🎭 双簧记：AHA-WAM如何用异步双脑让机器人学会"边想边做"

"思想的真正价值不在于它自身，而在于它唤起的行动。" —— 奥利弗·温德尔·霍姆斯

🎪 开篇：单口相声与双簧的哲学

想象一个场景：你走进一个繁忙的餐厅，服务员正在处理一个复杂的点单。他一边听着你说话（"我要一份牛排，三分熟，配红酒酱，不要洋葱"），一边在脑子里规划路线——先去厨房下单，然后回来取酒水，途中还要给3号桌续水。他的眼睛在扫描全场，手在写单子，脚已经在往厨房移动。

这就是异步智能——多个任务并行，而不是一件做完再做下一件。

现在把这位服务员换成一个机器人。传统的机器人控制系统，就像一个单口相声演员——一次只能说一段，一个包袱抖完再抖下一个。它的"思考流程"是这样的：

1. 看到环境（感知）
2. 决定动作（规划）
3. 执行动作（执行）
4. 回到步骤1

这在简单的任务里没问题。比如工厂流水线上，机器人只需要重复"抓取→移动→放置"。但如果任务稍微复杂一点——比如"把客厅收拾干净，但注意不要碰倒花瓶，同时留意门铃如果有人来要开门"——这种串行的方式就会崩溃。

为什么？因为感知和动作的频率不匹配。摄像头可能每秒跑30帧（感知很快），但机械臂运动可能每秒只有5-10个动作（执行很慢）。如果机器人必须"完全感知→完全规划→完全执行"之后才开始下一轮感知，那么：

• 在等待机械臂完成动作时，摄像头已经在看新的画面了，但这些信息被浪费了
• 如果有突发情况（比如有人走过），机器人无法及时反应，因为它"正在执行上一步的计划"

这就像你在开车时，每隔5秒才看一次路。其他时候，你的头埋在方向盘上，专注于"转动方向盘"这个动作本身。太荒谬了，对吧？

今天要讲的论文——AHA-WAM: Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing——就是来解决这个问题的。它让机器人学会**"双簧"**——两个大脑同时工作：一个专注于眼前的动作，一个展望未来的规划。它们不抢戏，不打架，而是默契配合。

🧠 第一部分：机器人的"时间困境"——为什么串行不行？

1.1 频率错配：感知快，动作慢

要理解AHA-WAM的革新，我们先理解当前机器人的痛点。

现代机器人系统通常有三个层次：

感知层（Perception）：摄像头、激光雷达、触觉传感器等。运行频率很高——摄像头通常30-60Hz（每秒30-60帧），激光雷达10-20Hz。

规划层（Planning）：大脑，决定做什么。运行频率中等——通常5-10Hz，因为复杂的神经网络推理需要时间。

执行层（Execution）：机械臂、轮子、夹爪等。运行频率最低——机械臂的运动可能只有1-5Hz，因为一个动作需要几百毫秒完成。

问题在于：这三层是串行的。

传统流程：

感知(30Hz) → 等待 → 规划(5Hz) → 等待 → 执行(2Hz) → 回到感知

整个系统的频率被最慢的一层（执行）拖累了。感知层产生的信息，大量被丢弃，因为大脑来不及处理。规划层产生的指令，执行层来不及完成，新指令就覆盖了旧指令。

这就像一个乐队，鼓手每秒打30下，吉他手每秒弹5下，贝斯手每秒拨2下。如果指挥说"所有人必须等我数完123再同时开始，然后等最慢的人结束才能进入下一段"，整个音乐会变成灾难。

1.2 动作频率的残酷现实

论文作者用一个具体的例子说明了这个问题：

在RoboTwin仿真环境中，机器人需要完成一个"组装积木"任务。任务包含多个步骤：识别积木→抓取→移动→对齐→插入。每个步骤需要不同的动作时长。

• 抓取动作：快速，100ms
• 移动动作：中等，300ms
• 精细对齐：慢速，800ms（因为需要精确控制）

如果系统以固定频率（比如每200ms做一次决策），那么：

• 抓取动作完成后，有100ms的"空窗期"——系统还在等下一个决策周期
• 精细对齐期间，动作还没完成，新的决策就来了——干扰了当前的精确运动

这导致机器人要么动作断断续续（不连贯），要么被后续决策干扰（不准确）。

1.3 多步规划的瓶颈

更复杂的问题是多步规划。很多任务需要"看几步棋"。比如：

"把钥匙从桌上拿起来，走到门口，插进锁孔，转动。"

