8 月 27 日前后，具身智能领域冒出两篇指向不同时间轴的论文。一篇叫 StreamPI，专注 VLA 的「时间维度」——让机器人看懂动作在时间长河里的先后因果；另一篇叫 WALL-SS，要做 next-scale 的自回归世界模型，让机器人在仿真里先跑 60 秒再接触真实世界。与此同时，领益智造交出了一份营收增长、利润下滑的半年报：上半年营收 251.49 亿元（+6.45%），净利润 7.64 亿元（-17.88%），被市场热炒的「万台订单」实际只交付了「数千套」。a16z 则刚募完 11 亿美元的「机器时代基金」，这是它第一支专注 AI 硬件的基金。把这些拼在一起，会看到具身智能正在两条时间轴上同时前进：一条是「现在」——把当下的 VLA 做得更能理解时间；另一条是「未来」——用世界模型把仿真的时间拉长。而资本市场，正在两条轴上下注。

一、StreamPI：VLA 终于认真看「时间」了

StreamPI 来自大晓智能与香港大学，arXiv 编号 2608.26067。它的核心观点很简单，但之前很少有人真正做到：视觉-语言-动作模型（VLA）不能只看空间，必须看时间。 多数 VLA 把视频帧当成一叠图片，StreamPI 则把动作建模为连续的时间流，用流式注意力和时序一致性约束来理解「这个动作接下来会导致什么」。

效果很直观：

任务	基线	StreamPI
Shell Game	46.7%	80.0%
Rolling	26.7%	63.3%
Pen	40.0%	66.7%
Cup	60.0%	92.0%
LIBERO-Long	92.4%	95.0%

图 1 · StreamPI 把 VLA 从「空间识别」推进到「时序因果」。

我的观点：这些数字里最动人的不是绝对值，而是相对提升。Shell Game 从 46.7% 跳到 80%、Rolling 从 26.7% 跳到 63.3%，说明只要模型真正理解时间，很多以前做不对的长程任务会突然变得可做。这像是给 VLA 装上了短期记忆：不是死记硬背每一帧，而是理解动作如何随时间展开。对工业场景来说，这意味着装配、分拣、协作机器人可以处理更长的工序链，而不只是在每一帧里猜下一个动作。

二、WALL-SS：用世界模型把仿真时间拉长到 60 秒

如果说 StreamPI 解决的是「现在这一串动作怎么连起来」，WALL-SS 解决的就是「未来 60 秒会发生什么」。它由自变量 / XSquare 提出，arXiv 2608.26239（8 月 27 日），定位是 next-scale autoregressive world model。

WALL-SS 的关键指标有两个：

• action-following 得分 0.29，对比 Cosmos3-Nano 的 0.044——一个数量级的差距。
• 仿真-真机相关性 0.926，基于 600 对 sim-real 配对。
• 一次推理可以向前推演 60 秒。

图 2 · WALL-SS 把仿真从「瞬间快照」拉长到「分钟级推演」。

我的观点：WALL-SS 的真正价值不在 60 秒这个数字，而在于它把「仿真」从一种训练加速工具，变成了机器人可以「想」的工具。人类在做一个复杂动作前，会在脑子里预演；WALL-SS 给机器人提供了类似的预演能力。如果 sim-real 相关性能稳定保持 0.926 以上，机器人就可以在仿真里试错几千次，再把最优策略搬到真机上。这条路线和 StreamPI 是互补的：一个负责现在动作的连续性，一个负责未来结果的想象力。

三、商业现实：领益智造的「数千套」与 a16z 的 11 亿美元

技术论文之外，8 月 30 日还有两条商业信号值得关注。

领益智造 2026 年半年报：营收 251.49 亿元，同比增长 6.45%；净利润 7.64 亿元，同比下降 17.88%。在具身智能方面，公司承认市场热炒的「万台订单」实际交付只有「数千套」。这不是坏事——数千套已经是真实交付——但它说明行业叙事和真实产能之间存在明显落差。

a16z 11 亿美元「机器时代基金」：这是 a16z 第一支专注 AI 硬件的基金，名字本身就很有宣言感。它投资的不是单一机器人公司，而是整个「机器 + AI」生态：传感器、执行器、仿真平台、数据管道、垂直场景应用。

图 3 · 资本市场同时押注「现在能交付」和「未来能想象」。

**我的观点：**领益智造的利润下滑和 a16z 的 11 亿美元，是同一个行业的两个截面。现在能交货的公司赚不到超额利润，因为赛道太卷、产能爬坡太苦；赚到超额利润预期的，是定义标准和生态的公司。 这和当年的智能手机产业链很像：富士康营收巨大但利润薄，苹果拿走大部分利润。具身智能的「苹果」会是谁？可能是拥有世界模型 + 数据飞轮 + 场景闭环的公司，而不是单纯的硬件制造商。

四、两条时间轴：现在与未来

把 StreamPI 和 WALL-SS 放在一起，会看到一个清晰的结构：

时间轴	代表工作	核心问题	商业意义
现在 · 时序理解	StreamPI	当前动作序列如何因果连贯	更快落地、更高完成率
未来 · 世界模型	WALL-SS	未来 60 秒会发生什么	降低试错成本、形成数据壁垒

这两条时间轴不是竞争关系，而是接力关系。StreamPI 让今天的机器人更能干；WALL-SS 让明天的机器人更会想。中间的商业 gap，则由像领益智造这样的制造业公司和 a16z 这样的资本一起来填。

**我的观点：**具身智能真正有意思的是，它同时活在两个时间尺度里。短期看，它是制造业升级，拼的是良率、成本和交付量；长期看，它是通用机器人智能，拼的是世界模型、数据飞轮和场景闭环。 很多人用短期标准去嘲笑长期路线，或用长期愿景去掩盖短期亏损，都是错的。正确姿势是：用 StreamPI 这类工作判断「现在到哪了」，用 WALL-SS 这类工作判断「未来可能到哪」，然后让自己的仓位和研发预算匹配这两个时间轴。

五、给工程团队的动作清单

1. **关注 VLA 的时序建模能力：**如果你的机器人任务涉及多步骤装配、长程操作，优先测试 StreamPI 这类把动作当时间流处理的方案。
2. **把仿真从「训练加速器」升级成「决策预演器」：**用世界模型做策略验证，能显著降低真机试错成本。
3. **建立 sim-real 相关性监控：**0.926 是 WALL-SS 的亮点，也是你的基准线；持续追踪仿真与真机的偏差。
4. **分开看「交付量」和「叙事量」：**行业 PPT 里的万台订单不等于真实产能，投资决策要向下拆到供应链和良率。
5. **布局数据飞轮：**谁掌握了真实场景的持续数据回流，谁就更有可能成为具身智能时代的平台层。

结语：两条时间轴，一种耐心

具身智能不是单行道。它一边需要像 StreamPI 这样把当下的动作理解得更深，一边需要像 WALL-SS 这样把未来的仿真推得更远。领益智造在「现在」交付数千套，a16z 在「未来」押注 11 亿美元。

对从业者来说，关键是别站错时间轴：用做世界模型的心态去拧螺丝会亏死，用拧螺丝的心态去做世界模型会慢死。两条时间轴，需要两种能力，更需要一种耐心。

StreamPI 把 VLA 推进到「时序因果」，WALL-SS 把世界模型推进到「60 秒推演」；领益智造证明现在能交付但利润承压，a16z 的 11 亿美元押注未来生态。具身智能的决胜点不在单点智能，而在「现在能交付」与「未来能想象」两条时间轴的接力。

---

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。