[技术] 复旦贾萧松：VLA、WAM 新架构层出不穷，但瓶颈其实不在模型架构

这是雷峰网「世界模型 50 人」系列的一篇访谈。贾萧松现为复旦大学可信具身智能研究院助理教授，研究灵巧手与 Ego 数据；他的博士经历恰好穿过了自动驾驶过去几年几次重要的路线转向，而这些问题的形状正在具身智能领域重新出现。

几个我觉得最有信息量的判断：

**端到端最重要的价值是直接优化最终目标，中间任务的主要作用是监督信号，而非可解释性。** 他回顾 2021 年被导师严骏驰劝着从轨迹预测转向端到端：轨迹预测夹在感知与决策之间，上游信息未必传得下来（行人招手的意图、前车刹车灯亮起），它预测出的六种可能轨迹，下游决策往往只用一种，模块做得再好也未必改善整个系统。模块化还有两个毛病：模块之间传递时信息持续损失；各模块优化目标不一致，感知团队花几个月把 200 米外车辆的检测率提上去，对城区决策可能根本不重要。但端到端也不等于要砍掉所有中间任务——监督信号太稀疏了，海量图像点云最后可能只对应几十步轨迹，「中间任务的点数可能不是关键，但监督信号非常重要」，这和他今年在 RSS 2026 发表的 GuidedVLA 思路一致。

**他也修正了自己早期的看法：中间任务是在提供监督信号，不代表真的实现了可解释。** 检测到某辆车，不代表下游决策真的会在意它；没检测到，也不代表端到端模型内部不知道它的存在。

**落地仍然离不开规则。** 有些行为绝对不可接受，看到人不能直接撞上去，这件事不能完全交给存在不可预测性的神经网络。他借大模型圈的说法打了个比方：规则是不是可以叫自动驾驶的 Harness？从安全、保险、监管角度考虑，外挂机制在未来相当长一段时间内都少不了。

**模仿学习的上限，是他在 2022 年就意识到的。** 做 ThinkTwice 时仿真能近乎无限地生成数据，他们采了自认为「几乎无限」的数据，用 100TB 硬盘加上大量算力去训更大的模型，结果却发现：随着数据和模型规模不断增加，驾驶能力并没有从「开得还行」跃升到「开得完美」。他由此判断瓶颈可能不在神经网络结构，也不只是数据规模，而是模仿学习这种训练方式本身存在局限。

对现在追 VLA、WAM 新架构的人来说，这个结论挺值得琢磨：换架构能不能解决问题，可能得先回答「瓶颈到底在哪一层」。

原文链接：https://www.leiphone.com/category/academic/omK9nE62h3kHaQg5.html
来源：雷峰网