神经符号方法完胜 VLA 模型：95% 成功率仅耗 1% 能源，具身智能路线迎来新思考

核心要点：塔夫茨大学最新研究表明，在结构化长周期操作任务中，神经符号方法以 95% 的成功率碾压 VLA 模型的 34%，能耗更是降低了近 100 倍。这一发现为具身智能的发展路线提供了重要参考。

背景：VLA 模型狂热下的冷思考

过去两年，具身智能领域呈现出一个清晰趋势：将视觉、语言和动作统一整合到单一大型模型中。这类被称为 Vision-Language-Action（VLA）的模型，能够看、能听懂指令，还能直接输出动作指令，被视为通往通用机器人的关键路径。

然而，在机器人学界狂热追逐更大、更强的 VLA 模型时，一个根本性问题却被有意无意地忽略了：这些动辄数十亿参数、需要数天微调、运行时还要消耗大量 GPU 资源的庞然大物，真的适合那些具有明确规则和约束的结构化任务吗？

实验设计：汉诺塔上的公平对决

塔夫茨大学（Tufts University）研究团队给出了一个响亮的否定答案。他们设计了一场精心控制的「汉诺塔」操纵任务对比实验：

• 选手 A：当前最先进的开源 VLA 模型 π0
• 选手 B：结合 PDDL 符号规划与扩散策略的神经符号架构（NSM）

汉诺塔任务具备三个关键特征：明确的规则约束、长周期规划需求、强结构依赖性，是检验「推理能力」的理想场景。

图 1：VLA 模型与 NSM 实验比较概述。

图 2：数据集中的示例观测数据。

结果：碾压性的差距

三块汉诺塔任务（训练范围内）：

• 神经符号模型（NSM）成功率：95%
• 最优 VLA 模型成功率：34%
• 差距接近3 倍

四块汉诺塔任务（未见过的复杂度）：

• 神经符号模型成功率：78%（展现结构泛化能力）
• 所有 VLA 模型：完全失败（0% 成功率）

更令人震惊的是能耗对比：VLA 微调消耗的能量是 NSM 训练的近100 倍，即使仅看推理阶段，能耗差距也接近 10 倍。

图 3：结果对比图表。

为何 VLA 会失败？

研究发现，VLA 的失败主要原因并非规划错误，而是低级执行上的偏差——反复抓取失败、放置位置不准。训练数据中的随机扰动（如块位置偏移 1cm）本意是增强稳健性，反而让模型难以锁定精确目标。

相比之下，NSM 采用「分层」设计：高层用 PDDL 符号规划器基于从少量演示中提取的抽象规则生成符号化计划；低层用扩散策略将计划转化为连续控制动作。这种设计将「推理」与「执行」解耦，规则清晰、可解释性强。

数据效率的鲜明对比

在训练数据方面：

• VLA：消耗了 300 个完整汉诺塔轨迹
• NSM：仅使用 50 个简单的「堆叠」演示（从未见过完整的汉诺塔求解过程）

这意味着 NSM 不仅性能更优，而且数据效率高出 6 倍。

表 1：训练硬件指标对比。

表 2：实验的功耗、能耗及任务表现。

个人观点与点评

这项研究的意义远超实验本身，它提出了几个值得深思的问题：

1. 「通用」不等于「合算」

当前 AI 领域存在一种「大模型万能论」的倾向，认为只要模型足够大、数据足够多，就能解决所有问题。但这项研究表明，在特定场景下，小而美的专用架构可能比通用大模型更有效、更经济。

2. 神经符号融合可能是正确方向

纯神经网络方法和纯符号方法各有优劣。神经符号方法结合了神经网络的学习能力和符号系统的可解释性、规则遵循能力，在结构化任务中展现出独特优势。这可能是未来 AI 发展的重要方向之一。

3. 能源效率不容忽视

在气候变化和能源危机的大背景下，AI 系统的能源消耗问题日益突出。如果 VLA 模型的能耗是神经符号方法的 100 倍，那么在大规模部署时，这一差距将变得不可忽视。

4. 应用场景决定技术路线

VLA 模型可能更适合开放环境下的短程、灵活操作（如家庭服务机器人）；而工业装配、实验室自动化、规则明确的物流任务，神经符号架构可能是更务实的选择。

研究出处

该研究以《The Price Is Not Right: Neuro-Symbolic Methods Outperform VLAs on Structured Long-Horizon Manipulation Tasks with Significantly Lower Energy Consumption》为题，将于 2026 年 5 月在维也纳国际机器人与自动化会议（ICRA）上发表。

论文链接：https://arxiv.org/abs/2602.19260

（本文内容据机器之心报道整理，原文链接：https://www.jiqizhixin.com/articles/50d5041d-8517-4bee-a037-bd9e84ec86c8）

YUANLEISVIP

收藏 链接