您想知说念的东说念主工智颖悟货，第一时代投递

旺晓通：深刻浅出，舒缓绽开

今天我读到一篇综述论文时，脑子里冒出的第一个念头是：这群东说念主如何这样千里得住气。

2026年5月，具身智能领域正在阅历一场号称“撕破脸”的时代蹊径之争。英伟达机器东说念主负责东说念主JimFan在红杉AIAscent大会上连开两场“葬礼”——第一场送别VLA，第二场送别遥操作。一时代行业无可置疑，仿佛搞了三年VLA的东说念主都押错了主张。

咱们解读最新时代，文末有关系信息。

而就在这场涎水仗打得最凶的时候，复旦大学团队长入新加坡国立大学的预计者，扔出了一篇综述：《WorldActionModels:TheNextFrontierinEmbodiedAI》。莫得花哨的宣言，莫得“XX已死”的暴论，即是老淳矫健地把一个衰败、浩瀚、各说各话的预计领域，重新到尾梳理了一遍。界说了认识，划清了界限，分好了类别，还把数据生态和评估圭臬也一并盘了。

读完之后我遽然矍铄到，这篇综述作念的，其实是一件被东说念主忽略却极其遑急的事——在总共东说念主都急着站队的时候，有东说念主站出来画了一张舆图。

一张乱了四年的舆图，终于有东说念主敢画了

先说说这个领域有多乱。

夙昔四年，具身智能领域至少冒出过三套以上“官方话术”：一会说VLA是结尾有盘算，一会说宇宙模子才是正说念，一会又说把宇宙模子嵌进VLA里就行。学术圈发论文的、工业界作念产物的、投资东说念主讲故事的，各有一套定名系统和分类逻辑。磨灭个念念路，张三叫“视频预覆按计谋”，李四叫“将来帧条目四肢生成”，王五径直注册商标——你以为他们在商讨三件事，其实讲的是一套活。

复旦这篇综述作念的第一件狠事，即是给总共这个词领域拉了一根基准线。

预计团队认真提倡了一个统摄性认识：宇宙四肢模子（WorldActionModels，WAMs）。它的界说摧毁到不错用一句话讲了了——具身基础模子不应只输出“面前该作念什么四肢”，而应同期预测“作念完这个四肢之后宇宙会造成什么样”，即长入建模将来景象与四肢的散播，而非单独预测四肢。

我知说念你合计这听起来不像是“颠覆”，更像是“多加了一个输出”。但请你想想这个设定意味着什么。

一个惟一响应、莫得预测的大脑，能走多远？

打个比方。

你学开车的时候，讲授有莫得让你“死记”每一段路的主张盘角度？明显莫得。你学到的是领路：看到红灯会减慢，路面湿滑要慢打主张，前方有行东说念主要提前预判走位。你的大脑在作念的事，不是看到一个画面就机械输出一个四肢，而是先“脑补”接下来几秒的宇宙——行东说念主不息往前走会到哪个位置，我打了主张之后车身会滑到什么角度——然后再基于这个脑补终结作念出响应。

这恰正是面前具身智能最致命的短板。

夙昔三年的主流有盘算VLA——视觉-话语-四肢模子（Vision-Language-Actionmodels），本色上一个“条目反射式”计谋。它学的是从“不雅测”到“四肢”的径直映射，莫得显式地学过物理划定，莫得预测四肢后果的才调，更莫得作念反事实推理的矍铄。

一篇行业分析里用了一个很妙的比方：VLA就像一个学生，在不睬解几何旨趣的情况下，死记硬背了一万说念几何题的谜底。遭逢原题，他吐露心腹；条目稍稍一变，坐窝宕机。

JimFan的品评更狠。他说VLA其实应该更名叫“LVA”（Language-Vision-Action），因为绝大多量参数都堆在话语管理上，物理领路和四肢生成被严重旯旮化。翻译一下即是：这些机器东说念主模子非常擅长“听懂教唆”（知说念TaylorSwift是谁，能领路“把可乐罐推夙昔”），但在“如何推、用什么角度、施多纵容度”这些着实的物理动词上，差得不是一星半点。

看到这里你可能会问：那之前就莫得东说念主料想要加“预测才调”吗？

虽然料想了。问题在于，料想的东说念主太多，但全球都在不同的方朝上各自决骤。

两条路，磨灭种直观——WAM的架构之争

复旦综述把现存的WAM有盘算分红了两大类，这个分类看似时代细节，实则揭示了总共这个词行业的不对场地。

第一类：级联式WAM。念念路是先让一个“宇宙模子”预测将来画面（比如设想1秒后杯子会被推到桌子旯旮），再让一个“四肢模子”凭据这个预测画面解码出具体四肢。法式通晓，各司其职，在线买世界杯平台有点像开拓工程里的“遐想院出图、施工队按图施工”。平允是可解释、可阶段性覆按，坏处是信息在模块间传递时一定有损耗——绘画的和施工的若是疏通不畅，遵守打扣头。

第二类：长入式WAM。不搞单干，径直把“预测宇宙”和“生成四肢”塞进磨灭个神经收集里长入优化。有的有盘算用自转头姿首一一生成将来帧和四肢token，有的用扩散模子一次性生成完整序列。平允是“端到端的物理直观”更强，坏处是覆按难度大、调试时很难定位问题。

你看出什么了？这即是AI领域反复演出的“模块化vs端到端”老剧情。级联派信奉“分而治之”，长入派服气“举座大于部分之和”。这篇综述莫得选边站，但把每一条路的遐想空间和内在量度都摆在了台面上——莫得好意思满的架构，惟一适配场景的架构。

