全面梳理 VLA 20大挑战的深度综述，方向清晰可见，每周更新，助力时刻掌握最新突破！

【编者按】 Vision-Language-Action（VLA）正在把"看得懂、说得明白、做得出来"的机器人从演示推向真实系统。但模型、数据、范式爆发式增长的同 时，也带来一个现实困境：新入门者不知道从哪里学起，从业者也难以判断该从哪些维度系统性提升能力。这篇由树根科技、三一集团耘创新实验室、伦敦 国王学院、港理工、达姆施塔特工业大学，挪威阿哥德大学，帝国理工大学等单位联合完成的最新综述，给出了一张清晰的"问题全景图"和学习路线，并提 供一个持续更新的在线参考框架。 近期，具身智能（Embodied AI）已成为人工智能与机器人领域最活跃、同时也最具探索空间的前沿方向之一。从类 GPT 机器人助手的演示，到多模 态大模型逐步走向真实机器人平台，"让机器看得见、听得懂、会行动"正从概念验证走向系统化探索。 然而，随着模型规模迅速膨胀、数据集与方法不断涌现，领域内部也愈发显现出一种结构性的困惑：刚进入这一方向的研究者往往难以判断应当从何入 手；而已身处其中的从业者也常常面临一个更具体的问题——究竟该从哪些维度、以什么顺序系统性提升 VLA 的能力？在快速扩张与路径分化并存的当 下，单纯罗列模型与方法已难以提供有 ...