凌晨两点，瑞士某个电商仓库里，拣货的机械臂突然停下——包装箱的折叠方向罕见，摄像头识别失败。屏幕那端，夜班主管盯着报警提示，准备起身介入。几秒后，机械臂重新动作，就像什么也没发生。系统日志里多了一行VLA决策记录。

这种场景正被两家路线截然不同的公司同时瞄准。正方：打造一个能塞进任何机器人、听吩咐做任何事的“万能脑”。过去几年，这类通用模型的融资故事堆满硅谷，逻辑很直接——传统工业机器人每部署一个新任务，需要数周甚至数月现场编程，通用模型若能理解口述指令，就能把部署壁垒压到最低。反方：先在一个细分任务上追求出厂即用的极高精度，再用一个个专用大脑拼出通用能力。

打开网易新闻 查看精彩图片

反方代表Nomagic刚刚交出一份早期成绩单。这家注册地在波兰华沙和美国佐治亚的机器人公司，今年早些时候挖来前Google DeepMind研究员Markus Wulfmeier担任首席科学家，组建AI研究实验室，并很快向付费客户交付了第一个视觉-语言-动作模型（VLA）。这种模型能感知物品、读懂文字指令并转化为动作。

Nomagic选的突破口并不性感：仓库机器人最难搞的“边缘情况”——比如货品倾斜、包装姿态异常——过去机器人一卡住就得人工介入。VLA上场后，据公司公布的数据，这类被迫干预的频率大约减半。要知道，这并非实验室测试，而是用在瑞士第二大电商平台Brack.Alltron的订单拣选打包产线上，不需要反复现场调试。

创始人Roland Brack的间接反馈更直接：他说以前的目标只是尽量少让人碰，现在看到的机器人是真正理解环境的。夜里和周日的无人班次能跑通，高峰期的压力不必转嫁给人工。他没有给出更多技术参数，但“理解环境”这个措辞，恰恰刺中了通用派目前最大的软肋——多数通用模型在单项任务上的准确度仍明显低于人类，必须靠额外的现场专项训练来补课。

两种思路的分歧在于先做什么。通用派默认模型的宽泛性最终会拉平专用性，Nomagic的逻辑则是先用高精度啃下一个个场景，再反向拼接成通用系统。目前看，这条“从专到通”的路线上，第一块砖已经嵌进真实产线。至于第二块要铺在哪里、何时能拼出泛化能力，叙事远未结束。