從大小腦、快慢腦到 VLA：機器人為什麼必須學會分工？
你端著一碗剛煮好的熱湯，走過一條擁擠的走廊。
眼睛看著前方的人，大腦可能還在想晚一點的工作；但碗裡的湯每晃動一次，手腕、手肘、肩膀與腳步都在迅速修正。有人突然從旁邊走出來，你的身體先減速、把碗往胸前收，意識才完整理解剛剛發生了什麼。
如果每一個細小動作都必須先被語言描述，再送進最高層思考，最後才下達肌肉指令，熱湯早已灑了一地。
人類之所以能自然行動，不只是因為大腦強大，也因為神經系統會分工。
有些決策需要理解整體情境；有些反應必須快到來不及思考。熟練動作被沉澱成低層控制，陌生問題才被送到更高層處理。視覺、觸覺、平衡、記憶與意圖不是在同一個速度上運作，也不由同一個部位完成所有事情。
具身機器人正在重新發現這個樸素事實。
早期的自動化系統常把任務拆成固定流程：相機找位置，規劃器計算軌跡，控制器執行動作。環境稍微改變，就必須重新編程。今天的具身智能希望讓機器理解自然語言、辨認陌生物體、規劃多步任務，還能在接觸與干擾中即時修正。
這些能力不可能全部由一個單一、同速、無所不包的模型穩定完成。
機器真正需要的，與其說是一位全知皇帝，不如說是一個協調良好的內閣。
一、「大小腦」不是生物學複製，而是工程分層
中國 2023 年發布的人形機器人指導意見，直接以「大腦、小腦、肢體」描述產業的核心技術方向。這種說法容易理解，但不能把它誤解成機器正在逐一複製人類腦區。
在工程上，所謂「大腦」通常指高層智能：理解指令、辨認場景、規劃任務、調用工具、決定先後順序。
「小腦」則多半指運動控制：維持平衡、生成步態、協調全身關節、把抽象目標轉成連續動作，並處理高速回饋。
「肢體」則包含驅動器、馬達、關節、感測器、結構件與末端執行器。
這個分層之所以重要，是因為不同問題有不同時間尺度。
「把紅色箱子搬到第二排貨架」可以花數百毫秒甚至幾秒規劃；腳底失去平衡時的修正，卻可能必須在幾毫秒內發生。高層模型可以比較慢、比較有全局；低層控制必須快速、穩定，而且不應因網路中斷而消失。
因此，把「大小腦」直接等同於 CPU 加 GPU，也不夠準確。
CPU、GPU、NPU、微控制器與專用驅動晶片都可能出現在不同層次；硬體配置會隨產品、功耗與任務改變。真正具有普遍意義的不是某三種晶片的固定組合，而是高層推理與低層控制必須有清楚邊界，又能持續交換資訊。
二、快慢腦：差別不只在速度，而在責任
2025 年 NVIDIA 發布的 GR00T N1，把架構明確分成兩個系統。
System 2 使用視覺語言模型理解環境與指令、規劃動作；System 1 則把計畫轉換成精確、連續的機器運動。這種設計借用了認知科學中的快慢思考比喻，也與機器人長期使用的分層控制相呼應。
快系統負責的，不只是「算得比較快」，而是那些不能等待的責任：
- 關節位置與扭矩控制；
- 平衡與步態修正；
- 接觸、滑動與碰撞反應；
- 已學會技能的連續執行；
- 安全限制與緊急停止。
慢系統則處理：
- 任務理解；
- 多步規劃；
- 物件與場景推理；
- 工具選擇；
- 失敗原因分析；
- 在多個方案之間取捨。
一個常見誤會，是把快系統叫做「肌肉記憶」，再把它固定等同於 NPU、CPU、GPU 的某種排列。肌肉記憶適合作為比喻，但機器裡並不存在與人類肌肉記憶完全對應的單一模組。
更精確的說法是：經過訓練的技能可以被壓縮為低延遲策略或控制器，讓高層不必重新計算每個關節軌跡。
人學會騎腳踏車後，不會每次上車都從牛頓力學開始推導；機器人也需要把反覆練習的動作沉澱成可快速調用的技能。
三、VLA 不是一個折衣服的小模型，而是一種跨越感知與行動的架構
VLA 是 Vision-Language-Action 的縮寫，中文可譯為視覺—語言—行動模型。
它的核心，是讓機器能把看到的畫面與收到的語言指令，直接連接到動作輸出。
傳統機器人系統常有許多彼此分離的模組：物件辨識、姿態估計、路徑規劃、抓取規則與關節控制。VLA 嘗試從大量示範中，學到一條更統一的映射：
在這個畫面、這個身體狀態與這句指令下，下一段動作應該是什麼？
因此，VLA 不等於「被訓練來折衣服的專門小模型」。
有些 VLA 是大型通用基礎模型，可以在多種物體、機器與任務之間遷移；有些則經過後訓練，專門服務某一具身體或場景。規模與通用程度不是由 VLA 這三個字直接決定。
