VLA 机器人数据困局：1228 篇论文揭示数据质量与多样性才是核心瓶颈
在 AI 机器人领域，Vision-Language-Action (VLA) 模型正迎来爆发式增长。根据 Label Studio 团队对 arXiv 上 2023 年 2 月至 2026 年 6 月期间 1,228 篇 VLA 相关论文的深度分析，该子领域的论文发表量同比增长了 5 倍，成为增长最快的科研方向。
然而，在技术狂飙突进的背后，一场关于“数据真相”的深刻反思正在酝酿。通过对海量文献的系统性挖掘，研究团队得出了一个颠覆性的结论：制约 VLA 进展的不再是架构设计或计算资源，而是数据本身，且是数据的质量与构成。
核心发现：从“缺数据”到“坏数据”的范式转移
过去，社区普遍认为瓶颈在于“缺乏足够的机器人数据”。但最新的研究表明，这一认知已发生根本性转变。当前的痛点在于：我们拥有的数据标注质量差、极度同质化、未经充分测试且缺乏验证。
1. 数据收集的成本与局限
绝大多数 VLA 论文的开篇都引用了同一套逻辑：高性能受限于高质量机器人轨迹数据的可获得性，而真实机器人的数据采集成本高昂、劳动密集且难以规模化。
- 成本框架普遍存在：GigaBrain-0、EgoVLA 等研究均指出，物理硬件的依赖严重限制了数据规模。
- 基础设施瓶颈：2026 年的一项综述指出，未来的突破将不再单纯依赖模型架构，而是取决于高保真数据引擎与结构化评估协议的协同设计。数据基础设施本身已成为亟待解决的一级研究问题。
2. 简单堆砌已失效：负迁移与数据冗余
最先进的前沿研究已不再主张“收集更多数据”，而是警告“朴素缩放”已停止生效。
- 负迁移 (Negative Transfer)：混合不同机器人的异构数据集往往会导致模型性能下降，而非提升。
- 数据冗余：一项数据蒸馏研究显示，仅选取 5% 的精选核心数据 (Coreset) 即可恢复 85-90% 的全数据集性能，证明当前语料库中大量数据并未发挥实际作用。
- 多样性关键：SEVO 研究发现，在遥操作采集时改变光照、背景及干扰项的多样化采集协议，是提升泛化能力的单一最重要因素。仅包含分布内数据无法实现向新环境的迁移。
3. 三大关键数据缺口
研究汇总了论文中反复提及的三个缺失领域，每个缺口都伴随着明确的经济成本与收益分析：
(1) 语言标注贫瘠与模态失衡
VLA 模型中的语言指令存在严重的贫乏问题。标注多为重复、模板化的命令，缺乏结构多样性。
- 模态失衡 (Modality Imbalance)：语言多样性远低于视觉和动作多样性，导致模型偏向视觉捷径。
- 信息坍塌 (Information Collapse)：由于指令可从视觉场景中预测，指令与动作之间的互信息消失。
- 后果：SOTA VLA 模型实际上忽略了语言输入。LIBERO-PRO 实验显示，即使替换为无意义 token，模型输出依然稳定。
- 修复收益：LangGap 研究显示，针对性的多样化指令增强可将单任务成功率从 0% 提升至 90%；CAST 通过反事实语言重标注，在不收集新数据的情况下提升了 27 个百分点的导航能力。
(2) 缺乏真实场景验证
现有数据多来源于遥操作 (Teleoperation)，缺乏在真实、复杂物理环境中的长期验证，导致模型在面对未见过的情景时表现脆弱。
(3) 长程任务数据缺失
尽管微调了大型遥操作数据集，模型在长程任务 (Long-horizon tasks) 上仍频繁失败，表明当前的数据分布无法支撑复杂的因果推理。
结语：迈向数据驱动的未来
Label Studio 的分析表明，VLA 领域的下一个十年，将属于那些能够构建多样化、高质量、经过严格验证数据基础设施的团队。简单的数据量级竞赛已告一段落，未来的赢家将是那些懂得通过数据重标注、多样化采集协议以及精细的数据工程来挖掘现有数据潜力的开发者。
“数据，而非架构，也非算力，是 VLA 进展的绑定约束。” —— 基于 1,228 篇 VLA 论文的综合分析结论
