英文：世界动作模型（World Action Model） 分类：embodied
世界动作模型（WAM）是 2025-2026 年具身智能领域提出的新范式，与 VLA（视觉语言动作模型）并列：它不只根据当前观测输出动作，而是联合学习"环境将如何演化"与"应采取什么动作"，让机器人在"脑中预演"动作后果后再执行。WAM 被视为继 VLA 之后具身智能的下一代模型形态，核心是把世界模型的预测能力与策略学习合二为一。
WAM 的训练目标同时包含两部分：①观测预测——给定当前状态与动作，预测未来帧/未来状态；②动作策略——在可预测的未来状态序列上优化回报。技术实现上常基于视频生成模型（扩散/自回归）作为世界模型主干，叠加动作头与策略梯度；与纯 VLA 相比，WAM 强调"想象 rollout"能力——先在内部仿真中试错，再落到真实机器人上，从而提升长程任务成功率与 Sim2Real 迁移效果。
2023-2024 年世界模型（Dreamer、Sora 式视频预测）与 VLA（RT-2、OpenVLA、π0）两条路线并行发展；2025 年学术界提出 WAM，把"预测未来"与"选择动作"统一到一个模型中；2026 年随着人形机器人量产与具身大模型竞争加剧，WAM 成为 OpenAI、Google DeepMind、智元等公司布局的下一代方向。
人形机器人复杂操作（长程任务规划、抓取后重新规划）、自动驾驶行为预演、无人机与机器人在仿真环境中安全试错、减少真实世界试错成本。
相关词条：物理AI · VLA · 空间智能 · 实时语音对话 · Test-Time Compute