英伟达科学家 Jim Fan 在红杉资本 AI Ascent 活动上提出机器人领域的「Great Parallel」战略，预言 2040 年将抵达机器人终局，并系统阐述了从 VLA 到 WAM 的模型范式转变、从 Teleop 到 Sensorized Human Data 的数据策略演进，以及算力即环境即数据的核心等式。
📝 详细摘要
本文是对英伟达资深科学家 Jim Fan 在红杉资本 AI Ascent 活动上 20 分钟演讲的深度解读。Jim Fan 将 LLM 过去六年的成功路径（预训练→微调对齐→强化学习推理）复制到机器人领域，提出「Great Parallel」战略。在模型层面，他宣告 VLA（视觉语言动作模型）时代终结，认为其「头重脚轻」——绝大多数参数服务于语言而非物理理解，转而提出 WAM（世界动作模型）新范式，以英伟达的 DreamZero 为代表，通过联合解码世界状态与动作实现零样本泛化。在数据层面，他批判遥操作（Teleop）的规模化瓶颈，提出 Sensorized Human Data 策略，以带手部追踪和语言标注的人类第一视角视频为核心，英伟达 EgoScale 已用 21，000 小时野外视频预训练加 50 小时高精度数据微调实现灵巧手端到端控制，并发现灵巧度的神经缩放律。在仿真环境方面，他提出 Real-to-Sim-to-Real 和 Dream Dojo 两阶段方案，将 iPhone 变为口袋世界扫描仪，用纯数据驱动的神经模拟器替代传统物理引擎，最终形成「算力 = 环境 = 数据」的战略等式。Jim Fan 将机器人终局定义为三重门：物理图灵测试（2-3 年内）、Physical API（无人工厂）、Physical Auto-Research（机器人自主设计下一代自己），并给出 95% 把握在 2040 年抵达终点的预言。
💡 主要观点
- 机器人领域正复制 LLM 的成功路径，Jim Fan 称之为「Great Parallel」战略。 三步走：用世界模型预训练预测下一个物理世界状态，用动作微调对齐到真实机器人关心的仿真空间，最后让强化学习跑完最后一英里。
💬 文章金句
- 我有 95% 的把握，我们将在 2040 年到达机器人终局的终点。
- VLA 极其擅长编码知识和理解名词，但在物理规律和执行动词方面就差远了，可以说是在错误的地方头重脚轻。
- 算力 = 环境 = 数据。
- 如果你笃信机器人学，机器人学亦将回馈于你。
- 我们这一代人，生不逢时，既错过了探索地球的黄金时代，又未能赶上遨游星辰的浩瀚征途，但我们又生逢其时，恰好处在解决机器人技术的这个时刻。
📊 文章信息
AI 初评：88
来源：十字路口Crossing
作者：十字路口Crossing
分类：人工智能
语言：中文
阅读时间：26 分钟
字数：6261
标签： 具身智能, 英伟达, Jim Fan, WAM, 世界动作模型