什么是世界动作模型（WAM）？

系列 01 · 第 5 模块 · 第 1 课。前置：第 3 模块（VLA）与第 4 模块（世界模型）。

一个机器人模型能回答的三个问题

记 $o$ 为机器人当前的观测， $l$ 为语言指令， $a$ 为动作， $o'$ 为下一时刻的观测。本系列讲到的三类模型，区别就在于“预测什么”：

类别	学习的分布	回答的问题
VLA	$p(a \mid o, l)$	我该做什么？
世界模型	$p(o' \mid o, a)$	这样做会发生什么？
世界动作模型（World Action Model, WAM）	$p(o', a \mid o, l)$	我该做什么，做完会是什么样？

这里是概念性记号。真实模型还会以历史帧、多路相机和机器人状态为条件；V-JEPA 2 预测的 $o'$ 是隐空间表征，而不是像素。

链式法则给出两种设计，WAM 把两者合在一起学

联合分布有两种拆法：

p(o', a \mid o, l) \;=\; \underbrace{p(a \mid o, l)}_{\text{VLA}}\;\underbrace{p(o' \mid o, a, l)}_{\text{世界模型}} \;=\; \underbrace{p(o' \mid o, l)}_{\text{视频生成}}\;\underbrace{p(a \mid o, o', l)}_{\text{逆动力学}}

第一种是“先行动，再想象后果”，即 VLA 加世界模型；第二种是“先想象结果，再反推动作”。2023 年的 UniPi 就是后者：先生成一段完成任务的视频，再用逆动力学模型从视频里恢复动作。WAM 则用同一个网络直接学习联合分布，动作预测和视频预测共享全部参数。

只需要动作，为什么还要预测视频？

对 VLA 来说，一条示教数据每个时间步只提供几个数字作为监督：动作目标。预测未来画面的监督信号要稠密得多，因为每一帧都记录了整个场景如何响应动作。DreamZero 论文的论点正在于此：VLA 从视觉-语言底座继承了语义知识，但对没见过的物理动作泛化很差；而要预测世界，模型就必须学会动力学。

视频还是所有机器人共享的表示，这正是下面两个结果成立的前提：

从纯视频示教中学习。 DreamZero 报告，用 10–20 分钟来自人或其他机器人的视频（不含动作标注），未见任务上的表现提升超过 42%。
适配新本体。 DreamZero 用 30 分钟的自由操作数据（play data）适配了 YAM 机器人；Dream-1 则声称能零样本控制从未见过的机器人（公司自报数据）。

两个实例

DreamZero（NVIDIA GEAR Lab，2026 年 2 月；arXiv:2602.15922）。基于 Wan2.1-I2V-14B 的 14B 自回归视频扩散模型，经过模型与系统优化后报告可以 7 Hz 闭环运行。在 AgiBot（智元）平台上，平均任务进度 62.2%，而最强的预训练 VLA 基线为 27.4%。代码为 Apache-2.0；DROID 检查点的权重为 CC BY-NC 4.0（非商业许可）。

Dream-1（Dream Labs，2026 年 10 月）。由 DreamZero 合著者创立的公司推出的托管 API。输入为头部相机加双腕相机，每次调用返回 1.6 秒的动作。对已支持的机器人直接输出关节角；对未见过的机器人输出末端执行器位姿，再由该机器人自己的逆运动学（IK）求解器换算成关节指令。权重、架构和训练数据细节均未公开。公司自己列出的局限：效果依赖 IK 质量，无法控制机械臂到达目标位姿的路径，目前是研究测试版，未经安全关键场景验证。

带着这些问题去读论文

视频预测得更好，动作就一定更好吗？会不会“想得很准、做得很差”？
用 14B 视频模型做实时控制，代价是多少？7 Hz 离灵巧操作的需求还有多远？
“末端执行器位姿 + IK”让模型与机器人解耦，这个接口牺牲了什么？
哪些数字经过同行评审，哪些是作者自报，哪些是厂商宣传？（第 05-03 课专门讲怎么区分。）

参考文献

Ye et al., World Action Models are Zero-shot Policies, arXiv:2602.15922, 2026. 项目主页 · 代码
Dream Labs, Dream-1, 2026.
Du et al., Learning Universal Policies via Text-Guided Video Generation（UniPi），arXiv:2302.00111, 2023.
Brohan et al., RT-2, arXiv:2307.15818, 2023.
Assran et al., V-JEPA 2, arXiv:2506.09985, 2025.