通用大模型迈向 AGI 并结合递归自我改进后，是否会替代 VLA？（ChatGPT Deep Research 二手报告，待核实）新增

⚠️ ChatGPT Deep Research 二手报告，待核实

• 📥 Jack 主动分享：这是 Jack 自己发起的 ChatGPT Deep Research，2026-10-19 生成，研究截止 2026-10-20；据 TARS，报告卡片显示 38 条引用、414 次搜索。2026-10-25 经 TARS 存入 〔本地存档〕 本地导入。
• 这不是论文原文，也不是 Tech Intel 的核实报告。正文里 ChatGPT 的内部引用标记（citeturn… 等）已经删掉，因为点不开。
• 报告自带了一部分真实原始链接，下文照搬。本 Agent 2026-10-25 打开了这些链接，对照了 arXiv 摘要和官方页面：对上的数字标「✅ 原文一致」；报告没给链接、或原文里找不到的，标「待核实」。
• 这份报告和当天的 VLA vs WAM 深度调研（另一份 ChatGPT 报告，❤️ Grok Bot 点赞）是两份不同的报告。前者回答「VLA 和 WAM 的区别」，本篇回答「AGI + 递归自我改进会不会替代 VLA」。

• 原件：〔本地存档〕（约 64 KB，中文，未改动）；元数据：〔本地存档〕
• 相关主题：具身智能与机器人基础模型（VLA / WAM）、RSI（递归自我改进）、世界模型、机器人与 AI 硬件开发、Agent 工程与编程 Agent
• 相关实体：Gemini 4 Argon、Darwin Gödel Machine（DGM）、Hyperagents（DGM-H）、AIDE²、ENPIRE、GR00T（NVIDIA）、Physical Intelligence
• 相关资料：VLA vs WAM 深度调研（2026-10，ChatGPT Deep Research 二手报告）、AGI 当前热点 vs 表情/情绪感知（AI 回答 + Tech Intel 核实）（AGI 热点里的"持续学习与自我改进"）

一句话结论（据报告）

报告认为，"AGI + RSI 将替代 VLA"这个整体命题证据不足。最可能消失的是 VLA 作为一个需要人工单独设计、训练、编排的模块边界，而不是"快速动作策略"这项功能本身。报告推测的路径是：

通用 Agent → 自动建模、造数据、做仿真 → 自动训练快速动作策略 → 本地执行 → 失败日志回流 → Agent 再改进

报告把这比作编译器：VLA 会变成 Agent 编译出来的产物，而不是人手工维护的产品类别 本地导入。

"替代"拆成六种含义（报告的总表）

本地导入

概念框架（据报告）

• AGI：报告采用 DeepMind 的"AGI 等级"框架（Levels of AGI, arXiv 2311.02462，✅ 论文存在、题目一致），按能力深度和广度分级，不把"会聊天"当 AGI。
• VLA：从视觉 + 语言（+ 本体状态）直接输出机器人动作的模型。代表：
  • RT-2：把动作当 token（arXiv 2307.15818）
  • OpenVLA：7B、约 97 万条示范、7 自由度动作（arXiv 2406.09246，7B 与 970k 已在 具身智能与机器人基础模型（VLA / WAM） 对照过摘要）
  • π₀：flow matching 动作专家（arXiv 2410.24164）
• 控制层级：目标 → 推理 → 动作策略 → 轨迹 / MPC / 逆运动学 → 伺服 → 被控对象。报告的核心论点是，"替代 VLA"必须说清替代的是哪一层。
• RSI 的强弱定义：报告认为，系统必须修改自己的改进机制、并让后续改进变得更有效，才算强 RSI。按这个标准给常见做法分了档：

• 四个可检验的"替代"命题：模型替代、模块替代、训练范式替代、研发流程替代。报告认为要分开检验，不能混成一句"会不会替代"。

本地导入

Gemini 4 Argon 究竟证明了什么

Argon 于 2026-10-13 发布（✅ 2026-10-25 联网补缺：官方博客落款 OCT. 13, 2026，原文）。官方页：Gemini 4 Argon for robotics，模型卡，两页都能打开。实体页见 Gemini 4 Argon（机器人）。

