从VLA到WAM.具身世界模型简单梳理

2026年具身智能的核心不是场景落地快慢，而是底层模型的代际更替。VLA走到尽头，世界模型+动作联合建模（WAM）成为必然解，这不是趋势，是原理决定的必然。
一、VLA的原理与原生缺陷
VLA（视觉-语言-动作）核心逻辑：
图像→语义解析→LLM推理→动作映射
原生缺陷：

1. 无物理常识：只懂语义，不懂重力、碰撞、运动轨迹，长尾场景必崩
2. 泛化能力弱：学的是“画面-动作”配对，换背景、换物体就失效
3. 黑盒不可控：动作来自LLM概率输出，无法预判风险
4. 数据成本高：需海量标注样本，规模化落地无经济性
   VLA的瓶颈是原理级缺陷，不是优化能解决的，这是行业共识。
   二、WAM的原理：从模仿到推演
   WAM（World-Action Model）核心逻辑：
   图像→世界建模→未来推演→动作生成→执行
   本质是物理级理解：AI先构建虚拟物理世界，预演动作后果，再输出最优解。
   技术实现（联合建模）：
5. 世界模型：学习环境动力学，预测未来1-3秒状态
6. 动作模型：从未来状态反推可执行动作
7. 联合训练：世界与动作共享参数、互相约束，保证物理一致性
   一句话：VLA是“照猫画虎”，WAM是“先思考再行动”。
   三、代表性论文+公司+技术路线
8. DreamZero（英伟达NVIDIA，2026）

• 路线：扩散联合生成（视频+动作同步去噪）
• 核心：140亿参数，零样本泛化最强，物理一致性极高
• 投资关键词：高保真、零样本、巨头技术底座

9. WorldVLA（阿里达摩院，2025）

• 路线：自回归统一Token
• 核心：VLA与世界模型大一统，双向增强泛化
• 投资关键词：多模态融合、端侧适配

10. GAIA-1（谷歌DeepMind，2026）