传统方法需要一次性规划完这4步，然后串行执行。但环境在变化——可能在拿钥匙的时候，有人挡住了去门口的路。如果机器人还在执行"走到门口"的指令，它就会撞上那个人。

理想情况下，机器人应该：

• 在拿钥匙的时候，就开始"看下一步"（门口是否通畅？）
• 在移动的时候，持续感知环境（有人走过？有障碍？）
• 根据最新感知，动态调整剩余计划

但这要求感知和规划是异步的——规划不用等感知完成，感知也不用等规划完成。它们像两条独立的时间线，偶尔交汇（当规划需要用到最新感知时）。

🎭 第二部分：AHA-WAM的"双簧"架构——世界模型与动作模型的异步双人舞

2.1 核心设计：两个大脑，两套节奏

AHA-WAM（全称Asynchronous Horizon-Adaptive World-Action Modeling）的核心创新，可以用一句话概括：

用两个并行的Transformer（DiT）模型——一个预测世界（World Model），一个预测动作（Action Model）——让它们以不同的频率运行，但通过一种巧妙的"观察引导路由"机制共享信息。

让我拆开讲。

🤖 世界模型（World Model）：前瞻的预言家

世界模型负责"理解环境"和"预测未来"。它看的是观察序列（Observation Sequence）——摄像头画面、传感器读数、语言指令等。

世界模型的工作：

• 接收当前和过去的观察
• 理解场景（"这是一个厨房，桌上有一个杯子"）
• 预测未来观察（"如果我向前移动，我会看到冰箱"）
• 为动作模型提供"上下文"——也就是对当前状态的深层理解

世界模型不需要每一步都运行。它的任务相对"慢"——理解场景、预测未来需要整合大量信息，不需要每秒都做。论文中，世界模型每N步观察才运行一次（N是可调整的）。

🦾 动作模型（Action Model）：当下的执行者

动作模型负责"决定做什么动作"。它看的是动作序列（Action Sequence）——机械臂的关节角度、轮子速度、夹爪开合等。

动作模型的工作：

• 接收当前的状态（包括世界模型提供的上下文）
• 决定下一个动作（"夹爪闭合，手臂前伸"）
• 可以高频运行——因为动作决策通常比世界理解简单

动作模型需要高频运行，因为：

• 机械臂的运动需要精细控制，需要频繁调整
• 突发情况需要快速反应（"杯子要掉了！抓紧！"）

🔄 异步运行：各跑各的，但共享信息

传统系统是串行的：世界模型必须等动作模型完成，动作模型必须等世界模型输出。

AHA-WAM是并行的：

• 世界模型每隔几步运行一次，生成一个"世界状态表示"（上下文）
• 动作模型每一步都运行，但不需要等世界模型
• 当世界模型完成时，它把最新的上下文"推送"给动作模型
• 动作模型随时可以使用最新的上下文（如果准备好了）或继续使用旧的上下文（如果新的还没来）

这就像餐厅里的双簧表演：

• 前台（动作模型）一直在接待顾客、下单、传菜——高频、忙碌
• 后厨（世界模型）每隔一段时间汇报一次"目前食材还剩多少、接下来半小时的订单预测"——低频、宏观
• 前台不需要等后厨汇报才工作，但后厨的汇报会让前台做得更好（"哦，牛肉快没了，我得告诉顾客可能要等久一点"）

2.2 观察引导上下文路由（Observation-Guided Context Routing）——双簧的默契

但两个独立的模型，如何确保它们"说的是同一件事"？

这是AHA-WAM最精妙的设计：观察引导上下文路由（Observation-Guided Context Routing，简称OGCR）。

想象两个翻译在同一个会议上，一个翻译英语，一个翻译法语。如果他们各自为政，可能会产生完全不同的理解。但如果他们有一个共享的"笔记板"，记录关键信息（谁在说话、讨论什么主题），他们的翻译就会保持一致。

OGCR就是这个"笔记板"，但它更聪明——它是动态的、选择性的。

具体机制：

1. 世界模型每次运行时，会产生大量的内部表示（类似于Transformer的层间激活）。这些表示编码了"场景的理解"——物体的位置、关系、物理状态等。

2. 但不是所有表示都有用。动作模型不需要知道"那个杯子是陶瓷的、釉色是青瓷的"——它只需要知道"杯子在左边，离手30厘米"。

3. OGCR是一个轻量级的路由器网络，它看两样东西：

   • 当前观察（动作模型这一步看到什么）
   • 世界模型的所有内部表示

   然后它决定：世界模型的哪些部分，与当前动作最相关？

4. 路由器输出一个选择掩码（Selection Mask）——有点像注意力机制，但目的是"选择"而不是"加权平均"。它告诉动作模型："用世界模型的第3、7、12层表示，其他的忽略。"

