VLA → WAM · 概念谱系

世界模型

具身策略要在物理世界里连续做决定。只学会「看见就动手」，在接触丰富、长时程、会被自己动作改变的环境里往往不够。世界行动模型把「下一步世界会变成什么样」写进同一套目标函数。下面的分类轴改写自公开综述 arXiv:2605.12090 的概念，文字为具身链原创，不是对任何网站的转写。

概念框架参见 arXiv:2605.12090。本页文字为具身链撰写，不是对任何第三方站点的转写。

VLA

视觉-语言-动作

p(a | o, l)

输入当前观察与语言指令，直接输出动作。语义泛化强，本质是反应式：不显式写出动作之后的物理演化。

World Model

p(o′ | o, a)

给定当前观察与动作（或动作序列），预测未来状态或未来观察。可以用来想象、规划或当仿真器，本身不一定输出可下发的关节指令。

Cascaded WAM

先 p(o′|o,l) 再 p(a|o,o′,l)

先想象未来状态，再从想象中导出动作。模块清晰，便于用真机数据单独修补世界模型，但延迟和误差会沿管道传递。

Joint WAM

p(o′, a | o, l)

同一个模型同时生成未来状态与动作。训练目标更紧，推理路径更短，表征里的「未来」容易和动作缠在一起，诊断更难。

1990–2018
内部模型与模型强化学习
控制论与模型强化学习把「预测再行动」写成算法，但还没有互联网尺度的视觉语言骨干。
2018–2022
潜变量动力学与视频世界模型
从 PlaNet、Dreamer 到视频生成式世界模型，预测对象从低维状态走到像素。
2023
VLA 进入机器人主叙事
RT-2 把网络尺度视觉语言预训练接到动作词表。反应式策略开始被叫做 VLA。
2023–2024
扩散动作与开源 VLA
Diffusion Policy、OpenVLA、π0 把动作解码做成可复现基线，产业开始把它当默认技能层。
2025
VLA 与世界模型装进同一骨干
WorldVLA、RynnVLA-002 等把未来帧预测和动作预测写成一套自回归目标。
2026
WAM 被写成分类框架
arXiv:2605.12090 给出 Cascaded / Joint 的划分；WLA、VLAW 等沿着「要不要在推理时显式展开世界」继续分叉。