VLA 模型的快慢双系统架构是如何协同工作的？

为了让机器人既有推理深度又有执行速度，业界提出了借鉴人类认知的"快慢双系统"架构，将 VLA 的推理与控制分工处理：

1. 慢系统（System 2）：由视觉语言大模型承担，负责理解环境、接受语言指令、进行高层推理与任务规划，预测未来的行为轨迹。其工作频率较低（通常数赫兹量级），对应人类的"大脑皮层"，负责思考。
2. 快系统（System 1）：通常基于扩散模型或轻量控制网络，负责将慢系统的规划高速转化为高频实时动作。其工作频率可达数十至数百赫兹，对应人类的"小脑与肌肉反射"，负责快速执行。
3. 协同机制：慢系统"想清楚要做什么"，快系统"迅速落实动作"。慢系统以较低频率（通常为每秒数次的量级）进行推理规划，快系统以数十至数百赫兹的高频输出连续控制指令，二者通过共享的表征空间通信协同工作。

这种"大脑—小脑—肌肉"的分工，使机器人既能处理需要推理的复杂任务，又能以接近人类的流畅度完成精细操作，同时缓解了单一 VLM 骨干推理速度不足以支撑高频闭环控制的矛盾。以 Figure AI 的 Helix 为例，其慢系统为 7B 视觉语言模型，以 7～9 Hz 进行场景理解与语义推理；快系统仅 8000 万参数，却能以 200 Hz 输出上半身全部 35 个自由度的连续控制指令，端到端响应延迟控制在 50 ms 以内。英伟达 GR00T N1 同样采用双系统设计，慢系统为视觉语言模块（运行频率为每秒数次的量级），快系统为扩散 Transformer 动作模块，二者端到端联合训练。2026 年 1 月更新的 Helix 02 进一步引入运行频率达 1000 Hz 的 System 0，负责关节级指令输出，将分层控制推向更高频率。