5. 动作模型把选中的世界模型表示，作为额外的上下文，注入自己的决策过程。

这有几个好处：

• 信息筛选：动作模型只接收相关的信息，避免被无关信息淹没（"不要告诉我杯子的颜色，告诉我它的位置"）
• 动态适应：不同的动作需要不同的上下文。抓取动作需要物体位置信息；移动动作需要障碍物信息；语言交互需要语义信息。OGCR自动选择。
• 异步兼容：因为OGCR是"选择"而不是"实时融合"，即使世界模型的输出有延迟，动作模型也能用上一次的路由结果继续工作，直到新的上下文到来。

2.3 双扩散Transformer（Dual DiT）——同根生的两个大脑

AHA-WAM的两个模型，都基于**Diffusion Transformer（DiT）**架构。DiT是最近视频和图像生成领域的热门架构——把扩散模型（Denoising Diffusion）和Transformer结合起来。

为什么选择DiT？

1. 生成能力强：DiT擅长建模复杂分布。动作不是简单的标量，而是高维的、有时间依赖的序列。DiT可以生成合理的动作轨迹。

2. 条件灵活：DiT可以很容易地注入条件（如观察、语言指令）。AHA-WAM利用这一点，把世界模型的上下文作为条件注入动作模型。

3. 可扩展性：DiT的注意力机制天然适合处理长序列。机器人任务通常需要长程依赖（"先拿钥匙，再开门"），DiT的注意力能捕捉这种依赖。

AHA-WAM的两个DiT共享一部分初始编码层——就像两个大脑共享一部分视觉皮层。然后分叉：

• 世界DiT继续深化，学习复杂的场景理解
• 动作DiT专注于动作序列的生成，但使用OGCR引入世界DiT的上下文

这种"共享+分叉"的设计，既保证了两者的信息兼容（因为共享了底层表示），又保留了各自的专长（因为上层独立）。

2.4 滚动键值记忆（Rolling Key-Value Memory）——时间的河流

AHA-WAM还需要处理长序列。机器人的任务可能持续几十步、几百步，甚至几千步。

Transformer的注意力机制有一个问题：序列越长，计算量越大（二次方增长）。如果机器人运行1000步，Transformer的注意力矩阵会是1000×1000，内存和计算都爆炸。

AHA-WAM的解决方案是滚动键值记忆（Rolling Key-Value Memory）。

想象你正在读一本1000页的书。你不需要同时记住所有1000页才能理解当前这一页。你只需要记住最近几十页的关键内容，以及这本书的"大纲"（章节主题）。

滚动KV记忆就是类似的机制：

• 维护一个固定大小的KV缓存，只保留最近的N步的键值对
• 更早期的信息，被压缩成一个摘要表示（比如用平均池化或轻量网络）
• 当缓存满了，最老的信息被丢弃，但摘要仍然保留

这样，注意力机制永远只看最近的N步（效率高），同时通过摘要保留长期信息（不遗忘）。

论文中，N被设置为几十步到几百步，取决于任务复杂度。对于简单任务，短记忆就够了；对于复杂任务，长记忆更好。AHA-WAM可以自适应地调整这个长度。

🏎️ 第三部分：自适应时域（Horizon-Adaptive）——该快时快，该慢时慢

3.1 为什么固定频率是错的？

AHA-WAM的名字里有一个关键词：Horizon-Adaptive（时域自适应）。

什么是"时域（Horizon）"？在机器人学中，它指的是"预测或规划的未来步数"。比如：

• 短时域（Short Horizon）：只看下一步（"下一帧该做什么动作"）
• 长时域（Long Horizon）：看未来十步、百步（"接下来10秒我该做什么"）

固定频率的系统（比如每200ms决策一次）有一个问题：它时域是固定的。不管任务复杂度如何，它都只看固定步数。

但任务复杂度是变化的！

• 抓取杯子：简单，短视域就够了。只需要看"手在哪、杯子在哪、怎么抓"。
• 规划路线到厨房：复杂，需要长视域。需要看"走廊、门、障碍物、目标位置"。
• 与人对话：中等，需要中等视域。需要理解语言上下文，但不需要看物理环境太远。

