26年9月来自阿联酋 MBZUAI 、加州理工、亚马逊公司FAR、维吉尼亚大学、乔治亚理工、纽约大学和加州伯克利分校的论文“World-Action Models for Robot Learning and Control: A Survey”。这篇论文的核心观点是：机器人不仅需要知道“下一步做什么”，还需要预测“这样做会带来什么后果”，并将这种预测转化为可执行、可纠错的动作。 世界-动作模型（World-Action Models，WAMs）正是围绕这一连接展开。论文的主要价值是建立了一套较完整的技术分类框架；主要不足是概念边界仍有摇摆、缺少统一的实证比较，而且存在可直接核对的引用错误。下面先概述论文，再提炼要点，最后分别讨论领域挑战与综述自身的问题。一、论文试图回答什么问题？论文从机器人在开放环境中的困难出发：观测不完整、物理交互复杂、任务持续时间长，而且局部正确的动作可能破坏后续目标。例如，机器人要把杯子放进柜子，直接生成“抓取杯子”的动作还不够。它需要考虑抓取姿态是否妨碍放入、柜门是否挡住路径，以及杯子被遮挡后如何继续判断状态。作者认为，现有研究分别解决了这个问题的一部分：因此，论文真正关注的是：未来预测如何参与动作学习和决策，并最终改善机器人实际执行？这比“机器人能否生成未来视频”更接近整篇综述的研究对象。（第1—3页）如图 1 是世界动作模型的演化：二、论文的详细内容与技术框架概念基础：从单独预测或控制，走向联合建模论文以部分可观测马尔可夫决策过程作为背景，并区分三种基本映射：世界模型：当前状态与动作 → 下一状态。VLA：历史观测与语言指令 → 动作序列。WAM：历史观测与语言指令 → 未来观测与动作序列。为便于理解，可以将其统一写为：p(O_future, A_future ｜h, e)其中，h是交互历史，e是语言指令。这里的“未来”不必是完整视频，也可以是潜在特征、三维结构、目标状态或其他与控制有关的表示。论文进一步提炼出四项能力：这是全文最有用的概念框架之一：不同方法的差异，可以理解为重点学习了其中哪些能力，以及这些能力如何连接。（第3—4页）如图 2 所示世界模型（WAM）背后四个基础思路的概念概述：（a）世界模型通过预测当前状态和动作来学习潜动态；（b）视频生成模型根据视觉历史和语言指令预测未来的视觉观察结果；（c）潜动作预训练从连续帧中推断潜动作，并用它们来建模潜转换；（d）视频生成模型（VLA）直接从状态和语言指令生成未来动作序列。（第三行插图改编自各思路中引用的相应论文。）两种核心路线：联合预测与先规划后行动第一种是联合预测：在共享的建模过程中生成未来观测