摘要

当前关于“下一个AI前沿”的讨论，大多仍落在参数规模、推理能力或科学发现自动化等延续性叙事之中。本文提出一个不同的判断：下一个真正意义上的前沿阵地，不是让AI在符号空间里预测得更准，而是让预测本身成为物理行动的内在环节。这一转移的技术凝结，是2025—2026年间在预印本社区快速成型的世界行动模型（World Action Models, WAMs） 这一新兴范式。WAMs将世界模型对未来的预测与动作策略的生成耦合在同一个计算框架之中，以未来状态与动作的联合分布为建模目标，使“想象一个未来”与“在物理世界中干预以检验这个未来”不再是两个分离的阶段。本文论证，这一耦合既是具身智能走出纯演示验证困境的结构性条件，也同时制造了该前沿最核心的张力：预测表征的丰富性与闭环行动的可靠性之间存在不可消解的不对称。围绕这一张力，本文刻画WAMs的架构谱系、可靠性瓶颈与评估范式的转换，并主张该领域的前沿议程正从“预测得更准”转向预测性行动的可审计性与可拒绝性。

关键词： 世界行动模型；具身智能；预测性行动；AI前沿；可靠性

一、引言：前沿叙事的一个盲点

2026年的AI趋势报告共享一个基本判断：大模型能力仍在持续扩展，但拓展路径正在显著分化。斯坦福HAI《2026年人工智能指数报告》显示，前沿模型在博士级科学问题、多模态推理与竞赛数学等静态基准上已接近或超越人类水平[1]。北京智源人工智能研究院将多模态世界模型、具身智能与AI科学家并列为关键方向，并判断行业共识正从语言模型向能够理解物理规律的多模态世界模型迁移^[2]。图灵研究所CETaS报告给出更为审慎的评估：未来的能力跃升“不太可能依赖单一、孤立的突破”，而将来自扩展、混合与专门化路径的复杂组合；在该报告梳理的15个替代性研究范式中，世界模型与具身学习循环被归入中期、仍存在不确定性的研究范畴^[3]。

这些判断指向同一个方向，但尚未得到充分的概念化：AI前沿正在从离身预测（符号、像素空间内的无后果预测）转向具身的预测性行动。语言模型和视频生成模型可以预测下一个token或下一帧，但这种预测和物理行动之间隔着一道长期未被跨越的鸿沟：预测的错误可以在新一轮采样中被丢弃、遗忘；而物理行动的错误会在真实环境中留下不可逆的物质痕迹。值得被称为“下一个前沿”的议题，恰恰就是这道鸿沟本身：如何让预测成为行动中可问责的内在环节，而不是行动之前一个辅助性、可取舍的前置附属品。

本文的核心论点是：世界行动模型（WAMs）是这一新前沿的技术凝结；而它的前沿性，不在于它能做出精度更高的预测，而在于它把“预测与行动之间的可靠性鸿沟”暴露为一个可以被形式化、工程化、纳入治理评估的研究对象。下文依次展开这一判断的宏观依据、技术内涵、内在张力与前沿议程的转向。

二、为什么是“行动”：前沿转移的结构性条件

（一）离身预测的收益边界

当前主流范式的能力建立在海量文本、视觉数据的预训练之上，有效性高度依赖一个隐含前提：模型部署时的数据分布，和预训练分布足够接近。图灵研究所CETaS报告明确指出，现有系统“在复杂、分布外任务上可能出现不可预测的失效，尚不具备国家安全等高风险场景决策所要求的可验证输出能力”^[3]。语言模型可以生成一段逻辑自洽的机器人操作步骤，但无法保证这套步骤在接触、摩擦、形变等物理约束下依然可行。预测的“语义合理性”和行动的“物理可行性”之间的缝隙，无法依靠单纯增加数据、扩大模型参数自动弥合；这是结构性不对称，而不是规模不足带来的性能问题。

智源研究院将2026年具身智能趋势概括为从“实验室演示验证”迈向广泛工业场景，判断行业进入产业筛选与落地窗口期^[2]。这一迁移意味着评价标准的结构性切换：实验室中效果亮眼的单次演示，在工业场景下必须转化为可重复、可审计、具备安全失败边界的作业模式。中国信通院、清华大学联合发布的《具身智能发展报告（2026年）》同样将“从实验室验证向规模化应用跨越”作为主线判断，同时指出技术路线碎片化、交互数据供给不足、部署成本高昂仍是多重现实障碍^[4]。当AI从生成符号内容转向主动干预物理世界，“预测”就不再是中立的认知活动，而是承载物理后果的承诺。