固定视域要么太短（复杂任务做不好），要么太长（简单任务浪费计算）。

3.2 AHA-WAM的自适应机制：动态调整时域

AHA-WAM让每个模型自己决定看多远。

具体来说，每个模型有一个视域参数H，可以动态调整：

• 感知复杂度高（环境变化快、信息量大）→ 需要更多注意力在短视域，但频繁更新
• 任务复杂度高（需要多步规划）→ 需要长视域，但可以低频更新
• 动作精度要求高（精细操作）→ 短视域、高频动作模型
• 环境稳定（没什么变化）→ 长视域、低频世界模型

OGCR在路由时，也会考虑视域：

• 短视域时，主要路由最近几步的世界表示
• 长视域时，路由更多历史信息，甚至使用摘要记忆

这种自适应机制让AHA-WAM在简单任务上快速（不浪费计算），在复杂任务上深入（不遗漏关键信息）。

🏆 第四部分：实验结果——92%成功率与24Hz实时控制

4.1 RoboTwin仿真环境：复杂任务的大考

论文在RoboTwin上做了大量测试。RoboTwin是一个高保真的机器人仿真环境，包含多种操作任务：

• 抓取与放置：从桌上抓取物体，放到指定位置
• 工具使用：用锤子敲钉子、用螺丝刀拧螺丝
• 组装任务：把多个零件组装成完整结构
• 导航与操作结合：在房间里移动，同时操作物体

这些任务需要：

• 长程规划（多步操作）
• 精细控制（抓取、对齐）
• 动态反应（环境变化、物体掉落）
• 语言理解（根据指令调整行为）

4.2 核心数字：成功率、效率、泛化

92.80%的仿真成功率：这意味着在100个复杂任务中，AHA-WAM能成功完成92个。传统方法大约只能完成70个。这个差距不是量的差异，而是质的跨越——从"经常失败"到"基本可靠"。

78.3%的真实任务成功率：在真实的机械臂上测试，成功率仍然很高。这很重要，因为仿真到真实（Sim-to-Real）的迁移通常很困难——仿真里学到的东西，真实环境往往失效。AHA-WAM的异步设计和高频控制能力，让它在真实环境中也能保持鲁棒。

24.17Hz闭环控制：这意味着机器人每秒能调整24次动作。人类快速反应的速度大约也是20-30Hz（比如接住掉落的杯子）。AHA-WAM达到了人类级别的反应速度。传统方法通常只有5-10Hz，机器人看起来"迟钝"、"卡顿"。AHA-WAM的机器人动作流畅、自然，甚至有点"优雅"。

4.59倍推理速度：生成动作的速度提升了近5倍。这是因为：

• 动作模型不需要等世界模型
• OGCR只选择相关的上下文，减少了计算量
• 滚动KV记忆降低了长序列的计算复杂度

4.3 消融实验：每个组件的贡献

论文做了详细的消融实验，验证每个设计的价值：

1. 异步 vs 同步：

• 同步版本（世界模型和动作模型必须互相等待）：成功率下降约15%
• 反应时间增加约3倍
• 结论：异步是核心优势，不是可有可无的优化

2. OGCR vs 简单上下文拼接：

• 简单拼接（把世界模型的所有表示直接给动作模型）：成功率下降约8%
• 计算量增加约2倍（因为动作模型要处理大量无关信息）
• 结论：选择性路由不仅提升性能，还提升效率

3. 自适应时域 vs 固定时域：

• 固定短视域：简单任务好，复杂任务失败率增加25%
• 固定长视域：复杂任务好，但简单任务速度慢、计算浪费
• 自适应时域：两者兼顾
• 结论：自适应是灵活性的关键

4. 滚动KV记忆 vs 完整注意力：

• 完整注意力（不截断序列）：长任务内存爆炸，无法运行超过100步的任务
• 滚动KV记忆：能运行1000+步的任务，性能下降不到5%
• 结论：滚动记忆是长程任务的基础

