世界动作模型 WAM 是什么？让机器人先“想象”再行动

世界动作模型（World Action Model，WAM）是一类面向机器人和具身智能的基础模型，它同时预测两样东西：未来的世界会变成什么样（以视频画面的形式），以及机器人应该做什么动作。这个说法来自英伟达研究团队 2026 年 2 月发表的论文《世界动作模型是零样本策略》（World Action Models are Zero-shot Policies），论文提出了一个名为 DreamZero 的 14B 参数机器人基础模型。

和 VLA 有什么不同

当前主流的机器人大模型是视觉语言动作模型（VLA）：看到画面、听懂指令，直接输出动作。论文指出，VLA 在语义层面的泛化很好，比如能理解新的物体名称和指令，但面对新环境里从没见过的物理动作，泛化能力就弱了。原因在于它只学了“看到什么做什么”的映射，没有真正学会世界是怎么运动的。

WAM 换了一个思路：它建立在预训练的视频扩散模型之上，通过预测未来的世界状态来学习物理规律。视频被当作描述世界如何演变的“稠密表示”，它包含了物体怎么移动、怎么碰撞、怎么受力的大量信息。模型同时建模视频和动作，相当于在行动前先“想象”动作执行后世界会怎样变化。

效果如何

论文称，通过联合建模视频和动作，DreamZero 能有效地从多种多样的机器人数据中学到丰富的技能，而不需要大量重复的示范数据。在新任务和新环境上的泛化能力，比当时最好的 VLA 模型提升了两倍以上。这里的“零样本策略”指的是：面对没有专门训练过的任务，模型也能直接给出可执行的动作。

为什么值得关注

机器人领域长期受困于数据稀缺：收集机器人的操作示范数据又贵又慢。而互联网上有海量的视频，里面蕴含着大量关于物理世界的知识。WAM 的思路是借助视频模型把这些知识“继承”过来，降低对机器人专属数据的依赖。它代表了世界模型和机器人控制融合的一个重要方向，后续能否在更多真实场景中稳定工作，还有待更多验证。