世界模型与具身智能
范式跃迁：2025 年 VLA（视觉-语言-行动）主导 → 2026 年世界模型成为机器人基础。VLA 是"模仿人类指令"，世界模型是"理解物理因果"——在脑内模拟行动后果再决策。
为什么需要世界模型：机器人没有互联网级训练数据，真机采集贵、慢、危险。世界模型用合成数据让机器人在"想象中"经历百万次搬运场景（含罕见边角案例），再上真机。
格局（2026）
NVIDIA Cosmos 3：首个统一世界生成+视觉推理+动作仿真的世界基础模型，2000 万小时真实数据训练，下载量 200 万+
Google Genie 3：24fps 实时生成可交互 3D 环境，无显式物理引擎却习得物理规律
Meta V-JEPA 2 / LeCun AMI Labs（JEPA 路线，$10 亿融资）：预测抽象表征而非像素
国内：北大 WoW、智元 EVAC、大晓"开悟" 3.0（首个开源商用世界模型，端侧 4B 可控实体机器人）
真实工程链路（纠正常见误解）：VLA 不直接输出关节电流。四层分工——
层 | 职责 | 频率 |
VLM+世界模型（慢思考） | 语义理解/子任务规划 | 1-5 Hz |
VLA 动作头（快规划） | 轨迹/位置目标 | 10-50 Hz |
MPC/RL 小脑 | 关节角度/速度 | 100-500 Hz |
伺服驱动 | 电流/力矩 | 500-1000 Hz |
趋势：WAM（世界动作模型）用世界模型骨干直接生成策略，替代"VLM+动作头"；训练数据从真机演示转向互联网图文（学物理定律）+ 真实交互数据补全。
判断：具身智能的"ChatGPT 时刻"尚未到来，但世界模型方向"看不到天花板"（宇树王兴兴）；关注 sim-to-real 一致性指标，别信单点演示视频