清华大学自动化系教授赵明国就认为行业热捧的VLA模型更多是过渡性的技术手段，而非终极方案。他提到，大语言模型的成功，源于人类语言数据的“标准化”与“海量”，但物理世界的视觉、触觉数据“非常不规范”，没办法简单照搬。
An Advanced Camera System to Capture Everyday Moments
，详情可参考爱思助手下载最新版本
Elyse Betters Picaro，推荐阅读heLLoword翻译官方下载获取更多信息
“世界模型”可能是AI视频大模型的终极进化方向