引言
在具身智能（Embodied AI）领域，如何让机器人从视觉输入和自然语言指令中生成精确的动作，一直是核心挑战。近年来，两大技术路线异军突起：World Action Model（世界动作模型） 和 Vision-Language-Action Model（VLA模型）。前者以 DreamZero 为代表，后者则以 Pi0 系列（包括 Pi0、Pi0-FAST、Pi0.5）为标杆。本文将深入对比这两种范式的技术架构、核心优势与适用场景。
一、背景：两条技术路线的起源
1.1 VLA 模型：从视觉-语言到动作的直接映射
VLA 模型的核心思想是将视觉-语言大模型（VLM）的能力延伸到机器人控制领域。通过在海量机器人轨迹数据上进行微调，VLA 模型学习从 (图像, 语言指令) 到动作序列的直接映射。
Pi0 系列 是这一路线的集大成者，由 Physical Intelligence (PI) 团队开发。Pi0 基于流匹配（Flow Matching）技术，采用扩散模型架构，能够生成高频率、复杂的机器人动作。Pi0-FAST 则引入了基于离散余弦变换（DCT）的动作分词器，使自回归模型也能处理高频动作。
1.2 World Action Model：世界建模与动作预测的统一
DreamZero 提出了完全不同的思路。它认为 VLA 模型虽然在语义泛化上表现出色，但在未见过的物理动作和新环境中的泛化能力有限。DreamZero 的核心创新在于：
- 联合建模视频和动作：通过预测未来世界状态（视频）和动作，学习物理动态
- 利用视频作为世界演变的密集表征：视频天然包含了物体运动、物理交互等丰富信息
- 从异构数据中学习：不需要重复演示，可以从多样化的机器人数据中有效学习
二、技术架构深度对比
2.1 模型架构
| 维度 | DreamZero (World Action Model) | Pi0 系列 (VLA Model) |
|---|---|---|
| 基础架构 | 基于预训练视频扩散主干（14B参数） | 基于 Transformer + 流匹配/自回归 |
| 输入 | 历史视频帧 + 语言指令 | 当前图像 + 语言指令 + 机器人状态 |
| 输出 | 未来视频帧 + 动作序列 | 动作序列（连续或离散token） |
| 训练目标 | 联合预测未来状态（视频）和动作 | 从观测直接映射到动作 |
| 推理方式 | 视频扩散模型的迭代去噪 | 流匹配积分 / 自回归生成 |
2.2 核心技术创新
DreamZero 的关键创新：
-
世界-动作联合建模
\[P(视频_{t+1}, 动作_t | 视频_t, 指令) \]通过预测未来视频，模型隐式学习了物理世界的动态约束。
-
实时闭环控制优化
- 14B 参数的视频扩散模型
- 实现 7Hz 的实时闭环控制
- 突破了扩散模型在实时控制中的计算瓶颈
-
跨具身迁移（Cross-Embodiment Transfer）
- 视频-only演示：10-20分钟数据即可实现42%+的相对性能提升
- 少样本具身适应：仅需30分钟交互数据即可迁移到新机器人
Pi0 系列的关键创新：
-
流匹配（Flow Matching）
- 直接建模动作分布的演化过程
- 生成高质量、平滑的动作轨迹
-
FAST Tokenizer（Pi0-FAST）
- 基于离散余弦变换（DCT）的动作压缩
- 将连续动作序列编码为离散token
- 支持高达 480Hz 的动作频率
- 训练速度提升 5倍
-
大规模数据训练
- 10,000+ 小时的机器人数据
- 覆盖多种机器人形态和任务
三、性能对比与实验结果
3.1 泛化能力
| 场景 | DreamZero | Pi0 系列 |
|---|---|---|
| 新任务泛化 | 2倍+ 提升（相比VLA基线） | 强，但依赖训练数据覆盖 |
| 新环境适应 | 通过视频预测自然适应 | 需要领域特定微调 |
| 跨具身迁移 | 视频演示即可，无需动作数据 | 通常需要配对数据 |
| 未见物体操作 | 利用物理先验推断 | 依赖数据多样性 |
3.2 实时性与计算效率