最让我巧合的，是“数据”这件事

读论文的历程中，有一个细节让我反复看了好几遍。

WAM的覆按数据源泉，论文列了四种：机器东说念主遥操作数据、便携式东说念主类示范数据、仿真数据、互联网范围的第一视角东说念主类视频。

终末一种最让我兴盛，也最让我困惑。

逻辑是这样的：海量互联网视频里藏着无数东说念主类与宇宙交互的物理动态——杯子跌落、水流歪斜、布料折叠、门被推开。这些视频莫得四肢标注（你不知说念视频里的东说念主用了多大扭矩去拧阿谁瓶盖），但它们自然编码了“宇宙的因果划定”。WAM不错先用这些无标注重频学习“被迫物理直观”（物体是如何动的、碰撞是如何发生的），再用小数的带标注机器东说念主数据作念“四肢对王人”（学会把我方的重要通畅与这些物理遵守对应起来）。

一个14亿参数的模子DreamZero，仅靠从视频中学到的“物理梦”，就能零样本泛化到从未见过的新场景中实践任务。

这让我遽然想起一个领悟科学的经典争论：东说念主类婴儿到底是如何学会物理知识的？皮亚杰认为是通过“嗅觉通畅期”的反复试错，但自后的婴儿实验发现，几个月大的婴儿就依然有了基本的物理直观——他们会对“一个物体虚构灭亡”这种违背物理划定的画面发扬出更长的注重时代。这阐述什么？也许领路物理宇宙，不一定需要躬行实践每一个四肢。不雅察自身，即是一种学习。

WAM的数据计谋暗合了这个领悟逻辑。从“看”中学宇宙的因果，再从“作念”中校准四肢的精度——两件事不错解耦，这就极地面裁减了机器东说念主数据的鸠集门槛。

但这里还有一个粗暴的试验值得正视：面前WAM的实验考据仍然高度联结在桌面操作、通俗握取、推拉等短程任务上。在需要数十步长程筹画、触及复杂多物体交互的场景中，岂论是级联式如故长入式WAM，泛化发扬都远未达到“可靠”的水平。论文在这一丝上莫得婉词——预计团队明确指出现存评估公约主要粉饰“可视保真度、物理知识和四肢合感性”三个维度，但“简直宇宙的复杂性远超面前基准所能拿获的范围”。换句话说，实验室里能拉开的抽屉，和简直厨房里阿谁卡涩了三年的抽屉，是两个宇宙。

一场范式之争，最兴致的反而是“共鸣”

著述写到这里，我得停驻走动话一个问题：这篇综述到底帮咱们看清了什么？

它莫得发明新模子，莫得刷新任何榜单。但它作念了一件事让总共这个词领域往前走了一大步——它阐述了这个主张不是残渣余孽的灵感迸发，而是一个不错系统化鼓舞的预计领域。

更遑急的是，读完整篇综述你会发现，岂论级联派如故长入派，岂论数据派如故模子派，总共东说念主都在往磨灭个主张用劲：给机器加入“预测将来的才调”。

这件事让我料想了一个体裁意象。博尔赫斯有个短篇叫《满腹经纶的富内斯》，写的是一个领有好意思满顾忌的东说念主——他能记取每一派树叶的模式、每一个俄顷的光影变化。但调侃的是，恰好因为顾忌过于精准和深广，他反而无法进行任何抽象念念考，无法从海量细节中索求划定。他被我方好意思满的“感知”困住了。

VLA某种进程上即是富内斯——领有优秀的语义感知和模式匹配才调，但莫得“因果框架”。它记取了每全部题，却不懂背后的旨趣。而WAM试图作念的，正是从这种“纯正响应”的樊笼中跳出来，让机器领有最低放置的“物梦设想力”。

结语：2040年的预计

JimFan在他的演讲中给出了一个神勇的时代预测：2040年，机器东说念主领域有望完成“物理API”和“物理自动预计”这两项终末的时代竖立。

说真话，听到这个数字的时候我是怀疑的。14年，从AlexNet到面前的AI智能体，话语模子如实走了很远。但物理宇宙不是token序列，重力、摩擦力、弹性形变——这些不会因为你数据量大就灭亡。

但换个角度想，也许遑急的从来不是“能不可准时到站”，而是咱们终于把舆丹青了出来。

这篇复旦综述的标题里有个词叫“NextFrontier”——下全部前哨。它清晰的不是极端，而是一个新的起点。当行业还在为“VLA死没死”吵得面红耳热的时候，着实遑急的问题其实是：不管叫什么名字，机器是否运转学会预判它的四肢将如何改革这个宇宙？

博尔赫斯在另一篇作品里写过一句我遥远忘不掉的话：“将来不可幸免，精准，但可能不发生。”这句话的张力恰好详细了WAM的本色——好的预测不应是写死的脚本，而应是“若是我这样作念，宇宙可能会造成这样”的反事实设想。

一篇综述的力量，不在于给出谜底，而在于让这个问题终于不错被通晓地追问。

参考云尔：

•标题：WorldActionModels:TheNextFrontierinEmbodiedAI

•作家：SiyinWang，JunhaoShi，ZhaoyangFu，XinzheHe，FeihongLiu，ChenchenYang，YikangZhou，ZhaoyeFei，JingjingGong，JinlanFu，MikeZhengShou，XuanjingHuang，XipengQiu，Yu-GangJiang

•单元：复旦大学、上海翻新预计院、新加坡国立大学

•流畅：https://arxiv.org/abs/2605.120902026世界杯(中国)