最近这两个月几乎每一场关于机器人操作的交流里都会有人问我同一个问题WAMs 是不是真的比 VLAs 泛化能力更强问的人多了我意识到这不是个别研究者的技术选型困惑而是两条路线摆上台面之后整个社区都在重新评估自己的判断。先把结论放在前面免得大家等太久如果“泛化”指的是语义指令理解、视觉外观变化、从互联网海量知识迁移到具体任务那么当前实证层面 VLAs 确实领先。如果“泛化”指的是空间关系推理、物理常识、原子技能自由组合那么 WAMs 有理论上限更高的潜力——但实证还没有完全兑现。我在这里说的 WAMs指以世界模型为核心的机器人操作路线它不直接输出动作而是先建模“环境如何响应我的动作”再用这个模型去规划、想象、搜索最优策略。VLAs 则是视觉-语言-动作模型吃进图像和语言指令直接吐出一段动作序列。这篇文章写给三类人正在选研究方向的同学、做量产机器人策略的工程师以及对这两个概念只听过名字、还不太确定区别的旁观者。我会尽量把双方的技术细节都摊开讲最后给一张可以直接用来做判断的评估表以及一个最小验证实验方案。1. 两条路线到底争的是什么先看它们的“学习目标”1.1 同一个“操作”两种完全不同的建模思路很多朋友第一次接触这两条路线时容易把注意力放在“谁的动作更丝滑”“谁的 demo 视频更好看”上这其实抓错了重点。两条路线最本质的分歧在于模型的训练目标完全不同。VLAs 建模的是这样一个条件概率给定当前的图像观测和语言指令直接估计动作序列。写成公式就是 P(动作 | 图像, 语言)。整个训练过程围绕“从感知到动作的映射”展开预训练阶段用海量互联网图文数据把视觉、语义先验压进模型骨干再拿机器人演示数据做微调。运行时一次前向推理动作序列就出来了。它本质上走的还是大语言模型那条路靠下一个 token 预测靠 scale靠数据。WAMs 走的是另外一条路。它先学一个环境动力学模型也就是 P(下一个状态 | 当前状态, 动作)。这个“状态”可以是像素空间的一帧图像也可以是压缩后的潜在特征。它不直接告诉你手该往哪走而是告诉你在每个状态下执行某个动作环境会变成什么样。真正的策略由规划器在这个动力学模型内部做“想象推演”得到在脑子里试很多种动作序列挑一个在未来结果最好的去执行。这本质上是 model-based 控制和强化学习的古典立场智能体要能控制必须先能预测。我常用一个类比来解释这两者的区别。VLAs 像一个靠大量刷题训练出直觉的考生看到题目直接写答案写得又快又熟练WAMs 更像一个先理解物理原理和规则的学生拿到题目不急着动笔先在脑子里把推导过程过一遍。这两类人在考试里都能拿分但在“从来没见过的题型”面前表现会很不一样。这个类比不够严谨但能抓住关键学习目标不同导致最终模型内化到表征里的信息种类完全不同。1.2 学习目标决定模型“不得不”学到什么为什么说学习目标决定一切因为网络结构固然重要但训练信号才是逼着模型形成某种内部表征的根源。VLAs 的训练目标不要求模型显式地表达物体状态。它只需要找到图像、语言和动作之间的统计相关性就够了。这就给模型留了一条“捷径”它完全可以通过背景颜色、物体纹理、甚至相机视角遮挡关系等表面线索来完成映射而不需要真正理解“物体在我动作之后会变成什么状态”。在训练数据足够多样的时候这条捷径看起来 work 得很好但一旦遇到分布外的场景比如换了一个光照、换了一张桌子、物体被遮挡了一半模型很容易崩。WAMs 就不太能走这种捷径。它的训练信号是“预测未来”要预测得准就必须把空间几何、物体相互作用、时间一致性内化到自己的表征里。比如它要知道杯子放在桌沿上往前推会掉下去手伸过去抓住杯子后杯子的位置应该跟着手移动。这些物理约束是训练目标强加给它的不是可有可无的先验。这也是为什么很多从业者相信WAMs 一旦训练成功学到的表征更接近“对世界的理解”而不是“感知到动作的查表”。但这里立刻要泼一盆冷水理论上是这样不代表现在实证就做到了。目前纯像素级的 WAMs 在训练时非常容易产生幻觉式的预测后面会有专门一节细说这个问题。泛化能力也不是一个单维度的东西两种路线各自强在不同的方向上。这正是“WAMs 是否比 VLAs 泛化更强”这个问题难以一句话回答的原因——我们得先定义你说的泛化到底是哪一种泛化。