Google DeepMind 在 2025 年推出 Gemini Robotics 1.5，把 VLA 用來將影像與指令轉成動作；同時另設 Gemini Robotics-ER，負責較高層的空間推理、任務規劃與成功判斷。NVIDIA 的 GR00T N1 系列也採用類似的雙系統思路。
這說明產業正在形成一個務實共識：
- 高層模型不必親自輸出每一個馬達訊號；
- 動作模型也不必獨自承擔整個世界的知識與長程規劃。
VLA 的價值，不在於消滅所有模組，而在於讓「看見、聽懂、做到」之間的斷裂變小。
四、世界模型不是多加一個字母，而是讓機器理解動作的後果
原始構想中使用了 VLAW，也就是在 VLA 後面加入 World Model。
這個方向合理，但 VLAW 並不是截至 2026 年已被全產業統一採用的標準名稱。不同研究會用 world model、predictive model、video model、embodied reasoning 或 model-based policy 描述相近但不完全相同的技術。
真正重要的是概念：
VLA 告訴機器「下一步怎麼動」；世界模型則試圖回答「動了之後會發生什麼」。
例如，機器想把一個玻璃杯放進洗碗機。它不只要辨認杯子與架子，也要預測：
- 杯口朝上可能積水；
- 夾持太緊可能破裂；
- 放置角度不對，門會關不起來；
- 如果杯子已經滑動，原本軌跡不再安全。
世界模型讓機器能在內部預演部分後果，或用影片生成與模擬資料學習物理連續性。
但它仍然只是模型。
它可能預測錯誤，也可能在訓練資料未涵蓋的材質、光線或碰撞條件下失效。因此，世界模型不能取代真實感測與安全控制；它應該提供預期，而不是被當成物理世界的絕對真相。
五、觸覺加入之後，模型才真正碰到世界
視覺語言模型很擅長處理可以被拍下來的資訊。
但抓取穩不穩、布料是濕還是乾、插頭是否真正插到底，往往需要接觸才能確認。
這促使研究者把觸覺加入行動模型。有人稱為 tactile-language-action，有人使用 visuo-tactile-action、vision-tactile-language-action 等名稱。原始筆記裡的 VTLA 可以作為方便理解的縮寫，但目前並不存在唯一、公認、由所有研究者共同使用的 VTLA 標準架構。
其共同方向是：
- 視覺先提供物體位置與大致狀態；
- 語言描述任務與限制；
- 觸覺提供接觸、滑動、材質與力道；
- 動作模型把多種訊號轉成下一個操作。
折衣服就是典型例子。
只靠視覺，機器可以估計衣物輪廓；加入觸覺後，它還可能辨識布料厚度、抓取是否只拿到一層、衣服是否仍纏在一起。未來，材質資訊甚至可能影響洗滌、烘乾或摺疊策略。
但「摸到材質，就能自主決定要不要烘乾」仍是完整家務流程中的高層決策，不是觸覺模型單獨完成的能力。它需要衣物標籤、使用者偏好、安全規則與家電狀態共同參與。
技術成熟的表現，不是讓每一個模型看起來無所不能，而是知道每一個模組應負責到哪裡。
六、類人腦與突觸晶片：有研究方向，不等於機器會自己長出新模型
神經形態運算試圖模仿神經元與突觸的事件驅動方式，以更低功耗處理感測與控制。脈衝神經網路、記憶體內運算與可塑性元件，也可能讓邊緣機器更有效率地學習或適應。
但「類人腦設計會自動產生新的小模型」目前仍是一種過度簡化。
機器可以透過線上學習、技能發現、模型路由或自動生成程式，建立新的策略與工具；這些過程仍需要目標、資料、評估機制、資源限制與安全邊界。它不會只因為晶片採用突觸式設計，就自然長出有用而可靠的新能力。
類腦硬體處理的是計算方式，技能產生處理的是學習與系統架構。兩者可能結合，卻不能混為一談。
正式討論這類前沿概念時，需要把三層分開：
- 已成熟的分層控制：高層規劃、低層動作、安全控制。
- 正在快速發展的模型架構：VLA、世界模型、觸覺融合、技能庫與模型路由。
- 較長期的研究方向：神經形態硬體、持續學習與自動生成新技能。
這樣寫並不會削弱未來感，反而讓真正的進步更容易被看見。
七、技能庫：成熟不是每次重新思考，而是知道何時不用思考
一台機器若每次開門都要從零推理門把的作用、重新規劃每個關節，它會非常慢，也浪費算力。
更合理的系統會把大量常用能力做成可調用技能：
- 走到指定位置；
- 抓取一個物體；
- 雙手搬運；
- 打開抽屜；
- 插入零件；
- 退回安全姿勢。
高層模型選擇並排列技能，低層控制器執行；遇到偏差時，再把問題升級到更高層。
這種架構有點像組織運作。
執行部門不會每次都等待董事會批准如何轉一顆螺絲；董事會也不該被每一個馬達的電流數據淹沒。資訊只有在超出正常範圍、出現衝突或需要改變策略時，才逐層向上傳遞。
