在人工智能的演进历程中，我们见证了从处理符号逻辑的初级阶段，到能够进行复杂文本对话与图像生成的生成式阶段。然而，AI 真正迈向“通用”的终极考验，在于它能否走出虚拟世界的服务器，进入复杂的物理世界进行交互。
“折衣服”这一看似平凡的家务劳动，实则蕴含了机器人学中最具挑战性的课题：非刚体操作、多模态感知对齐以及高自由度的动作规划。当 Tesla Optimus 展现出流畅的折叠动作时，其背后并非预设的动作轨道，而是一套名为 视觉-语言-动作（VLA） 模型的深度融合。
一、 具身智能的新范式：从感知到执行的闭环
具身智能（Embodied AI）的核心在于“身体”与“大脑”的协同。传统的机器人开发往往采用分层式架构：视觉系统负责目标识别，规划系统负责路径计算，控制系统负责关节驱动。这种架构在处理标准化工业零件时表现优异，但在面对柔软、形状多变的布料时，往往因为各模块间的逻辑断层而陷入困境。
VLA 模型打破了这种壁垒。它将 视觉（Vision） 的空间理解力、语言（Language） 的逻辑推理力与 动作（Action） 的物理执行力整合进一个统一的神经网络架构中。这标志着机器人从“按方抓药”的自动化设备，进化为拥有“物理直觉”的智能体。
二、 架构核心：Vision-Language-Action 的深度集成
要理解 Optimus 如何学会折衣服，首先需要拆解 VLA 模型的技术组件。
1. 视觉编码器：从像素到语义空间
对于人形机器人而言，视觉是其获取外界信息的主要渠道。VLA 模型通常采用大规模预训练的视觉互感器（Vision Transformer）。当摄像头捕捉到一件凌乱的衬衫时，模型并不仅仅将其识别为“衣服”，而是将其转化为高维向量。
这些向量包含了物体的几何特征、织物的褶皱分布、袖口与领口的相对位置。更重要的是，视觉编码器具备“时序感知”能力，它能理解动作发生前后的状态变化，为接下来的动作决策提供环境底色。
2. 语言锚点：任务拆解与长程规划
“折衣服”是一个包含多个子任务的长程序列：平铺、定位接缝、对折侧边、翻转、压平。语言模型（LLM）在 VLA 中充当了“认知中枢”的角色。
它将高层指令（如“把这件短袖折叠整齐”）拆解为一系列逻辑链条。通过将语言指令与视觉特征进行多模态对齐（Cross-modal Alignment），模型能够理解“折叠”这个动词在视觉空间中对应的物理形变过程。这种语义理解力赋予了机器人应对意外情况的柔韧性——如果衣服在折叠过程中滑落，模型能通过语言逻辑判断当前状态，并自发启动“重新平铺”的补救方案。
3. 动作标记化：将指令转化为物理能量
这是 VLA 模型最具创新性的部分。在传统模型中，输出通常是概率最高的下一个单词；而在 VLA 模型中，输出被转化为 动作标记（Action Tokens）。
动作标记代表了机器人关节的旋转角度、末端执行器的位移矢量以及抓取的力度控制。通过将连续的物理动作离散化，模型可以像预测下一个字符一样，预测下一组最优的电机反馈参数。这种端到端（End-to-End）的处理方式，极大地降低了感知信号在多层转化中的信息损耗。
三、 数据驱动：如何喂养出一个“家务能手”
VLA 模型的强大并非源于精妙的几何公式，而是源于海量高质量数据的喂养。Optimus 学习折衣服的过程，本质上是一个大规模模仿学习（Imitation Learning）的过程。
1. 遥操作（Teleoperation）与专家轨迹
研发团队通过穿戴传感器外骨骼或使用虚拟现实设备，远程操控机器人进行成千上万次的折衣服练习。每一次抓取、每一次覆盖、每一次对齐，都会被记录为一组同步的“视觉-动作”序列数据。