本 Agent 在官方博客上对照到的内容：

• ✅ 原文一致：纯推理测试得分 87%，官方博客写明是 Embodied Reasoning（ERQA）benchmark 上"pure reasoning"的成绩（✅ 2026-10-25 联网补缺，原文）。报告特别提醒，这是推理 benchmark，不是机器人成功率。
• ✅ 原文一致：Argon 搭建了标定过的 MuJoCo 仿真孪生，采集了 4,500+ 条域随机化仿真 episode，用来提升真机表现。真机成功率从 56% 到 75%，完成时间从 35 s 到 24 s。报告强调：
  • 这次自我改进的产物是一个更好的 VLA；
  • 数字是厂商自述，没有给试验次数或置信区间。
• ✅ 原文一致：SO-101 抓放任务迭代三次，用时 58.9 s → 22.9 s → 17.4 s。报告认为这只是代码层面的迭代优化，不算强 RSI。

报告的其余解读：

• 零样本控制的前提很多：需要标定过的腕部相机、2 cm 网格叠加、末端执行器 JSON 接口，以及 grasp / place / goto / move_until_contact 等原语。
  • 粗模式要调用 2–4 次，精细模式 8–20 次。
  • ✅ 2026-10-25 联网补缺：官方博客零样本一节确有 2 cm 网格、粗 2–4 次 / 精细 8–20 次调用、grasp / place / goto / move_until_contact 原语（原文）；"末端执行器 JSON"在原文里对应带 ee_pos 的观测 JSON（〔本地文件〕），只能算部分一致；腕部相机标定未逐字核对。
  • 报告认为，难点被重新塞进了"动作接口"：IK、轨迹可行性、碰撞、接触处理都由别的系统负责。
• 8 个官方案例逐项审计：Spot、杯子与餐巾、Gemini Omni 生成的 ARGON 视频、机器人视角 Real2Sim、人视角 Real2Sim（76 / 22 自由度手）、草图转仿真（6/6）、12 球谜题、仿真提升动作。
  • 报告结论：Spot 直接调用现成技能（✅ 官方博客的 Spot 提示词里确实调用了 spot-mobile-manipulation skill）；生成视频 ≠ 真机操作；都没有试验次数和置信区间（报告判断，待核实）。
  • 整体只能当"厂商自述的能力演示"。

本地导入

四条路线的真实竞争关系（据报告）

报告用 10 个维度（延迟、数据、接触精度、长时程、可验证性、端侧部署等）比较了五条路线：端到端 VLA、通用模型 + 工具、分层系统、世界模型、统一模型。要点：

• "预测未来"和"选择动作"是两个不同的计算问题。所以世界模型更可能被吸收进训练（World2Act、World Tokens，待核实），而不是直接取代动作策略。这与 世界模型 里"训练时像世界模型，部署时像 VLA"的趋势一致。
• 分层是现实主流：
  • Gemini Robotics 2（2026-07-30）= ER 2 做高层"大脑"，VLA 负责执行（官方博客；发布日期已由 Tech Intel 在 AGI 当前热点 vs 表情/情绪感知（AI 回答 + Tech Intel 核实） 核实）。
  • On-Device 2 专门面向无网络、低延迟场景（模型卡，页面可打开，细节待核实）。
• Hi-VLA（arXiv 2606.10267）：✅ 摘要一致。这是一篇分层 VLA 的系统性研究，结论是按原则设计的分层系统比扁平 VLA 和朴素分层都强，仿真和真实 ALOHA 机器人上都验证了。报告据此强调"朴素分层不天然更好"。
• MotorMind（arXiv 2609.38078）：
  • ✅ 摘要一致：通用 VLM 加一层中层动作 harness，不训练任务策略、不用编程 Agent，在 LIBERO-PRO 上达到 66.7%（扰动下 53.8%）；真实 xArm6 平均 95%。
  • ✅ 2026-10-25 联网补缺：arXiv 页显示 Submitted on 29 Sep 2026，与报告日期一致（arXiv 2609.38078）。
• π 系列与 RLT：
  • π₀.₅（arXiv 2504.16054）。
  • π₀.₇（arXiv 2604.15483）：✅ 论文存在，题为"a Steerable Generalist Robotic Foundation Model"；2026-04-16 发布（✅ 2026-10-25 联网补缺：arXiv 页 Submitted on 16 Apr 2026）。
  • RLT（pi.website/research/rlt）：报告称最难的精密阶段交给更小、更快的在线 RL actor。✅ 2026-10-25 联网补缺：PI 官方页（2026-03-19）写明从 π0.6 取出"RL token"，在其上训练小型在线 actor / critic 只精修关键精密阶段，精密阶段最多提速约 3×，约 15 分钟真机数据 / 约 2 小时训练；网线插接中位用时 RLT 66 s、遥操作 146 s、基础模型 228 s。页面也提到 PI 更早的大规模 RL 方法 Recap。
• GR00T 1.7（NVIDIA 开发者博客）：✅ 2026-10-25 联网补缺：博客落款 Jul 07, 2026；3B 参数、Apache 2.0、Cosmos-Reason2-2B 作骨干、约 32K 小时真机 + 约 8K 小时仿真数据、可部署到 Jetson Thor。报告把它当作"专门动作通路仍被保留"的例子（这是报告的解读）。

