具身智能 / VLA 算法工程师
#2
今日锚点 + 面试官怎么问锚点：第 11 届世界机器人大会 8/19–23 正在北京举办，今天 8/20 是「采购日」，本届首发新品破 150 款创历届新高、同期启动「具身智能技能人才培养计划」等 6 项人才计划；开幕前一天宇树科技上市首日收涨 460.34%、市值 3417.72 亿元。招聘侧：具身智能岗位招聘量同比暴涨约 15 倍（AI 整体约 8.7 倍），人形赛道新发职位同比 +215.80%，平均年薪约 40.61 万元；学术侧 VLA 论文在 ICLR 从 2024 年 1 篇 → 2025 年 9 篇 → 2026 年 164 篇。问法：简历写了 CLIP/BLIP-2/LLaVA 的人投这条线，必被问「VLA 和 VLM 到底差在哪、难在哪一段」。
怎么答（4 点，第 4 点是大多数人的真实处境）
- 一句话给出本质差别，别背定义。VLM 的输出是话，VLA（Vision-Language-Action）的输出是动作指令——多出来的不是一个模态，而是一个会产生真实物理后果、且撤不回来的输出空间。说错一句话可以重说；机械臂打碎的杯子拼不回去。这一句就把「看过介绍」和「想过工程」分开了。
- 三个难点，每个都落到工程上。① 动作怎么表示：连续控制量离散成 action token 交给自回归，还是直接回归输出？控制频率多高？② 数据从哪来：网上有海量图文对，但没有「该怎么动」的数据，真机遥操作采集又贵又慢——这正是人社部拟发布新职业「具身智能机器人应用技术员」职责第一条写多模态交互数据的采集与处理的原因。③ 闭环与延迟：VLM 一次前向就交差，VLA 要在闭环里持续输出，推理慢一点机器人就抖、就撞——推理优化在这条线上不是加分项，是硬需求（接上今天 #1）。
- 说清评测口径的差别。VLM 看基准分，VLA 看任务成功率与泛化——换个物体、换个光照、换个摆位还成不成？且必须在真机或高保真仿真里验证，仿真到真机的差距（sim-to-real gap）本身就是常考点。能说出「我先定义什么算成功、再定义换哪些条件测泛化」的人，明显靠前。
- 没碰过真机怎么答：别装。诚实说没有真机经验，然后把可迁移的部分讲实——多模态对齐、数据管线与质检、评测集设计、推理延迟优化，这四样在 VLA 里一样吃紧。再给一个能马上做的动作：在开源仿真环境里跑通一个公开 VLA 基线，做「换了物体还成不成」的小对照实验，把成功率曲线放进作品集。一个能复现、能对照的小实验，胜过背十页综述。
过来人提醒（对转行者的诚实判断）：这条线薪资最亮（赛道平均月薪从 5.9 万涨到 6.2 万的口径），但也是门槛最高、最不适合零基础速成的一条——第一大缺口是算法人才，其次是硬件与系统工程人才。别看着 460% 的涨幅就冲进去背 VLA 八股。转行者更现实的入口是数据侧（遥操作采集、多模态标注与质检）与应用部署侧——正是人社部新职业写明的活儿，也是今天 #3 的地盘。