我们来聊聊VLA、WM、WAM

最近智驾和具身智能行业的技术风向很好玩，大家讨论的焦点从之前的端到端控制，向拥有物理直觉的预测迁徙。我们来了解下VLA、世界模型（WM）以及最新的WAM。

一、发展时间线与核心技术痛点

1. VLA（视觉-语言-动作模型）

提出与火爆时间： 2023年 - 2024年（代表作如谷歌的RT-2、开源的OpenVLA、π₀）。
技术逻辑： 它是反应式（Reactive）条件反射。输入当前视觉画面+自然语言指令，直接映射输出低层动作序列。直白说就是“看到什么就直接输出什么肌肉记忆”。
技术痛点： 缺乏对物理世界的预见性。如果抓取物体时稍微滑了一下，它无法显式建模环境在干预下的未来状态，细微的偏差会在长程（Long-horizon）任务里累积，导致后面动作全盘崩溃。

2. 世界模型（World Models / WM）

技术演进： 概念在强化学习和学术圈很早就有（如Yann LeCun推崇的JEPA架构、Dreamer系列），但在2024年底到2025年，随着互联网视频生成大模型（如Sora、Genie、Cosmos）爆发，大家发现它能给机器人提供极强的物理先验，开始被深度引入具身领域。
技术逻辑： 它是环境动力学预测器。它的核心任务是去建模环境的动态转移，即“如果执行了A动作，接下来的环境视觉会发生什么改变”。
技术痛点： 它是“纯旁观者”，造梦很强但不会干活。它能极其逼真地预测玻璃杯摔碎的未来画面，但它本身不生成动作，没办法直接输出高频、精确的关节扭矩或底层控制硬件参数。

3. WAM（World Action Models 世界动作模型）

爆发时间： 2026年上半年的技术新前沿（代表作如NVIDIA的DreamZero，以及2026年5月复旦团队发布的万字综述论文）。
技术逻辑： 它是“预测性世界建模+耦合动作生成”的融合体。不再单单学策略或单学转移动力学，而是联合建模未来状态与动作的联合分布。要求模型有“前向预测承诺”，在伸手前先在隐空间里推演物理后果，并让动作严格与预测出的状态对齐。
技术痛点： 真机部署的实时性瓶颈。因为要在本地高频做未来状态预测或视频去噪，前向推理太重，真机部署延迟很高。目前的攻坚方向是不在测试时显式生成像素，用 Fast-WAM 等新架构将闭环控制延迟极限压缩到 190毫秒左右。

二、技术方向：三者的区别与概率对比

如果从底层的算法模型来看，这三者在优化目标和控制边界上有着本质的区别：

1，VLA（纯策略流派）： 输入当前画面和口令➡️直接给动作。它的边界很短，属于快思考，在数学上完全不考虑动作执行后，物理世界下一秒会变成什么样。

2，世界模型（纯预测流派）： 输入当前画面和假想动作➡️专门预测下一秒的场景。它不负责给动作，主要作为机器人的“虚拟评估器”或者帮机器人进行“脑内想象推演”。

3，WAM（联合模型流派）： 输入当前画面和口令➡️脑内推演和手脚动作同时输出。它在概率上要求动作和未来世界的发展紧密耦合。

目前市面上可能有两种玩得多的技术路线：

1,级联式（先想后做）： 模块分工。世界模型先显式生成未来几步的视觉画面，然后另一个运控策略网络看着这个画面来解码做动作（比如UniPi）。

2,联合式（边想边做）： 端到端缝合。把画面和动作全部变成 AI 离散令牌（Tokens），用一个统一的大 Transformer（如自回归或者扩散模型）交错着同时吐出预测状态和动作（如 Fast-WAM、GR-2），效率更高，没有模块间的级联误差。

三、横向对比：实现难度、达成阶段与市场认可度

1. 实现难度：从数据体力活到算力极限压榨

VLA 模型（难度：★★★☆☆）： 算法框架已经标准化，核心工作量在数据采集和清洗上（堆遥操作和仿真数据）。由于开源底座普及，调参门槛在降，属于堆人力和数据的工程。
世界模型（WM）（难度：★★★★☆）： 难在如何干掉物理幻觉。纯视频大模型在生成视频时容易出现物体无故穿透或融化，而且如何把触觉、力觉等多模态信号纳入预测框架，目前还是个难题。
WAM 模型（难度：★★★★★）： 属于算法与底层工程的地狱级重合。要把 Sora 级别的时空推演和极致的运控对齐，同时还要手写 CUDA 算子、死磕 TensorRT 端侧加速。在机器人异构算力下多卡调度，把推理延迟打下来，非常考验软硬件全栈功底。

2. 当前达成阶段：从量产Demo到真机攻坚

VLA 模型 ➡️ 【商业落地期】： 已经基本收敛。各大厂商在商超补货、产线分拣、保洁等标准的短程任务Demo里，基本拿它来做交付主力。
世界模型（WM） ➡️ 【互联网基建期】： 处于用互联网级海量视频做自监督预训练的阶段。机器人主要把它当成一个“脑内可微分仿真器”或“高质量虚拟轨迹生成器”，用来填补昂贵的真实真机数据缺口。
WAM 模型 ➡️ 【真机闭环攻坚期】： 随着今年5月学术界框架被首次系统定型，目前各大头部具身独角兽正在死磕“去测试期未来想象（No test-time future imagination）”，尝试在推理时跳过大视频生成、直接输出动作，正在经历真机闭环控制的攻坚期。

3. 市场与资本认可度

VLA 模型 ➡️ 【高确定性的基本盘】： 投资人和大客户最容易看懂，因为能最快上真机跑Demo。在目前的量产和采购合同中属于不可或缺的基础策略。
世界模型（WM） ➡️ 【长期的技术风向标】： 行业公认它代表了智能体的“认知上限”，也是解决长程规划（Long-horizon planning）的必备钥匙。
WAM 模型 ➡️ 【资本新宠与下代顶流】： 随着单纯的策略微调在非标、复杂长尾场景遇到瓶颈，懂物理预测和执行对齐的 WAM 模型开始受到智驾（车企跨域融合）和顶尖机器人厂的极大资源倾斜。

四、从招聘角度看：JD需求有什么不同？

1. VLA 工程师

大厂HC要求： 熟悉多模态大模型（MLLM）、大语言模型，主要负责做监督微调（SFT）和后训练（Post-training），但大多数企业招聘还是需要有VLA经验，目前智驾圈跑到具身来的居多。
主要来源： 供需趋稳。有大量以前搞NLP或CV的同学转行过来，人才基本盘相对稳定。

2. WAM / 具身世界模型架构师

大厂HC要求： 技能树极度跨界。算法端要精通 Video Diffusion 视频生成、DiT 架构、流匹配（Flow Matching）或自回归令牌交错序列；工程端单开一栏，死卡端侧极限软硬件工程调优（异构算力压榨、算子手写优化）。
主要来源： 极其稀缺的六边形战士。能搞前沿去噪生成算法、又具备变态的底层底软系统优化经验的人，一个字难。