具身智能（Embodied AI）技术演进与前沿报告：从 VLA 到 WAM 的范式跃迁

目录

• 一、 核心概念定义
  • 1. VLA (Vision-Language-Action Models)
  • 2. WAM (World Action Model)
• 二、 演进背景：为什么行业正从 VLA 转向 WAM？
• 三、 WAM 的主流架构分类 (Taxonomy)
• 四、 VLA vs WAM 核心差异对比
• 五、 2026 前沿行业趋势

---

在具身智能（Embodied AI）与机器人学习领域，技术路线正经历一次从VLA（Vision-Language-Action）向WAM（World Action Model）的重大范式演进。

简而言之：VLA 侧重于“看图听话做动作”（反应式映射），而 WAM 则侧重于“预测未来物理演化，再衍生出精准动作”（预测与因果驱动）。

---

一、 核心概念定义

1. VLA (Vision-Language-Action Models)

• 定位：以预训练视觉语言大模型（VLM）为 Backbone 的通用机器人策略模型。
• 工作机制：将机器人摄像头图像观测 $o_t$ 和自然语言指令 $l$ 转化为输入 Token，直接输出离散或连续的机器人动作序列 $a_t$。
• 典型代表：RT-2、OpenVLA、Octo、以及采用 Flow Matching 生成连续动作块的 ${\pi }_0$。

2. WAM (World Action Model)

• 定位：融合“视频/世界模型”与“动作解码”的新一代具身基础模型。
• 工作机制：利用大规模互联网视频预训练获得的时空物理先验（视频生成大模型/视频 Backbone），显式预测环境在交互下的未来演化（视觉帧或 Latent 隐空间），并将其与动作生成绑定在一起。
• 典型代表：NVIDIA Dream Zero、智平方 WAM 0.5、UC Berkeley/加州大学团队提出的 FACT 等。

---

二、 演进背景：为什么行业正从 VLA 转向 WAM？

VLA 的瓶颈——“接地鸿沟（Grounding Gap）”
传统的 VLA 模型直接拟合 $p(a_t|o_{\le t},l)$，属于反应式策略（Reactive Policy）。它虽然继承了互联网海量图文的语义理解能力，但缺乏对物理世界运行规律（重力、流体、形变、碰撞、摩擦力）的显式建模。模型不知道“动作做完后世界会变成什么样”，导致泛化和精细操作受限。

WAM 的破局思路（先想象，后行动）：

1. 预训练学习物理物理直觉：视频模型在海量互联网视频中已经学会了重力、反射、浮力与物体交互的时空演化规律（如 Video Backbone）。
2. 动作即解释：将动作 $a$ 视为“引发未来视觉状态变化的因果解构”。机器人通过预测未来状态 $o_{t+k}$，反推或协同生成最合理的动作序列 $a_{t:t+k}$。

---

三、 WAM 的主流架构分类 (Taxonomy)

当前 WAM 的最新研究（如 arXiv 2026 最新综述《World Action Models: The Next Frontier in Embodied AI》）将 WAM 划分为两大技术路线：

                    ┌── 级联型 WAM (Cascaded WAM) ──► 先生成未来状态/视频，再解码动作 (Inverse Dynamics)
世界-动作模型 (WAM) ─┤
                    └── 联合型 WAM (Joint WAM)    ──► 建模联合分布 p(o_future, a | o, l)，在同一模型内流式生成

1. 级联型 WAM (Cascaded WAM)：

• 原理：将任务显式拆解为两步 $p(a|o,o_{\text{future}},l)\cdot p(o_{\text{future}}|o,l)$。
• 流程：世界模型先根据当前观测与指令生成“未来的视觉画面/隐状态轨迹”，随后策略网络（Policy）基于“当前+未来”的状态对比解算动作（逆动力学 Inverse Dynamics）。

2. 联合型 WAM (Joint WAM)：

• 原理：紧耦合架构，对未来的环境状态与动作进行联合概率分布建模 $p(o_{\text{future}},a|o,l)$。
• 流程：采用 Autoregressive 或 Diffusion/Flow-matching 多流/单流 Backbone，同时输出图像预测 Token 和连续控制 Action Token，让未来物理约束直接指导动作解码。

---

四、 VLA vs WAM 核心差异对比

维度	VLA (Vision-Language-Action)	WAM (World Action Model)
本质范式	语义驱动的反应式策略 ($o\to a$)	物理直觉驱动的预测与控制联合模型 ($o\to o_{\text{future}}+a$)
主要预训练 Backbones	VLM（如 PaLM, Llama, Qwen-VL 等图文大模型）	Video Foundation Models / 世界模型 (如 Sora 架构、Video DiT)
物理推理能力	隐式泛化，易在未见过的复杂物理场景中失效	显式预测物理演化，具备常识物理规划与抗干扰“想象”能力
数据需求侧重	极度依赖真机 Teleoperation 遥操作轨迹数据	结合人类第一视角视频、无动作视频及神经营养模拟环境
部署与计算时延	推理路径较短，适合端侧高频控制	生成未来图像/Latent 带来额外开销，常配合快慢双系统架构部署

---

五、 2026 前沿行业趋势

1. 快慢系统结合（Fast-Slow VLA/WAM）：慢系统（WAM/VLM）高层理解指令并预演未来状态（如 1–5 Hz），快系统（微型 Control Head / Diffusion Policy）以高频（50–500 Hz）流式生成底层平滑动作。
2. “梦境”神经网络仿真 (DreamDojo / Neural Simulator)：将视频世界模型直接转化为物理可交互的“神经营养仿真器”，让机器人在虚拟“梦境”中自主试错与进化（如 NVIDIA Dream Zero 路线）。
3. 更低成本的数据采集（DexUMI / Egocentric Video）：利用人类第一视角外骨骼和随身视频设备采集纯视觉交互数据，填补具身机器人数据缺口。