世界动作模型 (WAMs)：开启具身智能的“物理直觉”时代

TL;DR

如果说传统的 VLA 模型模型是“见招拆招”的条件反射。那么 World Action Models (WAMs) 则为机器人安装了一个“模拟大脑”。它不仅学习如何做动作（Action），更通过预测未来状态（Future State）来理解物理规律，从而在复杂、长程的任务中展现出前所未有的泛化性与鲁棒性。

现状痛点：机器人缺乏“物理常识”

当前的 Vision-Language-Action (VLA) 模型（如 RT-2, OpenVLA）虽然在语义泛化上取得了巨大进步，但它们本质上是黑盒映射：输入图像，输出动作。这种**反应式映射（Reactive Mapping）**存在致命缺陷：

1. 缺乏预见性：模型不知道动作下去后世界会变成什么样，导致在接触密集型任务中容易动作变形。
2. 数据效率低下：严格依赖专家演示数据（$o,a$），无法吸收互联网上百亿小时的“无动作标注”人类视频。

WAMs 的公式革命：从预测动作到预测未来

WAMs 的核心思想是将具身智能任务重新表述为一个联合分布的预测问题： ${\mathcal{L}}_{WAM}=\mathbb{E}[-\log p(o^{\prime },a|o,l)]$ 这与传统 VLA 只关注 $p(a|o,l)$ 有本质区别——模型现在必须同时回答两个问题：“我该怎么做？”以及“世界会因此变成什么样？”。

架构解析：级联式 vs 联合式

1. 级联式 WAM (Cascaded WAM)

级联式架构采用“显式规划”的逻辑。模型先生成一个未来的视觉蓝图（如像素视频或轨迹流），再由动作解码器执行该蓝图。

• 优势：解耦了物理建模和运动学控制，可以充分利用强大的预训练视频生成模型（如 Sora, Wan 2.1）。
• 关键公式：$p(o^{\prime },a|o,l)=p(a|o^{\prime },o,l)p(o^{\prime }|o,l)$

2. 联合式 WAM (Joint WAM)

联合式架构则更追求“深度耦合”，在单个网络（通常是 Diffusion Transformer 或 Autoregressive LLM）中同步生成状态和动作。

• Unified Stream（单流）：将未来图像的 Latent 和 Action Token 放在同一个序列里丢进 DiT 进行 Denoising。
• 特性：物理直觉直接渗透进动作生成过程，延迟更低，一致性更强。

实验战绩：物理常识的威力

论文综述了大量实验结果，证明了引入世界模型后的本质提升：

• 泛化性能：在 Libero 任务中，通过联合建模，模型能够更好地处理物体遮挡和复杂的接触动力学。
• 数据缩放：WAMs 允许模型在大量无标注的人类视频上进行预训练，学习诸如“重力”、“碰撞”等通用物理规律。
• 评价体系：除了任务成功率，WAMs 还引入了视觉保真度（FVD）、物理连贯性和“动作合理性”等维度，确保模型不是在“瞎画图”。

深度洞察与总结

WAMs 的兴起标志着机器人学习正进入其“物理模拟器内置化”的阶段。

关键趋势总结：

• 从像素到潜空间：显式像素预测虽然直观但计算量大，未来的 WAMs 将更多地在 Latent Space（如 JEPA 架构）中进行因果推理。
• 多模态融合：视觉只是物理世界的一部分。未来的 WAMs 需要预测触觉（Tactile）和力反馈（Force），这对于精细化的装配任务至关重要。

局限性分析： 目前的 WAMs 面临巨大的“推理延迟税”。预测未来的视觉状态极其消耗算力，如何在保持 50Hz 以上控制频率的同时进行高保真预测，是通向商业部署的最后一公里。

结论： World Action Models 赋予了机器人“闭眼思考”的能力。这不再仅仅是端到端的模仿学习，而是向着真正的通用物理智能迈出的一大步。