2. WAMs 的理论优势空间、物理与组合泛化2.1 只有预测未来才学得会“物体永久性”机器人操作里有个基础得不能再基础的问题物体被遮挡了还能不能知道它在哪里、它还在不在对人类来说这不叫事婴儿几个月大就有“物体永久性”的直觉——东西被挡住不代表它消失了。但对大多数策略模型来说这是一个非常苛刻的测试。我实际测过很多模型把目标物体从桌面拿起后放到一块挡板后面再下达“把挡板后面的杯子推到左边”指令。不少基于感知-动作映射的模型会直接懵掉因为它当前看到的画面上没有杯子它必须靠语言和记忆来推断杯子位置。如果模型没有显式的状态推理能力它很容易输出一个训练数据里最常见的动作模式比如直接往左推或者干脆原地抖动。WAMs 在理论上天然擅长这类场景。因为它的动力学模型要对“未来状态”负责在训练中它必须不断更新对被遮挡物体的位置估计——预测下一帧时它要知道杯子虽然在当前图像里不可见但它的潜在状态还在桌面上、还在某个具体坐标。这种能力不来自显式的规则而是来自预测未来的训练目标所带来的隐含约束。我给想验证这点的朋友一个可操作的建议拿你自己的策略模型做一个“遮挡测试”。具体做法是让模型看到物体的初始位置然后遮挡物完全挡住目标再延迟两秒发出操作指令看模型能否准确找到并操作物体。这个简单的单元测试能非常快地筛掉一批只会“视觉捷径”的模型。实测中大量把 demo 做得很好看、成功率达到 90% 以上的模型在遮挡测试里会直接掉到 20% 以下。这不是夸张是很多机器人小组在复盘项目时反复见到的现象。2.2 组合泛化WAMs 最值得押注的长期潜力比遮挡测试更接近“智能”本质的是组合泛化。所谓组合泛化是指模型分别学过多个原子技能但从未见过这些技能在特定顺序和特定物体上的组合却能在新任务中自主把它们组合出来。举个例子。训练数据里有“拿起水杯”和“把物体放到托盘”这两个技能但从来没有出现过“拿起水杯并放到托盘再把托盘推到桌子另一端”这种组合。对人类来说这是小菜一碟对 VLAs 来说这可能是灾难。原因在于VLAs 输出的动作序列与语言指令之间是端到端映射语言 token 与空间布局的绑定非常松散。当新任务的指令在语义空间里是旧指令的拼接时动作空间里并不存在对应的拼接操作。模型只能强行外推而外推在神经网络里往往表现为复读、抖动或崩溃。WAMs 的组合路径在概念上要顺得多。如果动力学模型已经被训练到一个比较准确的水平那么新任务本质上只是“在同一个物理世界里换一个目标状态进行搜索”。它不需要重新理解杯子、托盘、桌面的物理意义只需要在想象中尝试“拿起—移动—放下—再推”这串动作看看能不能达到语言指令描述的目标状态。这个过程天然是可组合的新任务 原子动作序列 目标状态搜索而不是重新学习一个新的感知-动作映射。这也是为什么在灵巧手、长程操作这类任务上坚持世界模型路线的团队一直没放弃。动作空间维度越高、任务越长直接做感知到动作的映射就越吃力而在一个可预测的动力学空间里做规划动作空间的维度只是搜索问题的规模变大并不会从根本上破坏策略的泛化结构。2.3 客观看待优势尚在“理论区间”但我必须把另一面也说清楚。WAMs 的这些优势目前有相当一部分还停留在理论分析和玩具实验中没有在大规模多任务场景里得到兑现。我自己复现世界模型类工作时的体验是大部分时间都花在了跟训练不稳定做斗争上。像素级的世界模型经常出现“看着预测对了其实全是幻觉”的情况。模型学会了生成美观的未来帧看起来杯子在移动、手在靠近但物理规律完全错误——杯子可能直接穿过桌面手可能穿透杯子而不施加任何力。这说明它学到的不是物理而是纹理插值。如果动力学模型是错的那么基于它的规划就毫无意义你想象中完美的操作序列在现实里会像陌生人照着假地图开车一样一步错步步错。潜在空间的世界模型又会遇到表征坍缩的问题。模型为了降低预测损失会把所有状态压缩成一个几乎不区分的平均表征预测看起来 loss 很低但实际什么细节都没学会。这些工程和数学上的困难导致目前落地案例仍然明显少于 VLAs。所以如果有人斩钉截铁地告诉你“WAMs 全面碾压 VLAs”那他大概率是没做过实验或者在故意制造话题。正确的说法是WAMs 结构化泛化的理论上限更高但当前技术成熟度落后于 VLAs。