26年7月来自中国电信TelAI的论文“From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence”。

这是一篇路线图（Roadmap）综述类论文，不提出完整可运行模型，而是梳理开放世界物理智能领域现状，诊断行业三大核心鸿沟，提出Embodied Brain（具脑）+Physical Harness（物理适配层）的分层栈架构，定义接口契约，给出协同演进研究路线。

核心思想：当前 VLA、世界模型一味扩大模型参数量、轨迹数据规模，并不能带来可复用、可累积的物理智能；真正瓶颈在于模型‑数据‑系统之间缺少显式语义接口契约，推理、控制、感知、执行强耦合，更换机器人硬件就要重训模型。需要把高层物理推理与硬件专属执行解耦。

一、核心内容与方法

1. 域演进梳理

作者梳理四条技术发展脉络：动作策略模型 → 语义对齐模型 → VLA 视觉语言动作策略 → 世界模型 → WAM 即世界-动作模型（World Action Models）。

如图 1 所示从WAM研究到具身大脑和协同演化的物理智能堆栈，系统层面的发展趋势是：WAM 为研究干预条件预测提供一条途径，而具身大脑仍然是可重用物理推理和意图形成的更广泛目标。

VLA：输入多模态观测直接输出机器人执行器动作向量；缺陷：动作带来的物理后果是隐式的，不对外暴露，难以做规划、校验、故障恢复、跨机器人迁移。

WAM 世界-动作模型：给定当前物理上下文 + 候选干预动作，显式预测该干预带来的物理后果（状态变化、接触、不确定性、有效时间范围、参考坐标系）。输出可以是视频、几何、隐式潜变量，不强制视频生成，关键是输出要服务决策。

WAM 是当前原型，Embodied Brain 具脑是长期目标；具脑不输出执行器指令，输出意图：期望状态变迁 / 能力调用请求。

2. 诊断行业三大耦合鸿沟（Three Coupled Gaps，如图 3/7所示）

模型与表示鸿沟（Model and representation gap） 没有收敛 WAM 该输出什么信息；很多模型只模仿行为，不跟踪物理状态、接触关系、不确定性；模型推理逻辑和机器人本体形态、控制器深度绑定，换硬件就要修改模型输出头、重新训练。

目标与标准化鸿沟（Objective and standardization gap） 仅用任务最终成功率无法区分成功来源：是物理推理强？还是控制器强？还是 benchmark 捷径？数据集、任务、评测协议不统一；缺少统一语义记录干预、预测后果、观测结果；大量数据无法跨项目复用。

生态与系统鸿沟（Ecosystem and systems gap） 物理 Agent 没有像数字大模型 Agent 那样成熟的工具调用运行时；预测、规划、控制器、校验、内存全部耦合在项目私有系统；组件不能插拔替换。

3. 提出完整物理智能栈（Physical‑intelligence stack）分层方案

整套系统分为五大功能模块，强调功能解耦而非一定物理模块化，可以联合训练，但接口语义必须可观测。

1 Embodied Brain 具脑（高层推理模型） 输入：观测、任务、记忆、机器人能力描述； 输出：意图表征（intended state transition /capability request），包含实体、坐标系、约束、不确定性、完成条件；不输出关节 / 执行器命令，不负责高频硬件控制。WAM 为具脑提供预测能力原型。

2 Physical Harness 物理适配层（物理运行时 / 调度中枢，类比数字 Agent 的工具 Harness） 核心职责：把具脑抽象意图落地到真实硬件；完成坐标系对齐、能力解析、预条件校验、调用工具 / 控制器、执行监控、故障恢复；生成 Trace Card 记录全部交互过程。 区分：Tool Model（抓取规划、仿真、状态估计等算法模块） vs Tool（真实硬件 / 外设，夹爪、移动底盘）；Harness 维护能力注册表，做分层能力拆解。

3 三套标准化记录契约（Cards，轻量语义规范，不强制统一文件格式）
Embodiment Card：机器人本体描述，传感器、坐标系、安全限制、可用工具；
Task Card：任务目标、约束、成功 / 失败模式；
Trace Card：完整可回放交互轨迹，记录意图、翻译过程、工具调用、校验决策、真实结果、失败归因。

4 闭环后训练 Closed‑loop post‑training 只有经过校验准入（admission gate）的高质量 Trace，才允许回灌训练；设置回归与安全闸门，防止模型把错误经验不断放大。

5 分层评测体系 Layered evaluation 不再只看端到端任务成功率；拆解多层指标：物理预测保真度、脑‑harness 意图对齐、控制器执行、工具编排、安全校验、可追溯性、自迭代安全性。

如图 2所示从预测到物理执行的接口。WAM原型评估干预后果；具身大脑形成意图；而装置则将能力落地、协调执行，并将结果记录在追踪卡中，以便进行评估和学习。

如图 16 所示为受限冲击任务的物理能力分层组合。该装置将一个意图分解为机械臂、机械爪和外部工具的调用。能力契约揭示框架、限制和故障模式；执行状态通过跟踪卡返回，用于诊断和学习。

如图4所示具身-模型族中的角色和预测接口。上图根据其主要系统职责区分动作模型、VLA策略、世界模型、WAM以及具身大脑目标。下图比较显式预测、预测性潜表征以及潜转换（transition）或动作接口。这些类别可能存在重叠，并且并非线性历史顺序。

如图 14 所示物理驾驭的内部职责包括：将大脑意图接地、对齐实体（entities）和框架（frames）、解析功能、检查前提条件、同步控制器、监控执行过程并记录跟踪卡。运行时内存、功能注册表和已允许的跟踪信息支持自适应和路由。

