现在公司主流的都是VLA，包括DeepMind Gemini Robots, 还有一种公司都采用VLA技术，为什么呢？（因为又懒又蠢）

1. 因为效果好吗？不是，效果极差

2. 因为通用性好吗？不是，抛开任务难度谈通用是耍流氓。

3. 因为便宜吗？是，也不是。便宜的是人脑，让人类不需要思考这么多，贵的是算力，因为暴力求解需要大量算力。

4. 因为推理速度快吗？啊对，他就是可以很快抉择，就是快。指整个系统在新的任务下和指令干预下，响应速度快。但是抛下效果谈速度，就是耍流氓。

VLA本质上就是一个升级版BC，没有太多新的东西。

很多纯CS出身的人，常常陷入误区，效果不好是因为这个框架可以微调改进，效果从90%可以微调到95%，哦耶，这样赢了。

问题是，本身90%这个，效果就是极其不科学的计算出来的准确率，成功率，你tm摆拍30次，成功了27次，你给我说你这个任务成功率90%。

弗雷哥揭露这些人，怎么得出90%的这个效果的，实际上你成功率100%都可以，完全你自己去控制难度。

太多不看版本

任务太简单，只有抓和放
场景太单一，场景就1-2个物体
只有2D的转化，没有3D

1. 首先最重要的，选个最简单的任务，

任务极其简单，也就是pick-place：

抓起来，放下去，抓起来，放下去。

多一个曲线或者多步骤轨迹，系统都炸了，vla哭爹喊娘了。

你选了这个抓起来，放下去的任务，你成功率已经60%了哈，闭眼60%，无脑60%，必须60%，万能60%。

很多人比较搞笑，他们为了装逼，pick-place，不叫pick-place，还无限细分，这样隐藏自己10个task，实际上就是一个task。

比如： put the bottle on the desk

比如：pick the pen to the pencil case

比如：move the bowl on the box

…….. 诸如此类的，挂羊头卖狗肉的任务及其多，明明就是pick place一个任务，硬生生说自己完成了100个通用任务….

你但凡选个倒水，叠衣服，刷盘子，之类的，大概率0.001%的成功率起步，不给0%是因为过不了初审，但弗雷哥要说，倒水这个任务，vla肯定是0%起步。

所以以后看到，vla任务只有pick-place，或者类pick-place的（伪装的），弗雷哥直接reject，什么玩意。

2. 第二关键点的, 背景简单

通常就是桌面上，完完全全纯色的背景，

背景就只有一个物体，最多两个物体。

多一个都怕出错。只能1-2个。

但人类生活中，肯定是非常clutter的环境，所以1-2个物体，这种情况根本不存在。

以下场景VLA全GG：

桌子上（镜头）至少5个物体起步，不然直接reject，没意义。

3. 全是2D的转化，只做平面，

人类是生活在3D空间，很多情景，

1） 物体是有空间位子position和姿态orientation变化

2）物体几个是很可能overlap到一起的

比如以下3D情况，VLA根本无法处理。

4. 数据需求量巨大，就是一个BC

本身理论上来说，AI应该观察人类一次演示数据就OK的，但是，目前VLA，需要几百次数据，做一个单一2D场景，pick place的简单任务，跟暴力枚举，基本没区别，真是糟蹋算力。

弗雷哥看着这种，弱智VLA就恶心。

一个任务，最多3次few shots了，再教下去，没有耐心了，烦了，谈什么智能，谈什么鬼智能呢，垃圾VLA，

弗雷哥给女朋友演示3次倒牛奶，她都不会，弗雷哥马上暴怒哦，暴怒之下，把女朋友skii的前男友面貌一晚上用十片！

5. Boundary 不清晰，完全黑盒。

你根本不清楚，VLA到哪个阶段可以做什么任务。比如VLA哪个阶段可以切洋葱，哪个阶段可以织毛衣，哪个阶段可以拆笔记本电脑、哪个阶段可以做手术？

完完全全都未知，或者说完全不可能。

VLA鼓吹的zero shot，怎么可能呢？连人都做不到zero shot，哦，你没见过洋葱，你没拨过洋葱，你如何莫名其妙让ChatGPT给你，倒水，扫地，抓拿放，关门等一些列，一点不相关任务，

莫名其妙涌现，拨洋葱技能，哦，我涌现了复杂的拨洋葱skill，

如果你一层一层一层地拨开VLA的洋葱内心，你会发现，你会鼻酸，你发现什么tm的都没有哦。都是一团酱胡。

所以弗雷哥说，

VLA，大部分人，精挑细选，最简单的场景，最简单的任务，最2D的2D，加上demo拍摄者，总挑细选角度和拍摄的demo。

根本就是倒反天罡，弗雷哥今天宣布，VLA打入冷宫。

总结：VLA忽略了所有的复杂的，最应该解决的模块，本质上，就是一群纯CS的人偷懒，投机取巧，营造出来的盛世，百花齐放，这个泡沫，弗雷哥第一个站出来，在知乎上戳破。

弗雷哥不是不鼓励大家用AI，弗雷哥完全不鼓励，没有一点modeling，没有一点可解释性，没有一点水平，没有一点对于机器人任务和场景本身理解和建模的系统。

纯End2end，你觉得可以train出来？通用能泛化？

瞎胡扯，你给一堆机器人捡石头的数据集，你给我泛化一个机器人捡黄金和钞票的系统试试？弗雷哥倾家荡产给你投资拉pitch。

好了，弗雷哥diss的新目标，纯end2end的VLA框架，review 最好不要让弗雷哥碰到，不然，不满足弗雷哥说的3点弱智要求，弗雷哥秒哭。

么么哒

———————-

彩蛋：

VLA还算是弱智人

软体机器人是猪，系猪，猪