从 CoRL 2026 看具身：没有新主线，问题正在继续下沉｜CoRL 2026

CoRL 2026 接收结果公布后，我们系统梳理了其中的具身智能相关工作。

没有预设 VLA、World Model 或 Humanoid 等方向，而是从公开接收信息出发，逐篇核对论文，再按照它们实际解决的问题重新聚类。

一个比较明确的判断是：具身智能正在从基础能力扩张，进入能力边界的研究阶段。

比如，过去几年，行业需要回答的是机器人能不能理解指令、生成动作、完成操作，能不能让通用模型进入真实机器人。

这些问题仍然重要，但研究正在进一步向下拆解。

模型在具备一定基础能力之后，数据效率、泛化、Post-training、物理交互和复杂本体，正在成为新的研究密集区。

研究方向上，开始关注：

• 数据规模仍然重要，但数据效率开始成为更具体的问题

• VLA 开始集中处理泛化边界

• Pre-training之后，出现了新的研究空间

• 物理反馈开始进入通用策略

• Humanoid开始从“运动”走向“任务”

把这些变化放在一起，我们更愿意把 CoRL 2026 释放出的信号概括为：具身智能没有出现一条可以概括所有工作的“新路线”，研究正在进入更具体的问题层。

数据研究开始讨论效率，VLA 开始处理泛化，预训练模型向 Post-training 和持续学习延伸，多模态策略开始引入物理反馈，Humanoid 则进一步进入全身任务。

World Model 和 Agentic Robotics 也在出现新的工作，但目前路线仍然分散，更适合作为正在形成的研究信号继续观察。

其实，这背后对应着一个科研阶段的变化。

当一个方向完成早期能力验证，研究空间往往会从“能不能做”继续下沉到“在哪些条件下还做不好”。

对于准备进入具身智能科研的同学，这个阶段尤其需要避免从名词出发选题。

“我想做 VLA”“我想做 World Model”“我想做 Humanoid”，都只是方向。

真正的科研选题，需要继续找到这个方向当前最具体的能力缺口，再判断它能否形成假设、实验和有效增量。

这也是我们在具身智能科研辅导中重点训练的一件事，最终需要建立的是一条完整的研究链路：前沿判断 → 问题定义 → Idea → 实验验证。