昨天刷到一条消息，愣了好几秒。

宇树科技直接开源了一个60亿参数的VLA多模态基座模型——不是那种论文挂个链接的"伪开源"，是模型权重、推理代码、真机数据集全打包放出来的那种。

VLA跟之前炒得火热的VLM不是一回事。VLM是"看懂图、理解文字"，VLA多走了一大步：把视觉、语言、动作三件事塞进同一个模型，自然语言下指令，摄像头看环境，模型直接输出机器人关节该怎么动。

说白了，以前的机器人模型只能"看"，现在这个能"看+想+做"。

60亿参数听起来吓人，但更关键的数字是：2500小时真机采集数据，500万条具身推理样本，单模型覆盖64类任务——倒垃圾、叠毛巾、拧瓶盖、铺床、厨房收纳，从全身移动到桌面精细操作，一套模型全搞定。

连灵巧手和平行夹爪都兼容，不用给每种机械手单独训练。

我为什么关注这个？

因为我每天靠AI跑工作流，太清楚"基座开源"四个字的分量了。

两年前做大模型应用，你要自己训模型或者花大价钱调API。DeepSeek用500万美元训出媲美GPT-4的模型之后，整个成本结构被掀翻了。现在宇树把同样的打法搬到了具身智能——最贵的那层基座，直接免费。

过去做机器人创业，三个坑得同时填：硬件、AI算法、数据采集。光训练数据这一项，采集一小时高质量机器人遥操作数据，设备加人力加调试就是一笔不小的开支，小团队根本扛不住。

现在基座模型+配套数据+开发框架一起放出来了。个人开发者和小型创业团队不用再从零训模型，在这个基座上针对自己的场景做微调就行。

我的判断：具身智能的竞争正在从"谁的模型强"转向"谁更懂场景"。

模型免费了，但场景数据没有捷径。工厂里焊接工人手势的微小差异，家庭环境里非标物品的抓取角度——这些东西大厂通用数据集里根本没有。

谁能在自己的细分场景里积累到高质量操作数据，谁就拿到了护城河。这跟大模型生态一模一样：开源模型人人能用，但真正把模型用好的人，赢在对垂直场景的理解深度。

说实话，这是我今年看到的对个体开发者最友好的信号。

具身智能现在就像2023年初的大模型——基座开始开放，应用层一片空白。当年有人专门给医院做CT影像微调模型，有人专门给工地做安全检测，靠细分场景活得很滋润。

机器人的"细分场景红利期"，可能比我们想象的来得更快。

你觉得，机器人领域最先被个人开发者拿下的场景会是什么？工业巡检还是家庭服务？