| 指标 | DreamZero | Pi0-FAST |
|---|---|---|
| 控制频率 | 7 Hz | 30 Hz (单GPU) |
| 动作频率 | 取决于具体实现 | 最高 480 Hz |
| 模型大小 | 14B 参数 | 7B-14B 参数 |
| 推理开销 | 扩散模型迭代去噪 | 自回归token生成 |
3.3 数据效率
- DreamZero：通过世界建模，从异构数据中学习，对重复演示的依赖较低
- Pi0 系列：需要大量高质量、多样化的机器人轨迹数据
四、技术路线的本质差异
4.1 建模哲学
DreamZero 采用的是生成式世界建模思路：
- 假设：理解世界如何演变（物理动态）是生成正确动作的前提
- 优势：通过视频预测，模型隐式学习了物理约束（如重力、碰撞、物体实在性）
- 代价：视频生成增加了计算开销
Pi0 系列 采用的是直接策略学习思路：
- 假设：从海量数据中学习从感知到动作的直接映射即可
- 优势：推理效率高，可以直接优化任务成功率
- 局限：缺乏显式的世界模型，泛化到新环境的能力受限
4.2 对物理常识的获取方式
| 方式 | DreamZero | Pi0 系列 |
|---|---|---|
| 物理常识 | 通过视频预测显式学习 | 通过动作数据隐式编码 |
| 因果推理 | 可通过反事实视频生成实现 | 依赖数据中的相关性 |
| 安全性 | 可预测危险状态并避免 | 依赖训练数据的安全性覆盖 |
五、应用场景与选型建议
5.1 适合 DreamZero 的场景
- 探索性研究：需要快速适应新机器人形态或新环境
- 数据稀缺场景：仅有少量视频演示或跨具身数据
- 长程规划任务：需要理解世界动态变化的复杂任务
- 安全性要求高的场景：需要通过视频预测进行风险评估
5.2 适合 Pi0 系列的场景
- 高频控制任务：需要精确、快速动作响应的操作（如高频抓取）
- 数据丰富的标准化场景：已有大量高质量机器人轨迹数据
- 实时性要求高的任务：需要30Hz+控制频率的动态任务
- 短程精确操作：需要高精度轨迹跟踪的精细操作
六、未来展望：融合趋势
值得注意的是，两种路线并非完全对立，而是呈现出融合趋势：
-
世界模型增强的 VLA
- 在 VLA 中引入轻量级世界模型进行动作验证
- 利用视频预测进行动作前验评估
-
更高效的 World Action Model
- 借鉴 FAST tokenization 优化视频-动作联合建模的效率
- 探索蒸馏、量化等技术降低推理成本
-
统一评估基准
- 如 MultiNet v1.0 等基准开始同时评估 VLM 和 VLA 的跨域泛化能力
- 推动两种路线的公平比较
七、总结
DreamZero 和 Pi0 系列代表了具身智能的两种重要范式：
-
DreamZero（World Action Model）：通过世界建模实现更强的泛化和迁移能力，适合探索性、数据稀缺的场景，但计算开销较大。
-
Pi0 系列（VLA Model）：通过直接策略学习实现高效、精确的控制，适合标准化、高频控制场景，但泛化能力受限于数据分布。
选择哪种技术路线，应根据具体的应用场景、数据可用性和计算资源进行权衡。随着技术的演进，融合两种范式优势的混合架构可能成为未来的主流方向。
参考文献
- Ye, S., et al. (2026). World Action Models are Zero-shot Policies. arXiv:2602.15922.
- Pertsch, K., et al. (2025). FAST: Efficient Action Tokenization for Vision-Language-Action Models. arXiv:2501.09747.
- Guruprasad, P., et al. (2025). Benchmarking the Generality of Vision-Language-Action Models. arXiv:2512.11315.
本文基于截至2026年3月的最新研究成果撰写，技术发展日新月异，建议读者关注最新论文和社区动态。