Vision-Predictor-Action：通过神经符号 JEPA 预测器迈向高效具身 AI

基于摘要分析。本文针对机器人 Vision-Language-Action（VLA）模型逐 token 生成动作时，推理延迟随动作序列长度增长、限制闭环控制频率的问题，提出目标条件化的 Vision-Predictor-Action（VPA）。其主要贡献是用潜在控制循环替代自回归解码，将离散技能选择、潜在状态预测和整段动作生成结合起来；研究对象是具身机器人控制，而非 EEG 或 BCI。 机制上，共享视觉编码器与冻结的文本编码器对观测、目标图像和指令进行嵌入；神经符号选择器选取离散技能，Joint-Embedding Predictive Architecture（JEPA）预测器预测下一潜在状态，flow-matching 求解器通过少量积分步骤生成整个动作块。作者提出，该设计使每个决策步骤中的串行网络评估次数不依赖动作时域长度；这不等同于所有计算成本均与动作长度无关。摘要还提及推理复杂度、防止表征坍塌的正则化，以及潜在子目标阈值化限制任务阶段间误差累积的条件，具体形式尚未验证。 作者报告，在 LIBERO-10 初步验证中，可训练模型参数少于 20M，检查点小于 75 MB，均不计冻结的 63.4M 参数 CLIP 文本编码器。单摄像头参考配置在 Apple M4 上每个决策步骤耗时 10–14 ms；另一项双摄像头策略仅使用 LIBERO-10 示范数据、在单 GPU 上训练不足三小时后，在 200 个评估回合中取得 40.0% 成功率。上述延迟与成功率来自不同摄像头配置，不能直接拼接为同一策略的速度—性能结论。 这些结果来自单次训练运行，作者将其定位为初步概念验证。摘要提供了代码、权重及归档地址，但尚未核验实现与复现条件；实验划分、比较基线、消融、统计不确定性及运行计时范围尚未验证。其机制依赖视觉、语言目标与机器人动作数据，当前材料未建立向 EEG/BCI 迁移的具体对应关系；已有 EEG 相关工作尚未检索确认。