（二）WAMs作为技术凝结

正是在这一背景下，2025—2026年出现了一批将世界建模与动作生成深度整合的研究工作。Siyin Wang等人2026年5月的综述正式将该范式界定为World Action Models（WAMs）：统一预测性状态建模与动作生成、以未来状态和动作的联合分布为优化目标的具身基础模型^[5]。这一定义的关键价值不在于术语创新，而在于标记一次架构层面的决裂：在WAMs范式下，世界建模不再是策略模块之外独立、可选的仿真组件，而是内嵌于动作生成流程、对动作选择施加约束的预测核心。需要区分：传统模型预测控制、Dreamer类世界模型强化学习，属于“世界模型作为外部模拟器”；而WAMs是基础模型层面，把状态预测和动作生成放在统一基础模型的建模目标之内，这是范式差异。同期一篇覆盖200余篇文献的梳理思路，同样将WAMs刻画为“通过想象未来而学会行动”的新方向，指出其核心挑战集中于物理一致性、跨具身泛化与安全验证^[5]。

这一转向的深层含义，可以从其架构谱系读出。前述综述区分了级联式（Cascaded）与联合式（Joint）两条主线路线，并进一步按照生成模态、条件机制、动作解码策略细分^[5]。级联式架构先由世界模型生成显式的未来状态预测，再将预测结果输入动作解码器；联合式架构则在同一个生成流程中同步产出未来状态与动作序列。前者偏向表征丰富性、模块可解释性；后者偏向计算效率、闭环推理实时性。这种“表征丰富度—行动约束能力”之间的权衡，不是单纯工程取舍，而是WAMs作为前沿阵地的结构性特征：系统需要在同一个模型内同时承担两项认知属性不同、时间尺度不对称的任务——理解世界会如何演化，以及决定当下应当如何干预世界。

三、耦合的代价：WAMs的内在张力

（一）预测与行动的不对称

WAMs的吸引力来自一个直觉上极具说服力的假设：如果系统能够预判执行动作A之后世界的演化结果，就可以在真实执行前校验这个想象，从而获得更好的鲁棒性、可解释性与安全性。BadWAM的研究也正是从这一广为接受的预设切入，把“动作可以对照想象中的未来核验”视为该领域通行的乐观假设^[6]。但这个直觉本身遮蔽了最核心的问题。

预测和行动之间存在根本性不对称：预测在像素或潜空间完成，误差可以用分布距离、重建损失量化；行动在物理状态空间落地，最终成败由接触力学、惯性、摩擦、不可逆的物质变化决定。一段视觉上高度合理、时序流畅的“想象未来”，完全可以对应一段执行时立刻引发碰撞、失稳、任务崩溃的动作序列。BadWAM提出世界—行动漂移攻击（World-Action Drift Attacks），证明微小视觉扰动可以在不破坏想象画面视觉合理性的前提下，撕裂预测想象与闭环执行之间的对齐关系^[6]。在闭环仿真测试中，纯动作攻击可将任务成功率从96.5%降至43.1%；而保想象攻击（imagination-preserving attack）进一步说明：即便对未来预测的漂移施加正则约束、把想象偏差控制在很小范围，动作层面的破坏依然可以稳定生效^[6]。换言之，WAMs承诺的“可对照性”并不是耦合架构自带的固有属性；它本身就是一个需要持续对抗性检验、持续加固的攻击面。

（二）可审计性的前置条件

更严峻的挑战出现在评估范式层面。当世界模型被用作评判动作策略的“虚拟判官”，在想象仿真中推演动作后果、输出安全/成功判定，那么这套判定的可信度，首先取决于这个“判官模型”本身是否经过验证与采信认证。Oefinger等人的预印本提出一个关键反转：在自动驾驶世界模型评估中，视觉生成保真度（L0维度）排名更高的模型，在动作跟随能力（L1–L2）上排名反而更低；视觉逼真度，并不等价于闭环判定所依赖的动作鲁棒性^[7]。这意味着WAMs的前沿议程不能停留在“模型预测更准”，而必须回答二阶问题：我们凭什么采信这一段预测，作为支撑一次物理干预的证据？

这一问题和AI科学家方向的教训形成结构性平行的形成。Luo等人对开源自主AI科学家系统的分析识别四类方法论隐患：基准选择不当、数据泄漏、指标误用、事后选择偏差；并且指出自动化程度越高，这类隐患越容易藏在最终产出里，仅靠论文级别的结果汇报无法检出，必须对完整工作流做过程审计^[8]。WAMs是这套逻辑在物理世界中的放大版本：在AI科学家系统里，未经审计的缺陷污染的是科研记录与结论；在WAMs系统中，未经审计的预测缺陷会直接改变物理环境状态。因此WAMs的前沿意义，就在于它迫使AI社区直面一个长期延后的问题：预测系统的可靠性，不能依靠预测输出本身的流畅度来证明，而必须依靠行动维度上的可审计机制来建立^[8]。

（未完待续）

支持单位：