VLA 模型三段链路讲解稿

部门周五下午分享会轮到机器人这一节，同事只听过具身智能这个词，要讲清 VLA 怎么把看见的画面变成动作。

【背景】
1. VLA 是视觉-语言-动作模型，输入画面加一句人话指令，输出是关节动作。
2. 链路三段：视觉编码器把画面切成 token，语言指令一起进主干，动作头再解码成动作。
3. openVLA 是常见参照，7B 参数，视觉侧 DINOv2 加 SigLIP，主干 Llama 2，约 97 万条真机轨迹。

【目标】
1. 让同事听完能自己复述画面进、动作出这条主线。
2. 让听众能说清它和先感知再规划再控制的老流水线差在哪。
3. 留三分钟问答，听众至少能提一个安全问题。

【风格】
1. 用科普专栏体，一句话一个意思，不堆公式。
2. 每个概念配一个生活类比，例如把动作离散化比作把人话切成音节。
3. 参照公开课的节奏，先给结论，再拆原因，最后说边界。

【语气】
1. 对跨部门同事保持平实，缩写首次出现就解释。
2. 说到做不到的部分用目前受限于这类说法，不说完全可以。
3. 不用感叹句，不出现颠覆、革命这类词。

【受众】
1. 听众是产品、运营、市场同事，多数没写过代码。
2. 他们知道大模型能聊天、能生图，没想过能直接驱动电机。
3. 他们最关心这东西什么时候能进自己的业务。

【输出形式】
1. 输出四节：结论、三段链路、与老流水线的差别、现在做不到什么。
2. 全文 700 字以内，每节一句小标题，能直接当幻灯片标题。
3. 末尾附三个问答预判，各写问题和两句回答。