平行智能范式视角下的视觉-语言-动作模型发展现状与展望.pdfVIP

第7卷第3期智能科学与技术学报Vol.7No.3

2025年9月ChineseJournalofIntelligentScienceandTechnologySeptember2025

平行智能范式视角下的视觉-语言-动作模型发展现状与展望

1221345

李柏,郝金第,孙跃硕,孟雨晴,黄峻,田永林,贺正冰

（1.华东师范大学通信与电子工程学院，上海200241；

2.湖南大学机械与运载工程学院，湖南长沙410082；

3.澳门科技大学创新工程学院，澳门999078；

4.中国科学院自动化研究所多模态人工智能系统全国重点实验室，北京100190；

5.麻省理工学院信息与决策系统实验室，剑桥02139-4307）

摘要：视觉-语言-动作模型是一类面向具身智能的综合性建模方法，它将视觉感知、自然语言理解和动作执

行在统一框架下进行表征与学习，旨在实现从环境感知到任务规划再到动作控制的连续闭环。视觉-语言-动作

模型的运行逻辑与21世纪初提出的平行智能范式存在呼应。平行智能通过“人工系统、计算实验和平行执行”

的三元架构，强调虚拟建模、可复现推演以及虚实交互的闭环机制，这些理念与视觉-语言-动作模型的发展路

径在不同阶段形成了对应关系：早期的多模态探索可视为人工系统中的原型实践，随后的大规模模型与跨域训

练扩展了计算实验的能力，近年来的分层控制和虚实闭环则体现了平行执行强调的反馈修正与规范指导。在这

一框架下，视觉-语言-动作模型呈现出语义与动作深度耦合、虚拟与现实双向循环和可验证性增强等特征，但

也存在泛化不足、语义对齐不稳、安全与解释机制薄弱以及部署效率受限等问题。未来研究可聚焦任务语义的

契约化表达、长时序规划的可修复性、世界模型的工程化使用、多层次反馈与安全治理，以及跨平台迁移和人

机协作等方向。以平行智能为参照重新审视视觉-语言-动作模型，不仅有助于厘清发展脉络，也为其在真实场

景中的可信应用提供了方法论支持。

关键词：平行智能；视觉-语言-动作模型；具身智能；多模态融合；虚实交互

中图分类号：TP391.4

文献标志码：A

doi:10.11959/j.issn.2096-6652.202536

Vision-language-actionmodelsunderparallelintelligenceparadigm:

thestateoftheartandfutureperspectives

1221345

LIBai,HAOJindi,SUNYueshuo,MENGYuqing,HUANGJun,TIANYonglin,HEZhengbing

1.SchoolofCommunicationandElectronicEngineering,EastChinaNormalUniversity,Shanghai200241,China

2.CollegeofMechanica