这些数据构成了“专家轨迹”。模型通过观察人类专家的操作，学习如何根据布料的反作用力调整抓取力度，以及如何在视觉盲区利用触觉反馈进行微调。
2. 仿真与现实的桥梁（Sim-to-Real）
由于现实中采集数据的成本极高，大规模的模拟器训练不可或缺。在虚拟空间中，研发人员构建了具备真实物理属性（重力、摩擦力、布料刚性）的数字孪生环境。
机器人可以在模拟器中进行数百万次的试错，而无需担心硬件磨损。通过领域随机化（Domain Randomization）技术，模型在模拟器中接触到各种光照条件、布料颜色和材质，从而培养出极强的泛化能力。当它面对一件从未见过的、带有复杂印花的真丝衬衫时，依然能凭借在模拟器中积累的“物理直觉”完成任务。
四、 技术干货：VLA 的关键算法演进
在实现“折衣服”这一动作时，VLA 模型内部运行着几种尖端的算法逻辑，这些逻辑决定了动作的连贯性与精准度。
1. 扩散策略（Diffusion Policy）
折衣服涉及到高度复杂的接触力学。如果使用传统的分类或回归算法，生成的动作往往生硬且容易震荡。扩散策略的引入改变了这一点。
它借鉴了图像生成中去噪的思想：先在动作空间中生成一个随机的“噪声动作”，然后根据当前的视觉反馈，迭代地将噪声剔除，最终细化为一个平滑、自然的运动轨迹。这使得 Optimus 的动作看起来更像人类，具有一种“柔顺性”。
2. 交互式感知（Interactive Perception）
对于非刚体而言，很多信息是静止时无法获取的。例如，一件衣服的正反面或厚度。VLA 模型支持交互式感知，即机器人会通过小幅度的试探性触摸（如挑起衣角）来更新其视觉编码器的输入。这种“边看边动”的闭环机制，是解决非标准化任务的关键。
3. 因果掩码与自回归预测
模型在预测动作时，必须严格遵守因果律。因果掩码技术确保模型只能根据过去的感知和动作历史来推断未来的动作，防止模型通过“预知未来”而学习到虚假的关联。自回归预测则保证了动作的长序列稳定性，使折衣服的过程不会在中间阶段突然“断片”。
五、 挑战与突破：非刚体操作的物理极限
折衣服之所以比组装汽车零件难，是因为布料的自由度接近无限。每一次折叠都会改变物体的几何拓扑结构。
-
遮挡处理： 当手部遮住衣服的关键部位时，VLA 模型必须依靠内部的“世界模型”进行空间建模，推测被遮挡部分的形状。
-
多尺度空间理解： 机器人既要关注整件衣服的大致轮廓（全局特征），又要精准捕捉折痕处的毫米级偏差（局部特征）。VLA 模型通过多尺度特征融合，实现了这种视觉焦点的无缝切换。
六、 具身智能的未来：通用动作空间的愿景
Tesla Optimus 折衣服的意义，远不止于一件家务。它验证了 大规模 Transformer 架构在物理控制领域的有效性。
未来的 VLA 模型将不再局限于单一任务。通过在海量的机器人操作数据、人类活动视频以及物理教科书知识上进行联合预训练，我们可以构建出一种“通用物理大脑”。届时，给机器人一个全新的指令——比如“整理书架”或“修理水龙头”——它将能够凭借对物理世界的理解，自动生成相应的 VLA 序列，而无需针对每个任务进行专门的编程。
具身智能的视觉-语言-动作模型正在抹平数字世界与物理世界之间的鸿沟。Optimus 的每一次对折，都是神经网络对物理规律的一次深刻致敬。
随着算力的提升与数据闭环的完善，VLA 模型将使机器人拥有更强的自适应能力。我们正在见证这样一个时代的到来：AI 不再仅仅是屏幕上的文字或图像，而是具备了实体，能够感知我们的需求，并在真实空间中为我们提供切实的帮助。