5. 共享编码 vs 完全独立：

• 完全独立的双模型：成功率下降约5%
• 迁移学习困难（仿真到真实性能下降更明显）
• 结论：共享底层表示提升了泛化能力

4.4 真实机器人实验：从仿真到现实的跨越

论文在真实机器人（UR5和Franka Panda）上做了验证，任务包括：

• 桌面整理：把杂乱的物体分类摆放
• 装配任务：把零件插入对应槽位
• 协作任务：与人类配合完成组装

真实环境的挑战：

• 感知噪声：摄像头有延迟、光照变化、遮挡
• 执行误差：机械臂的摩擦力、齿轮间隙、电机响应延迟
• 环境动态：物体可能被碰倒、人类可能突然出现

AHA-WAM在真实环境中的成功率（78.3%）虽然低于仿真（92.8%），但仍然显著高于传统方法。关键优势：

• 高频控制（24Hz）让机器人能快速反应突发情况
• 异步架构让感知不丢帧——即使动作慢，摄像头数据也被充分利用
• OGCR的动态路由让机器人能关注当前最相关的信息（比如突然出现的人类）

一个有趣的细节：在协作任务中，AHA-WAM的机器人能"预判"人类的动作。因为世界模型在高频运行中持续理解场景，当人类伸手去拿某个零件时，机器人能提前调整动作避免碰撞。这看起来像是"社交智能"，实际上是异步感知+预测的结果。

🔮 第五部分：更深层的意义——从异步控制到智能的本质

5.1 从串行到并行：计算哲学的转变

AHA-WAM代表了一种计算哲学的转变：从串行流水线到并行异步系统。

传统计算机科学强调串行——一步一步执行，每一步等上一步完成。这源于冯·诺依曼架构的根深蒂固。但生物大脑从来不是这样的。

你的大脑：

• 视觉皮层每秒处理数十帧图像，但你不"等"处理完才做动作
• 你在走路的时候，小脑在调节平衡，大脑皮层在思考晚饭吃什么，海马体在巩固记忆，杏仁核在评估危险
• 这些系统并行运行，偶尔通过丘脑和前额叶皮层协调

AHA-WAM的异步架构更接近生物大脑。它的两个DiT模型就像大脑的两个功能区：

• 世界模型 ≈ 前额叶皮层+海马体（理解场景、预测未来）
• 动作模型 ≈ 运动皮层+小脑（精细动作控制、快速反应）
• OGCR ≈ 丘脑（信息筛选、路由）
• 滚动KV记忆 ≈ 工作记忆（有限容量、近期优先）

这种仿生设计不是巧合。AHA-WAM的作者们显然从神经科学中汲取了灵感。

5.2 世界模型的角色：从工具到伙伴

在AHA-WAM中，世界模型不是一个被动的"环境描述器"，而是一个主动的"预测者"。它不断生成对未来的预期，这些预期帮助动作模型：

• 提前准备（"看到杯子即将掉落，提前调整手型"）
• 避免错误（"预测到碰撞风险，提前减速"）
• 优化路径（"预测到门是关的，需要先去开门"）

这种"预测性"是智能的标志。心理学中有一个概念叫预测性编码（Predictive Coding）——大脑不是被动接收信息，而是主动预测感官输入，只有当预测与实际情况不符时，才更新模型。AHA-WAM的世界模型做的正是这种预测性编码。

当机器人的世界模型越来越准确，它不只是反应更快，而是更聪明。因为它能"想象"不同行动的后果，在行动之前选择最佳方案。这就是规划，是推理，是智能。

5.3 从24Hz到实时：具身智能的临界点

AHA-WAM达到24Hz的闭环控制频率，接近了一个重要的临界点：人类感知的实时性。

人类对延迟的感知：

• 100ms以下的延迟，人类基本感觉不到（这就是为什么VR要求延迟低于20ms）
• 100-300ms的延迟，人类能感觉到"卡顿"
• 超过300ms，人类会觉得系统"反应迟钝"

传统机器人系统通常有200-500ms的延迟（从感知到动作），这让机器人看起来笨拙、不可靠。AHA-WAM的24Hz意味着约40ms的延迟（从观察到动作），远低于人类感知阈值。

当机器人达到这个频率，一个重要的转变发生了：

• 机器人从"工具"变成了"伙伴"——你可以自然地与它互动，不用等待
• 机器人可以执行更精细的任务——比如穿针引线、装配精密零件
• 机器人可以进入人类的生活空间——做饭、打扫、照顾老人，而不是被关在工厂里

这就是**具身智能（Embodied AI）**的愿景：AI不只是屏幕上的聊天机器人，而是物理世界中的行动者，与人类的节奏同步。

5.4 未来的路：从双簧到交响乐

AHA-WAM的双模型架构是开始，不是结束。未来的机器人系统可能有更多的并行模块：

• 语言模型：理解人类指令、生成回应（"需要我帮忙吗？"）
• 社交模型：理解人类意图、情绪、社交信号（"他看起来着急，应该优先处理他的请求"）
• 学习模型：从经验中学习，更新世界模型和动作模型（"上次这样做失败了，这次试试别的"）
• 安全模型：实时监控风险，紧急制动（"检测到碰撞风险，立即停止"）

