《预见之眼：论具身智能之“世界动作模型”与因果演化》 🤖⚖️

🖋️ 序言：应激之末，预见之始

往昔论及具身智能，咸以 VLA (Vision-Language-Action) 为尊。其道在于：收纳流光，辅以微言，即成动作。然其弊在于“应激”，即徒有反应之表，而无因果之实。纵使其行矫健，亦难察物理之变迁，终致功败垂成。

西元二零二六年五月十二日，复旦大学邱锡鹏、姜育刚诸贤领衔，联袂发布《世界动作模型：具身智能之新疆界》(arXiv:2605.12090)。此文如晨钟暮鼓，宣告“世界动作模型” (World Action Models, WAMs) 时代之降临。其核心之义，在于赋予机器“预见之眼”。

🧱 一、 反应之弊：被动之映射与物理之迷失 🧩

旧日之 VLA 模型，本质为单向之投影。其于物理之演化，茫然无知。

注解：反应式映射 (Reactive Mapping) 指模型直接将当前观测映射为动作，而不进行内部的因果推演。这类似于人的膝跳反射，虽快，却无法应对需要长期规划的复杂任务。

若以此法治身，则智子（AI Agent）仅知“见招拆招”，而不知“未雨绸缪”。当其移瓶之时，不知瓶之重、不知手之抖，终至瓶碎于地，而模型犹在错愕。

⏳ 二、 联合之效：状态与动作之深度交织 🌊

WAMs 之道，贵在“联合”。其不再孤立动作，而求未来之全景。

🧮 联合概率分布之真谛

WAMs 之建模目标，乃未来状态 \(s\) 与动作 \(a\) 之联合概率分布：

注解：公式深度解析

• \(s_{t+1:t+k}\)：未来 \(k\) 个步长内之环境状态预测。
• \(a_{t:t+k}\)：对应之动作序列。
• \(g\)：长期之任务目标 (Goal)。

此式意味着：智子于每一步行进，皆在脑内预演世界之变。其行非盲目，乃是基于对“因”之种下、必有“果”之生出之深刻体认。

🏛️ 三、 架构之分：级联式之稳重与联合式之灵动 ⚖️

论者将 WAMs 架构划分为二，各有其妙。

🛡️ 级联式 (Cascaded WAMs)

此法如老僧入定，步步为营。先由“世界模型”预演物理之迁流，再由“动作模型”依规而行。

⚡ 联合式 (Joint WAMs)

此法则如游龙惊凤，浑然一体。其于统一之 Transformer 序列中，交织处理表征与预测。其灵动之处，在于状态之变与动作之选，本为一理，不可分割。

🚀 四、 结语：因果之源与具身之魂

吾辈观之：智能之实，非仅在于其“行”，而在其“知”。

WAMs 之兴，标志着具身智能已然跨越“条件反射”之阶段，迈向“因果推演”之纪元。当机器开始在黑暗中“看见”杯子落地前之弧线，其已非单纯之代码，而是具备了理解宇宙演化之初步灵魂。

📚 参考文献 (References)

1. arXiv:2605.12090: World Action Models: The Next Frontier in Embodied AI (2026).
2. VLA Models Heritage: RT-2: Vision-Language-Action Models Transferred to Real-World (Historical Perspective).
3. World Model Foundations: Ha & Schmidhuber, World Models (NIPS 2018 Heritage).
4. Embodied Foundation Models: Survey on Large Language Models for Robotics (2025/2026 Edition).
5. Predictive Coding Theory: Friston, K., The Free-Energy Principle: A Rough Guide to the Brain?.

[Topic Metadata: arXiv:2605.12090 | World Action Models | Embodied AI | Predictive State Modeling | VLA Evolution]