10 个关键问题 Q&A

1. 什么是 WAM 世界动作模型？
   WAM 是耦合世界状态预测与动作生成的 AI 模型，能够预测环境变化，并基于预测生成机器人动作。
2. VLA 与 WAM 最核心区别是什么？
   VLA 从视觉语言直接输出动作；WAM 额外学习物理动力学，会预判动作带来的未来结果。
3. WAM 分为哪两类架构？
   串联式 WAM（预测模块、控制模块分开）；联合式 WAM，同步学习未来状态和动作。
4. DreamZero 是什么？
   英伟达 2026 提出的联合式 WAM，基于视频扩散模型，同步生成未来视频帧与机器人动作指令。
5. WAM 这个名词最早由英伟达提出吗？
   不是。2024 年 10 月 JOWA 论文最先使用该术语，英伟达 DreamZero 只是让 WAM 走红。
6. WAM 泛化能力一定比 VLA 更强吗？
   不一定。WAM 在部分物理任务占优，但部分场景 VLA 效果更好，没有全面领先。
7. WAM 必须生成视频画面才能工作吗？
   不需要。部分 WAM 预测隐表征、运动特征，仅视频预测是可选实现方式。
8. VLA 模型的底层基础模型是什么？
   VLM 视觉语言模型，核心擅长视觉、自然语言的语义理解。
9. WAM 的主要缺点是什么？
   推理阶段算力消耗更高，需要额外计算未来世界状态。
10. 机器人领域两大路线争论是什么？
    机器人应当采用 VLA 式，感知后直接反应；还是 WAM 式，先想象动作后果再执行动作。

世界动作模型如何把物理世界预测和机器人动作结合起来、它们和 VLA 模型有什么区别，以及 “想象未来” 是否真的能让机器人变得更强。

VLA 模型将视觉与语言理解转化为机器人动作。世界动作模型（WAM）同时学习世界的变化规律，依靠对未来的预测来指导动作。串联式 WAM 把预测和控制拆成两个模块，联合式 WAM 则同步学习两者。目前初步结果很有前景，但 WAM 并非总能优于 VLA，而且推理时通常需要更多算力。

核心思路：学习世界如何变化，能够帮助机器人在陌生场景中选择动作。

世界模型正在推动 AI 更进一步理解物理世界。但这种理解的意义是什么？仅仅预测接下来会发生什么就够了吗？下一步，就是把这些认知落地 —— 也就是执行动作。

一类较新的模型试图打通这两项能力：世界动作模型（World Action Models，WAM）。它的目标是让机器人不仅能预测世界会如何变化，还能基于这些预测做出行动。

不过我们已经有 VLA + 这类物理 AI 主流方案，它融合视觉感知、语言理解与机器人控制。那为什么我们还需要 WAM？

这正是本文要探讨的内容。我们会介绍 WAM 的工作原理、它和 VLA 的核心差异、WAM 的两大架构类型，以及预测未来究竟能不能提升机器人性能。

还有一个核心问题：机器人应当直接从所见画面学习动作，还是先想象自身动作会带来什么结果，再执行？

一起来探索这条从理解世界到和世界交互的新路线，非常有意思，有点像提前窥见未来。

本期要点：

• 什么是世界动作模型，这个名词从何而来？
• VLA 与 WAM：底层思路差异
• 串联式 WAM：先预测未来，再生成动作
• 联合式 WAM：同步学习未来状态与动作
• DreamZero 如何将视频预测和机器人控制结合
• 视频模型如何表征机器人指令
• WAM 的泛化能力是否强于 VLA？
• 机器人：直接反应，还是先想象？

如果对这个主题不感兴趣，可以阅读我们对刚发布的 Open d1（Liquid AI 决策模型系列）的解读，以及它相比 Jev 的优势。

下面进入正题：

什么是世界动作模型（WAM）

世界动作模型会深入物理规律，将世界变化模型与智能体 / 机器人动作模型耦合在一起。

一个模型要被称为 WAM，需要具备两个核心要素：

1. 未来预测能力
   预测结果可以是图像、视频、光流、点云，或是学习得到的隐空间表征 —— 也就是对未来状态的紧凑数值描述。
2. 与预测绑定的动作生成
   模型可以先预测未来，再根据预测推导动作；也可以同时生成未来状态和动作。

WAM 术语的起源

英伟达 2026 年论文《World Action Models are Zero-shot Policies》让这个术语广为流传，用来区分这类架构和 VLA 模型，但相关概念在更早的多篇研究中就已经逐步成型。2024 至 2025 年间，研究人员就已经使用这个短语描述融合世界动力学与动作生成的模型，最早可追溯至 2024 年 10 月。

如果你想问：这个词是不是由尤尔根・施密德胡伯提出的？答案是：施密德胡伯早在 1990 年就开展神经世界模型与控制器研究，为如今的世界动作模型奠定了理论基础。

但据现有资料，整个发展脉络是这样：

• 2024 年 10 月 1 日，程捷等人发表论文《Scaling Offline Model-Based RL via Jointly-Optimized World-Action Model Pretraining》，提出 JOWA 模型。文中用 “世界动作模型” 描述一类学习环境变化与动作策略的模型。该模型在雅达利游戏数据集训练，采用共享 Transformer 主干网络，联合优化世界建模损失与时序差分（TD）损失，学习环境动力学与动作价值。
• 2025 年 3 月 21 日，北京大学与 Galbot 的吕江冉等人发表《DyWA: Dynamics-adaptive World Action Model for Generalizable Non-prehensile Manipulation》。在机器人场景下，将世界动作模型作为策略模型，同步预测机器人动作及其对应的未来状态。未来状态预测作为额外训练信号，优化动作学习。
• 到 2026 年，最受关注的 WAM 论文问世。英伟达团队在 2 月 17 日发布《World Action Models are Zero-shot Policies》，推出 DreamZero。DreamZero 是基于预训练视频扩散模型构建的 WAM，可以同步生成未来视频帧与动作。准确来说，它学习预测机器人动作对应的视觉效果，以及产生该效果的电机控制指令。

论文项目负责人包括 Seonghyeon Ye、余科・朱、Jim Fan、Joel Jang。因此在 DreamZero 的语境下，大家会把 WAM 和 Jim Fan、英伟达关联起来，但不能说他们最早创造了这个术语。

英伟达将 DreamZero 这类 WAM 定位成 VLA 的替代方案，尤其在学习新动作、新物理技能方向。我们顺着这个争论，拆解 VLA 与 WAM 的本质区别。

VLA vs WAM：思路与底层原理差异

两者边界正在慢慢模糊，但在架构与底层假设上存在根本区别。差异首先体现在模型学习的目标上：

• VLA 学习：我应该执行什么动作 / 动作序列？
• WAM 学习：这么做会发生什么？以及什么动作能导向我想要的未来？

我们用一个简单机器人任务举例，直观理解两者工作流差异：“拿起杯子，放到水槽里”。

你需要仔细体会，才能真正理解二者差别。