3. VLAs 的现实统治力数据、生态与部署效率3.1 互联网数据这条管线实在是太顺了客观看当前学界和工业界的现状VLAs 是绝对的主流这背后第一个原因就是数据管线太顺畅了。VLAs 可以完全复用语言模型时代积累的互联网数据资产先拿海量图文数据做视觉-语言预训练得到通用感知和语义表征再用相对少量的机器人演示数据做微调。整个流程井然有序每一段数据的获取成本都是可控的而且可以像大语言模型一样持续堆规模。反观 WAMs它需要的是“可交互”的数据不仅要知道发生了什么还要知道“在什么动作之后发生了什么”。互联网视频虽然是海量的但它不提供动作和之后帧之间的严格对应关系——你看到杯子倒了但不知道是哪个力、哪条轨迹造成的。想从这样的数据里学到可靠的动力学模型难度比想象中大得多。而大规模机器人交互数据的采集又涉及硬件成本、人工标注、本体差异规模和纯度都远不及互联网图文数据。这种数据生态的差异直接反映在入门门槛上。现在开源社区里有不少可用的 VLA 权重、微调脚本和仿真基准一个硕士生拿到一块消费级显卡用几百条演示数据就能在几天内微调出一个能跑通简单任务的策略。WAMs 的开源实现则少得多更多是论文级的项目代码需要自己处理数据集、自己调试预测头、自己写规划器上手的工程成本高出一个数量级。对大多数资源有限的团队来说选择哪条路线根本不需要犹豫。3.2 上机部署动作 Chunk 才是最大的隐形优势除开数据部署环节的差异同样决定生死。现在的 VLA 模型几乎都采用一种叫“动作分段”的策略一次前向推理输出未来 8 到 16 步的动作序列然后执行器按预设频率逐步执行。这个设计看起来朴素但极其务实。它把高频率闭环控制降低成了开环执行加低频重规划对实时性要求大幅降低对算力的需求也完全可控。配合简单的目标跟踪器就能在真实机器人上跑起来工程链路的稳定性已经打磨得很成熟。WAMs 的部署路径则要沉重得多。它必须先规划也就是要在动力学模型内部做几十步甚至几百步的想象推演才能决定当前时刻该执行什么动作。这个过程不仅计算量大而且面临一个致命问题预测误差的累积。动力学模型每一步都不是完美的误差会随 rollout 步数指数放大现实中经常出现“模型在想象里规划得很完美但越往后想象越离谱”的情况。于是 WAMs 系统要做的事就变成了一边努力提高动力学模型的精度一边设计 clever 的重规划策略来抑制误差累积。这是一整条系统工程链条远不是优化一两个网络结构能解决的。真机实时性也是卡点。VLA 的一次前向推理在毫秒到百毫秒量级而 WAM 的想象 rollout 在同样硬件上可能是秒级甚至更慢。人形机器人、灵巧手这类对实时反应要求高的场景这条差距会直接否决掉 WAM 路线的工程可行性。3.3 别忘了尺子本身就是偏的还有一个很少有人讨论、但我觉得特别重要的因素当前整个社区的评测体系是在向 VLAs 倾斜的。你看现在主流的操作 benchmark几乎清一色是“给语言指令—看机器人操作—判成功或失败”。这种评测范式天然奖励一次性的感知-动作映射能力模型只需要把当前图像和指令转化为正确的第一段动作任务就能完成并不需要它展示长程推理或对不确定性的处理。在这种尺子下VLAs 当然表现得更好因为它本来就是按这个标准训练的。而 WAMs 的优势——物理一致性、空间关系推理、组合泛化——很难在“抓取成功 yes/no”的评测里体现出来。它可能需要在一个物体因为物理规律而自动掉落、或者需要重新规划路径的场景下才看得出差距但这类评测在主流 benchmark 里几乎没有权重。所以当有人拿着一份 benchmark 排行榜说“VLA 全面领先”的时候正确的理解方式不是“VLA 真的更聪明”而是“VLA 在现有的、偏好一次性映射能力的评测尺度下更占优”。尺子换了结论很可能会不一样。这一点对做研究选方向的人来说尤其重要你要判断的不是谁在当下排行榜上更高而是谁更有可能在你关心的那个特定泛化维度上走得更远。4. 一张表看清泛化差异以及两条路线的合流信号4.1 六维度泛化能力评估对照表说了这么多我把“泛化能力”拆成几个可比较的维度做成一张对照表。这里的评级必须说明WAM 列是理论潜力基于其建模方式在理想情况下的上限VLA 列是当前实证表现基于我在复现和观察各类开源工作时的实际判断。