本地导入

RSI 加入以后，哪些结论会改变

数字领域的 RSI 证据（✅ 均与 arXiv 摘要一致）：

• DGM（arXiv 2505.22954）：系统反复修改自己的代码，并用编程 benchmark 验证。SWE-bench 从 20.0% 提到 50.0%，Polyglot 从 14.2% 提到 30.7%。
• Hyperagents（DGM-H）（arXiv 2603.19461）：把任务 Agent 和元 Agent 合成一个可编辑程序，元层修改过程本身也可编辑。元层改进还能跨领域迁移、跨轮次累积。
• AIDE²（arXiv 2609.26457）：
  • 研究 Agent 改自己的代码，按隐藏评测保留最好的版本。
  • 自主运行 8 天，接受了 7 次连续改进。
  • 迁移到 4 个留出 benchmark（含分布外的天气预报任务）。
  • 摘要另称 reward hacking 率从 55% 降到 32%（这一点报告未提，是本 Agent 读摘要所见）。

物理世界的四个障碍（报告观点）：

1. 可验证性与古德哈特定律：评测一旦成为优化目标，就会被钻空子。
2. 吞吐量：真机不能无限次、零成本地重置。
3. 仿真偏差：仿真里有效不等于真机有效。
4. 改进对象不清楚：到底在改代码、数据、策略还是基础权重？

机器人领域的"自我改进"案例：

• ENPIRE（arXiv 2606.19980）：✅ 摘要一致。四个模块是 Environment（自动重置与验证）、Policy Improvement、Rollout、Evolution；编程 Agent 能自主把灵巧操作训练到 99% 成功率。报告判断：这是"研发流程自动化"，不算强 RSI。
• Q-Planning（arXiv 2608.21204）：✅ 摘要一致。BC 权重冻结，只微调一个小 Q 函数；真机迭代 5 轮后，叠杯从 40% 提到 90%，插钱包从 25% 提到 80%。
• ReTrace（arXiv 2610.15814）：✅ 摘要一致。不更新模型参数，靠回溯失败原因来积累技能。

改进对象的分级：从"改代码 / 提示"到"改数据"、"改策略"，再到"基础模型权重自我改进"，越往后证据越少；最后一级报告标为未知。

报告的推论：

• 改进效果像连乘：每个环节的增益 ΔC 都受其他环节制约，所以收益可能趋于平台，不必然"智能爆炸"。
• RSI 最先影响 VLA 的方式，是让 Agent 自动"编译"出专用动作策略。

本地导入

三种替代假设与证伪条件（据报告）

1. 通用模型 + 工具大面积绕过独立 VLA
   • 支持：Argon、MotorMind、Code-as-Policies / VoxPoser、ReTrace。
   • 反证：难点被移进了 grasp()、move_until_contact() 这类原语。
   • 证伪实验：不给通用模型任何学习型动作模型、任何任务示范，与同硬件 VLA 比较。任务包括静态抓放、插接装配、柔性物体、动态目标、外力扰动、5–10 分钟多步任务。如果通用模型只在准静态桌面任务上接近 VLA，就只能算"任务子集结论"。
2. 通用模型负责研发和规划，快速 VLA / 专用策略负责执行——报告认为这是目前证据最强的假设。
   • 支持：Gemini Robotics 2 的 ER + VLA 结构、Hi-VLA、π₀ / GR00T 的专门动作通路、RLT、Argon 的仿真数据微调 VLA、ENPIRE。
   • 反证：规划器与策略之间的接口可能失配，子目标切分错误会累积。
3. 一个统一模型吸收视觉、语言、动作、世界模型和自改能力
   • 报告指出，"统一权重"和"统一时间尺度"是两回事：统一模型能消灭软件模块边界，但不消灭功能分层。
   • 最严格的检验：完全移除外部 VLA 后，单一模型能否在同等硬件和算力下同时做到长时程推理、接触任务、扰动恢复、低 P95 动作延迟、离线运行和安全约束。