4. 近期研究里程碑（Near‑term milestones）

落地WAM 预测契约：模型输出附带预测时域、参考系、不确定性，并且证明预测确实提升干预决策质量；
构建可验证的 Brain‑Harness 表示接口：支持替换工具 / 机器人本体，测量适配器开销；
实现自适应 Harness 与 Trace 生态：Trace 可以把失败归因到「意图错误 / 翻译错误 / 工具选择错误 / 环境扰动」。

如图 12 所示从具身大脑能力到生态系统协调的五-阶段协同演化路径。实线蓝色箭头表示设计依赖关系，灰色线条将每个阶段与其职责分组，虚线绿色箭头返回到模型、利用和任务/评估设计的相关路径。

二、论文主要贡献

如图 11 所示具身大脑与周围物理智能堆栈之间的功能边界。传感器和身体状态为模型预测和决策提供信息；该组件管理内存、路由、日志记录、验证和功能调用；工具模型、控制器和验证器协调与物理环境的交互。

1 问题诊断层面：识别物理智能规模化的核心瓶颈不是算力与数据规模，而是耦合的三大鸿沟 指出单纯堆参数、堆机器人轨迹数据集无法带来累积式技术进步，这是对当前 VLA 范式重要反思。区分「模型容量提升」和「能力可复用、组件可替换」两个不同目标。

2 定义 WAM 预测契约（WAM prediction contract） 重新定义世界动作模型 WAM：重点不是输出模态（视频不是必选项），而是输出对决策有用的干预后果，附带时域、坐标系、不确定性、有效性条件；区分「预测后果」和「直接输出执行动作向量」，厘清 WAM 与 VLA 模型边界。

3 提出 Embodied Brain + Physical Harness 的分层系统范式
高层具脑只输出意图请求，剥离硬件相关细节；底层 Harness 承担物理世界适配、工具编排、校验、故障记录；
借鉴数字 Agent 工具调用 Harness 思想迁移到机器人，把物理推理与硬件执行解耦；更换控制器、夹爪不需要重新训练高层推理模型，仅修改 Harness 适配器。

4 提出三套契约卡片（Embodiment/Task/Trace Card）与分层评测框架 不强制统一存储格式，聚焦语义契约，让异构数据集、benchmark、机器人的经验可以相互比较； 把评测从单一任务成功率拆解为多层证据，实现失败归因；提出闭环训练的准入闸门机制，规避自强化错误。

5 完整可演进的路线图 给出从现有 WAM 原型向未来具脑演进的可落地技术路径与可验证实验指标，不是空想式 AGI 设想；明确哪些是现在可做的原型，哪些是长期目标。

如图 13 所示大脑模型、驾驭和外部功能的运行时组织结构。驾驭通过工具注册表和验证器门路由请求，调用感知、规划、控制或安全模块，并将调用、结果和故障记录在跟踪日志中。

三、论文局限与存在问题

1. 概念框架层面，缺少具体实现方案

属于路线图综述，没有给出具体模型、没有开源实现，全部是概念与接口规范；如何设计 Brain‑Harness 之间意图表示没有标准答案，只是提出应当具备哪些字段；意图用什么编码（语言 / 结构化 3D 表示 / 学习 token）仍是开放问题。

「功能解耦」不等于天然获得跨具身迁移能力，作者自己也承认：模块化只是一个待验证的假设，不能保证一定带来迁移收益，需要大量实证验证。

2. 接口契约的工程落地挑战巨大

Trace/Embodiment/Task Card 只是语义 schema，现实中大规模真实机器人采集完整元数据成本很高；很多现有数据集缺少坐标系、失败模式、预条件等信息，改造存量数据集代价高昂。

Harness 适配器负担转移：把跨本体迁移难度从模型训练转移到适配器开发；如果机器人形态差异极大，适配器复杂度会很高，甚至接近重训模型。

意图‑执行翻译歧义：具脑输出抽象意图，Harness 翻译到硬件动作，中间会产生歧义；如何定义意图有效性校验、歧义消解没有给出具体解法。

3. WAM 与 Embodied Brain 本身仍然存在固有缺陷

WAM 预测契约要求输出不确定性、参考系、有效条件，现有世界模型很难高质量输出全部这些元信息；视频生成模型视觉逼真，但物理一致性、接触预测经常出错。

没有解决高层推理幻觉：Embodied Brain 依然依赖大模型 / 世界模型做物理推理；Harness 可以校验执行，但很难修复高层意图本身的物理错误。

4. 闭环学习的准入闸门很难工程化

论文提出只有高质量 trace 才允许回灌训练，但如何自动判定 trace 质量、区分失败来源（脑的错误 /harness 翻译错误 / 环境扰动）是未解决难题；真实机器人安全约束下，很难大规模采集各类失败样本。

5. 评测与生态标准落地困难

分层评测指标很多属于前瞻性指标，大部分目前没有现成 benchmark、没有公开数据集支持测量；
依赖社区达成共识，现实中不同研究机构、企业有自己的数据格式、系统栈，统一语义契约存在现实阻力。

6. 部分边界问题未充分讨论

没有详细处理高频反射、紧急安全响应（对应 TypeGo S0 反射层）；Harness 如何兼顾高层意图规划和毫秒级硬件安全反射，没有展开；
对多任务抢占、任务调度、并发处理涉及较少。

四、总结

该文是一篇高价值的具身 AI 领域路线综述，批判了当前主流 VLA 端到端范式的耦合缺陷，倡导高层物理推理与硬件执行解耦，提出 WAM 契约、Embodied Brain+Harness 分层架构、Trace 等一套完整思想。它不产出新模型，但为未来具身智能系统设计提供顶层设计参考。

主要风险在于：整套方案的效果是假设性，需要大量工程实践验证；接口、契约、适配器会引入新的复杂度。