泛化维度WAM 理论潜力VLA 当前实证一句话理由视觉外观鲁棒性光照、纹理、视角中高VLA 有互联网级视觉先验对表面变化更稳语义指令理解长指令、隐含意图中高VLA 天然把语言当作第一公民空间关系推理遮挡、相对位置高中WAM 必须预测未来状态逼迫它建模几何物理属性外推质量、材质、摩擦高低到中动力学模型自带物理一致性约束原子技能组合新任务拼接高中低组合搜索在状态空间里更自然环境布局迁移换桌面、换货架中到高中两者都有一定迁移能力但 WAM 更依赖建模质量长程任务闭环纠错高理论低到中VLA 的动作分段是开环的天然吃亏这张表的结论很清楚没有哪个路线在所有维度上都强。VLAs 赢在“感知和理解”WAMs 赢在“结构和关系”。如果你问“哪个更像通往通用具身智能的方向”我的答案是结构上的潜力在 WAM 那边但如果你问“哪个现在拿到数据就能跑跑出来还能发文章、上产品”答案是 VLA。4.2 越来越多的迹象指向“混合架构”既然两条路线各有各的死穴行业里自然会有人想搭一座桥。我最近观察到几个趋势都在指向同一条出路混合架构。第一个趋势是感知层开始共用。不管是 VLA 还是 WAM视觉骨干网络几乎都在用同一批冻结的多模态预训练模型相当于大家都穿同一双鞋只是后面走路的方式不同。第二个趋势是 VLA 模型里开始加预测分支。一些工作不再让动作头直接输出动作而是先让模型预测一小段未来的潜在状态再基于潜在状态制定动作。这实际上是往 VLA 的壳子里塞 WAM 的核。第三个趋势是 WAM 的语言条件化。彼端的动力学模型不再只吃纯状态和动作而是加入语言指令作为条件让想象过程服从语义约束。这个方向绕开了 WAM 最难的语言理解短板直接借用 VLA 的语义先验。我个人不太相信这场路线之争会以某一方彻底胜出告终。更可能的终局是一个钟摆先摆动到混合点外层是 VLA 式的感知和语义理解负责搞清楚“世界是什么样的、用户想要什么”内层是 WAM 式的动力学推理负责回答“如果我这么做会发生什么”然后据此规划动作。两条路线的分歧会溶解在同一个模型的不同模块里而不是你死我活。4.3 选型建议与最小验证实验如果你正在为团队或自己的研究做路线选型我建议先用这组问题做快速筛选第一你手头有什么数据如果只有离线演示数据没有高频传感器流和动作记录WAM 连训练动力学模型的基础都不具备直接选 VLA。第二你的任务是否需要空间结构推理比如需要理解遮挡、相对位置、物体间相互作用那么纯 VLA 容易在边界场景翻车值得为 WAM 留一个分支做探索。第三你的部署环境允许多大的推理延迟如果对实时性要求苛刻VLA 的动作分段方案短期内不可替代。第四你的调试手段是什么WAM 有个很实用的特点是能把“预测的未来帧”可视化调试者可以看到模型“以为接下来会发生什么”而 VLA 的调试往往只能盯着 action logits 猜原因。如果做完了快速筛选还是拿不定主意我建议跑一个最小验证实验压缩到两三天内完成收集大约 50 条同一场景下的操作演示覆盖抓取、推动、放下三个原子技能用一个开源 VLA 做 LoRA 微调作为基准同时用这批数据训一个小的潜在动力学模型外加一个任务规划器。然后准备三组测试标准场景、目标遮挡场景、原子技能组合指令场景。记录成功率并分析失败模式。我在类似实验里反复得到的一个经验是标准场景的成功率常常能到 90% 以上这时 VLA 和 WAM 看不出区别但一旦把目标物体遮挡起来VLA 会迅速掉到 20% 以下而 WAM 尽管成功率也不算高却会在失败视频里留下“模型对物体状态有持续估计”的痕迹——它知道杯子在哪只是手没够到。这个差异比任何 benchmark 排行榜都更说明问题。最后再分享一个小技巧不管最后选了哪条路线先给你的模型做一个“物体永久性测试”。把目标物体完全遮挡要求模型在记忆和推断的基础上完成操作。如果这一步都过不了那么这个模型并没有真正理解它操作的世界只是在复杂任务的表象下记住了训练数据的统计规律。任何声称“全面更强”的宣传都值得用这把最简单的尺子先量一量。测完之后你会发现很多激烈的路线争论其实根本没有触及真正重要的问题我们的模型到底有没有在操作中理解这个世界。