这些模型各自以不同频率运行，通过类似OGCR的机制共享信息。这就像一支交响乐团：弦乐、管乐、打击乐各自演奏，但共同构成和谐的音乐。

AHA-WAM的异步架构、观察引导路由、自适应时域，为这种"多模态交响乐"提供了技术基础。

🎭 尾声：双簧的哲学——当两个声音变成智慧

AHA-WAM的论文让我想到中国传统曲艺中的"双簧"——两个人合作，一个在前面做动作，一个在后面说/唱，配合默契，天衣无缝。

但AHA-WAM的双模型不是人在表演，而是两个神经网络在协作。它们没有意识，没有默契，只有数学上的优化目标。然而，它们的行为呈现出一种"类智能"的协调性：

• 动作模型专注当下，因为它知道世界模型在"看着大局"
• 世界模型从容预测，因为它知道动作模型会"照顾好眼前"
• OGCR在中间穿针引线，确保信息在正确的时间流向正确的地方

这种协调，不是预设的（不像传统程序那样"先A后B再C"），而是涌现的——从优化目标中自然涌现出来。这才是最令人惊叹的。

AHA-WAM也引发了一个有趣的哲学问题：智能是串行的还是并行的？

传统AI（如早期的专家系统、符号AI）是串行的——一步一步推理。现代深度学习（如Transformer）也大多是串行的——一层一层处理。但生物大脑是并行的。AHA-WAM的异步架构，可能是从"人工"智能走向"类生物"智能的重要一步。

最后，论文的名字AHA-WAM——AHA是感叹词，代表顿悟、发现。也许在作者眼中，当机器人第一次"边想边做"、两个模型默契配合时，就是人工智能的"Aha!"时刻。

那个时刻，不是某个单一模块的突破，而是整个系统的协同——就像双簧表演的高潮，不是前面的动作有多精彩，也不是后面的唱腔有多动听，而是两者合一，创造出一种超越个体的艺术。

AHA-WAM，让机器人学会的双簧，也许正是智能的雏形——不是单一的超能力，而是多个能力在时间中的协调与共鸣。

📚 参考文献

1. AHA-WAM: Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing

   • arXiv: 2606.09811, 2026
   • 作者：Jisong Cai, Long Ling, Shiwei Chu（及合作者）
   • 核心贡献：提出AHA-WAM架构，通过异步双DiT模型（世界模型和动作模型）和观察引导上下文路由（OGCR），实现自适应时域的机器人控制。在RoboTwin仿真环境达到92.80%成功率，真实机器人任务达78.3%，闭环控制频率24.17Hz，推理速度提升4.59倍。

2. RoboTwin: A Real-World Benchmark for Robot Learning

   • 作者：RoboTwin团队（具体作者待补充）
   • 核心贡献：高保真机器人仿真环境，用于测试复杂操作任务，包括抓取、工具使用、组装等。

3. Diffusion Models with Transformer (DiT)

   • 作者：W. Peebles, S. Xie
   • 发表于：ICCV, 2023
   • 核心贡献：将Transformer架构引入扩散模型，为图像和视频生成提供高效可扩展的架构。AHA-WAM的两个模型都基于DiT架构。

4. Attention Is All You Need

   • 作者：A. Vaswani et al.
   • 发表于：NeurIPS, 2017
   • 核心贡献：Transformer架构的开创性工作，其注意力机制是AHA-WAM中OGCR和滚动KV记忆的基础。

5. Predictive Coding in the Visual Cortex

   • 作者：R. Rao, D. Ballard
   • 发表于：Nature Neuroscience, 1999
   • 核心贡献：提出预测性编码理论，解释大脑如何通过预测感官输入来理解世界。AHA-WAM的世界模型预测功能与此理论呼应。

6. Famous Orations: The Soldiers' Record

   • 作者：Oliver Wendell Holmes
   • 出版：1894
   • 核心贡献：美国最高法院大法官霍姆斯关于思想与行动关系的论述，为本文开篇引用提供思想背景。

#论文 #机器人 #异步控制 #世界模型 #DiT #具身智能 #AHA-WAM #小凯