成熟的智能不只是能夠思考，而是能管理思考成本。
這也是「力覺、觸覺應該在手部本地自適應，避免消耗大腦運算」這個原始洞見的精確版本：
高頻、局部、可重複的修正應盡量在靠近感測與致動的層級完成；高層模型保留給全局、例外與新問題。
八、分工也會製造新的失敗
分層架構解決了速度與算力問題，卻不是沒有代價。
高層可能下達一個語意上正確、物理上不可行的任務；低層可能在局部把動作做得很穩，卻偏離整體目標。技能之間也可能互相衝突，模型切換可能產生延遲，安全控制甚至可能在關鍵時刻否決高層命令。
更麻煩的是，責任會被分散。
如果機器把杯子摔碎，是視覺辨識錯了、世界模型預測錯了、VLA 輸出錯了、控制器沒修正，還是感測器故障？當系統由多個模型、供應商與硬體組成，診斷與問責都比單一程式困難。
因此，好的「內閣」不只要有分工，也要有：
- 清楚的權限；
- 可追蹤的決策紀錄；
- 模組間一致的狀態描述；
- 安全層的最終否決權；
- 在失敗時能回溯原因的工具。
分工讓機器更靈活，也使系統治理變得更重要。
九、真正的通用，不是讓一個模型包辦所有事情
人們容易把通用機器人想像成一個巨大模型，能直接完成所有人類任務。
但人類本身也不是靠一種單一能力做所有事情。
我們使用語言、視覺、觸覺、習慣、工具、他人協作與文化規則；面對陌生問題時，也會搜尋資料、請教專家或重新練習。通用性不是什麼都預先寫在同一個腦裡，而是能把多種能力組合起來，進入新情境後繼續學習。
因此，未來更可能出現的是「通用骨架加專門技能」：
- 基礎模型提供世界知識、語言與跨任務表示；
- 具身模型把知識接到特定身體；
- 場景資料讓它適應工廠、家庭或醫院；
- 低層控制確保每一具身體穩定；
- 安全規則限制它能做與不能做的事情。
這比一顆全能皇帝更像一個制度成熟的內閣。
當機器學會分工，下一個問題就會變得更清楚：它能不能把在一個地方學到的能力，帶到另一個地方？能不能端不同大小的盤子、面對沒見過的杯子，甚至從一段人類影片中理解一項新動作？
這會把我們帶進具身智能最常被承諾，也最容易被誇大的能力——泛化。
本章判讀
- 已驗證事實：分層控制、快慢系統、VLA、高層 embodied reasoning 與本地安全控制，已成為主要研發路線。
- 產業趨勢：通用基礎模型將與專門技能、低層控制和安全模組共同存在，不會只靠單一模型包辦一切。
- 思想框架：「意識的內閣」是組織分工的比喻；它不表示機器已擁有人類式意識。
本章參考資料
- 工信部，《人形機器人創新發展指導意見》，2023。 https://www.miit.gov.cn/jgsj/kjs/wjfb/art/2023/art_50316f76a9b1454b898c7bb2a5846b79.html
- NVIDIA, “Isaac GR00T N1,” 2025. https://investor.nvidia.com/news/press-release-details/2025/NVIDIA-Announces-Isaac-GR00T-N1--the-Worlds-First-Open-Humanoid-Robot-Foundation-Model--and-Simulation-Frameworks-to-Speed-Robot-Development/default.aspx
- NVIDIA, “GR00T N1.6,” 2025. https://research.nvidia.com/labs/gear/gr00t-n1_6/
- Google DeepMind, “Gemini Robotics 1.5,” 2025. https://deepmind.google/blog/gemini-robotics-15-brings-ai-agents-into-the-physical-world/
- Google DeepMind, “Gemini Robotics-ER 1.6,” 2026. https://deepmind.google/blog/gemini-robotics-er-1-6/
- Hao 等，〈TLA: Tactile-Language-Action Model for Contact-Rich Manipulation〉，2025。 https://arxiv.org/abs/2503.08548
