的問題卻被悄悄擱置：這些動(dòng)輒數(shù)十億參數(shù)、需要數(shù)天微調(diào)、運(yùn)行時(shí)還要燒 GPU 的龐然大物，真的適合那些有明確規(guī)則和約束的結(jié)構(gòu)化任務(wù)嗎？

塔夫茨大學(xué)（Tufts University）的一支團(tuán)隊(duì)給出了一個(gè)響亮的否定答案。研究團(tuán)隊(duì)設(shè)計(jì)了一場「漢諾塔」操縱任務(wù)的公平對決：一方是當(dāng)前最先進(jìn)的開源 VLA 模型 π0，另一方則是一個(gè)結(jié)合了 PDDL 符號(hào)規(guī)劃與擴(kuò)散策略的神經(jīng)符號(hào)架構(gòu)（NSM）。

結(jié)果令人震驚——在 3 塊漢諾塔任務(wù)上，NSM 成功率高達(dá) 95%，而 VLA 僅 34%；在面對未訓(xùn)練過的 4 塊版本時(shí)，VLA 全軍覆沒，NSM 仍能達(dá)到 78% 的成功率。更諷刺的是，VLA 微調(diào)消耗的能量是 NSM 訓(xùn)練的近 100 倍。

相關(guān)的研究以「The Price Is Not Right: Neuro-Symbolic Methods Outperform VLAs on Structured Long-Horizon Manipulation Tasks with Significantly Lower Energy Consumption」為題，將于 5 月在維也納國際機(jī)器人與自動(dòng)化會(huì)議上發(fā)表，并發(fā)表于會(huì)議論文集。

論文鏈接：https://arxiv.org/abs/2602.19260

端到端 vs 神經(jīng)符號(hào)

前文中所述的塔漢諾問題（Towers of Hanoi）是一款經(jīng)典問題，這個(gè)任務(wù)具備三個(gè)關(guān)鍵特征：明確的規(guī)則約束 、長時(shí)間規(guī)劃（long-horizon） 與強(qiáng)結(jié)構(gòu)依賴，正是檢驗(yàn)「推理能力」的理想場景。

在這任務(wù)中，π0 等模型在抓取、擺放等短程操作上雖然表現(xiàn)出色，但當(dāng)任務(wù)需要多步推理、遵守特定規(guī)則（如漢諾塔的「大不能壓小」）時(shí)，問題就暴露了——VLA 需要從演示中隱式地學(xué)習(xí)這些約束，而訓(xùn)練數(shù)據(jù)中任何細(xì)微的偏差或多樣性都可能讓模型無所適從。

而 NSM 則采用「分層」設(shè)計(jì)。高層用PDDL符號(hào)規(guī)劃器，基于從少量演示中提取的抽象規(guī)則生成符號(hào)化計(jì)劃；低層用擴(kuò)散策略將計(jì)劃轉(zhuǎn)化為連續(xù)控制動(dòng)作。這種設(shè)計(jì)將「推理」與「執(zhí)行」解耦，規(guī)則清晰、可解釋性強(qiáng)。

圖 1：VLA 模型與 NSM 實(shí)驗(yàn)比較概述。

研究團(tuán)隊(duì)在 Robosuite 仿真環(huán)境中設(shè)計(jì)了三個(gè)難度遞增的任務(wù)：單次抓取放置、3 塊漢諾塔、4 塊漢諾塔（后兩者未見訓(xùn)練）。對比對象包括：

• E2E-VLA：端到端微調(diào)，僅接收「玩漢諾塔」這一條高層指令。
• PG-VLA：在外部規(guī)劃器提供的最優(yōu)子任務(wù)序列指導(dǎo)下微調(diào)，以隔離執(zhí)行能力。
• NSM：僅從50個(gè)簡單的「堆疊」演示中學(xué)習(xí)，從未見過完整的漢諾塔求解過程。

圖 2：數(shù)據(jù)集中的示例觀測數(shù)據(jù)。

訓(xùn)練數(shù)據(jù)上，VLA 消耗了 300 個(gè)完整漢諾塔軌跡，而 NSM 只用了 50 個(gè)堆疊演示。硬件上所有實(shí)驗(yàn)在同一臺(tái) RTX 4090 上完成，并精確記錄了 GPU/CPU 的功耗和能量消耗。

碾壓性的結(jié)果差距

在最基礎(chǔ)的三塊塔漢諾任務(wù)中：

• 神經(jīng)符號(hào)模型成功率：95%
• 最優(yōu)VLA模型成功率：34%

差距接近3 倍。

當(dāng)任務(wù)稍微增加復(fù)雜度（4塊）時(shí)：

• 神經(jīng)符號(hào)模型仍能完成任務(wù)：78% 成功率
• 所有VLA模型：完全失敗

表 1： 訓(xùn)練硬件指標(biāo)，比較 VLA LoRA 微調(diào)與 NSM 訓(xùn)練。

這意味著 VLA 不僅性能較低，而且幾乎沒有結(jié)構(gòu)泛化能力。但這并非是結(jié)束，更關(guān)鍵的差距還在二者的能耗對比上。在訓(xùn)練階段，VLA 微調(diào)能耗要高出神經(jīng)符號(hào)方法近兩個(gè)數(shù)量級(jí)（≈100倍）。即使是推理階段，能耗也有接近 10 倍的差距。

VLA 的失敗主因并非規(guī)劃錯(cuò)誤，而是低級(jí)執(zhí)行上的偏差——反復(fù)抓取失敗、放置位置不準(zhǔn)。訓(xùn)練數(shù)據(jù)中的隨機(jī)擾動(dòng)（塊位置偏移1cm）本意是增強(qiáng)穩(wěn)健性，反而讓模型難以鎖定精確目標(biāo)。在某些極端情況下，同一子任務(wù)指令的演示若區(qū)別較大，則很有可能出現(xiàn)對模型的強(qiáng)烈干擾，并進(jìn)一步帶來極高的失敗率。

表 2：實(shí)驗(yàn)的功耗、能耗及任務(wù)表現(xiàn)。

能源風(fēng)險(xiǎn)與未來方向

研究團(tuán)隊(duì)將神經(jīng)符號(hào)系統(tǒng)與熟悉的大型語言模型如 ChatGPT 或 Gemini 進(jìn)行了類比。后者只是試圖預(yù)測序列中的下一個(gè)詞或動(dòng)作，但這并不完美，可能導(dǎo)致結(jié)果失真或者出現(xiàn)錯(cuò)誤的信息。而且，它們的能源消耗往往與任務(wù)本身不成比例。

VLA 或許更適合開放環(huán)境下的短程、靈活操作，而工業(yè)裝配、實(shí)驗(yàn)室自動(dòng)化、規(guī)則明確的物流任務(wù)，神經(jīng)符號(hào)架構(gòu)可能是更務(wù)實(shí)的選擇。大規(guī)模部署時(shí)，能耗固然是一個(gè)不容小覷的問題。正如論文所言，「通用」不一定意味著更合算。

相關(guān)鏈接：https://techxplore.com/news/2026-03-neuro-ai-slash-energy.html