机器人技术正以惊人的速度进化，它们不仅能看、能听，还能精准执行复杂动作。这类被称为视觉-语言-行动模型（VLA）的智能系统，正逐步成为工业自动化和家庭服务领域的核心力量。然而，最新研究却揭示了一个令人意外的事实：这些机器人"大脑"中的语言处理模块，可能存在严重的资源浪费。
由马里兰大学与思科研究院联合开展的研究发现，主流VLA模型中负责语言理解的部分，其参数量通常占整体模型的80%以上，但实际执行简单指令时，这些庞大模块的贡献却微乎其微。研究团队通过"先丢后恢复"（DTR）实验框架，系统性地验证了语言模块的冗余性——在多个标准测试中，砍掉一半语言层后，机器人任务成功率不降反升，某些场景下甚至从95%提升至98.3%。
这项突破性成果的核心在于DTR实验设计。研究人员将变换器模块从模型中物理移除，而非简单禁用，随后通过恢复训练让剩余结构重新适应任务需求。这种"手术式"操作揭示了一个关键规律：衡量模块冗余度的标准不是删除后的即时表现，而是经过重新训练后能否恢复原有水平。实验数据显示，语言模块在恢复训练中展现出极强的可替代性，而视觉和动作模块一旦删减，任务成功率便急剧下滑。
在真实工厂场景的测试中，配备腕部摄像头的机械臂需要从堆叠的软体包裹中精准抓取目标。当语言层从18层削减至9层时，任务成功率仅从75%微降至70%，但在极端删减（仅保留2层）时，成功率开始出现明显下降。更值得关注的是，在光照变化等扰动条件下，完整模型与删减模型的差距显著扩大，暗示那些"看似冗余"的语言层，可能在应对环境变化时发挥着隐性支撑作用。
研究团队开发的GateProbe评分系统，为精准识别冗余层提供了新工具。不同于传统方法依赖参数大小或信号变化，GateProbe通过测量任务损失函数对模块开关的灵敏度，直接评估每层对任务的实际贡献。在极端删减场景中，该方法选出的模块组合比现有最佳方案高出近4个百分点，且计算成本仅需25秒完成一次前向反向传播。
实验还带来了训练效率的意外提升。参数减少后的模型在相同计算预算下可进行更多训练步数，某些删减版本的任务成功率反而超越完整模型。以π0.5模型为例，删减12层语言层后，成功率从91.7%提升至93.7%，同时单次动作生成延迟缩短42%，内存占用减少近一半。这种"硬件无关"的加速方式，为边缘计算平台上的机器人部署提供了重要突破。
四种主流VLA架构的对比实验进一步证实了语言冗余的普遍性。无论是采用Llama-2-7B语言主干的OpenVLA-OFT，还是使用Qwen2.5-VL-3B的Lingbot-VLA，在删减一半语言层后均能保持或超越原始性能。研究人员指出，这种结构性矛盾源于当前设计策略的简单迁移——直接将处理长文本的大型语言模型嵌入机器人系统，却忽视了实际任务对语言能力的有限需求。
当测试难度升级至双臂协同操作或复杂环境扰动时，语言模块的价值开始显现。在RoboTwin 2.0基准测试中，困难版任务的成功率随删减程度加剧而急剧下降，某些场景下从60%暴跌至8%。这表明，虽然当前标准测试未能充分考验语言理解能力，但在需要空间推理或多步骤规划的复杂任务中，语言模块仍具有不可替代的作用。
这项研究对机器人AI的发展方向提出了深刻质疑。现有设计策略导致视觉和动作模块资源相对匮乏，而语言模块却存在严重浪费。研究人员呼吁，未来架构应基于各组件的实际需求进行容量分配，同时需要开发更具挑战性的测试基准，以真正评估模型在复杂语言指令下的泛化能力。对于开发者而言，这意味着可以通过精简语言模块来提升效率，但必须警惕过度删减可能削弱模型应对未知场景的能力。