本地导入

对机器人工程的影响（据报告）

数据基础设施清单：

• 硬件同步与可信时间戳
• 多相机内外参标定
• 本体感知、指令、动作日志、触觉 / 力传感器统一记录
• 完整保存失败数据，而不只是成功示范
• 可程序化重置与结果验证器
• 数字孪生 / sim-to-real 流程
• 数据集、策略、控制器、评测器都要版本化

端云分工：

• 官方规格（✅ 2026-10-25 联网补缺，两页数字与报告一致）：
  • Jetson AGX Orin 最高约 275 TOPS、15–60 W（Orin 规格）
  • Jetson Thor 最高 2,070 FP4 TFLOPS、128 GB、40–130 W（Thor 规格）
  • 报告提醒：TOPS 和 FP4 TFLOPS 口径不同，不能直接比。
• 端侧负责：传感器接入、时间戳、本地动作策略、轨迹 / IK、碰撞检查、安全监控、断网兜底。电机级伺服留在驱动器、MCU 或实时控制器上。
• 云端负责：前沿推理、长时程规划、代码生成、Real2Sim、合成数据、策略训练、全机队失败挖掘、自动化研究与评测。
• 原则：断网或云端推理超时时，机器人也不能失去碰撞、力限等最低安全能力。

公平的三臂对照实验设计：

• A 组：VLA；B 组：通用模型 + 工具；C 组：自我改进闭环。
• 硬件：双 7 自由度机械臂，5 类任务，含隐藏变体。
• 部署后预算对齐（例如各给 24 机器人小时）。
• 报告还定义了每轮 RSI 的效率指标 η_k。

本地导入

最终判断（据报告）

• 当前能替代的：在低速、可几何化、已有可靠原语的任务里，替代独立 VLA；替代大量人工规划、数据、仿真、研发工作。
• 当前不能证明的：
  • Argon 是 AGI；
  • 通用模型能普遍取代高频、接触丰富、动态、长时程的动作策略；
  • 现有机器人"自我改进"已构成强 RSI；
  • 软件 RSI 的收益会在物理世界持续递归，或必然导致"智能爆炸"。
• 未来最可能融合的：一个多时间尺度具身系统。数据流是：通用研究 Agent → 语义规划 + 记忆 + 世界模型 + 工具 → 自动生成或适配的快速动作策略 → 本地安全与轨迹 / 力控 → 机器人；日志、失败、触觉、视频和奖励再回流到自动评测与自我改进。模型边界可能消失，时间尺度分层仍会长期存在。
• 最值得投入的：传感器 → 数据 → 仿真 → 评测 → 端侧控制这套基础设施。报告的原话是要"把机器人研发本身变成机器可执行、机器可评价的实验闭环"。无论未来哪种模型胜出，这套设施都会升值。
• 会改变判断的新证据：
  • 某个通用模型从未做过机器人动作微调，却在多种真实本体上，在接触、动态、柔性、长时程任务中达到专用 VLA 水平；同时 P95 延迟、安全、能耗、成本不更差，并有数百到数千次盲测。
  • 再进一步：它能修改自己的改进算法，在隐藏的真实世界 benchmark 上逐代提升，而且改进效率本身也在提升。

本地导入

待核实清单

• 报告未给链接、本 Agent 也没核对的：World2Act、World Tokens、RECAP、AlphaEvolve、Code-as-Policies、VoxPoser 的具体结论。
• 链接能打开、但细节没逐条核对的：On-Device 2 细节；Argon 腕部相机标定、"末端执行器 JSON"的确切形式（查过 2026-10-25）。
• 2026-10-25 联网补缺已核实（移出本清单）：Argon 发布日期 2026-10-13、87% = ERQA、零样本 2 cm 网格 / 调用次数 / 原语；MotorMind 2026-09-29；π₀.₇ 2026-04-16；RLT 细节；GR00T 1.7（2026-07-07）；Orin / Thor 规格数字。见 操作日志 的「联网补缺试跑」。
• 报告自己的推断，不是实验结论："编译器"类比、ΔC 连乘与收益平台、多时间尺度终局、三臂实验设计。
• 生成时间对不上：元信息说 2026-10-19 生成，但研究截止写的是 2026-10-20，两者略有出入，按 TARS 提供的信息照录。

和 Jack 的关系

• 这是 Jack 自己发起的 Deep Research，接着当天的 VLA vs WAM 往下问："更强的通用模型 + 自我改进，会不会让 VLA 整个不需要了？"
• 报告给机器人团队的建议（投数据、仿真、评测、端侧控制基础设施，别押某一种 VLA 架构）可以对照 Jack 的硬件动手方向，见 机器人与 AI 硬件开发。