我跟你说，这可不是开玩笑。英伟达那个叫Jim Fan的家伙，前两天在Sequoia的会上说了句大实话——我们这几年辛辛苦苦搞的VLA路线，已经玩完了。包括他自己前半年还在推的GR00T，直接宣布淘汰。你说这得多狠？连自己都不放过。
他讲了个段子：2016年，黄仁勋抱着第一台DGX-1走进OpenAI办公室，Jim当时还是实习生，排队签名，压根不知道自己在签啥。现在那台机器进了计算机历史博物馆。他说自己感觉像恐龙一样老。但你知道他接下来干啥了？他说LLM（大语言模型）用了三次阶跃、六年时间就走到今天，那咱们机器人也抄作业呗——把“预测下一个字符串”换成“预测下一个物理世界状态”，他管这叫“底层同构”。于是，WAM（世界动作模型）诞生了，代表作是DreamZero。
VLA的问题在哪？参数全堆在语言上。记住：它擅长编码“名词”，比如认出Taylor Swift；但不擅长“动词”，比如怎么把东西推到她旁边。人形机器人需要的不是背单词，是懂物理。所以Jim提出了新范式：用视频世界模型代替语言模型，用人类第一人称视频代替遥操作数据。他们用21,000小时人类视频预训练，发现了一个神经缩放定律，R²等于0.998——这数据干净得让人想哭。
DreamZero目前还像个GPT-2，不够稳定，但方向对了。Jim给出了2040年机器人完成终局的预测，置信度95%。他说VLA完成了历史使命，安息吧，世界动作模型万岁。你看，这就是技术的残酷——你和自己赛跑，赢了自己，然后发现赛道换了。总结一句话：别让你的模型只会认图，让它学会“做梦”吧。