WAM（世界动作模型）深度解析：Jim Fan三篇论文彻底终结VLA时代
引言
2026 年 5 月 9 日，在红杉 AI Ascent 2026 大会上，英伟达机器人方向负责人 Jim Fan 发表了一场 20 分钟的演讲《Robotics: Endgame》。他的核心断言震动了整个具身智能社区：
“VLA 已死，世界动作模型当立。遥操已死，人类的传感器数据长存。”
这不是一句口号，而是由三篇 2026 年 2 月密集发表的论文支撑的技术路线宣言。本文将以这三篇论文为核心，系统解析 WAM（World Action Model，世界动作模型）的来龙去脉、技术本质和范式意义。
一、VLA 为什么被宣判死刑
过去三年，VLA（Vision-Language-Action）模型几乎统治了机器人学习。典型代表包括 Google RT-2、OpenVLA、Octo、π₀ 等。其范式是：以视觉-语言模型（VLM）为基座，在其上外挂一个动作头（action head），直接输出机器人动作。
Jim Fan 在演讲中指出了一个被长期忽视的结构性问题：
“这些模型实际上是 LVA——语言视觉动作模型。大部分参数用于语言，语言是核心，视觉和动作只能靠边站。”
VLA 的设计决定了它擅长编码知识和名词，但在物理和动词方面先天不足。Jim Fan 举了一个具体的例子：RT-2 原论文中有一个展示泛化能力的案例——从未见过泰勒·斯威夫特的图片，却能将代码移动到她的照片上。这展示了语言驱动的语义泛化，但这并不是机器人真正需要的预训练能力。
机器人需要的不是”认出泰勒·斯威夫特”，而是”知道推一个箱子时摩擦力会如何变化”。
更深层的问题在于 VLA 的架构本质：
1 | VLA: 视觉 → VLM 编码 → 语义表征 → 动作头 → 动作 |
物理世界的信息在被编码成语义词元（token）的瞬间就已经丢失了——文本根本无法密集地表征”手指拧瓶盖时 25 个关节的微妙力矩变化”。
1.1 “大平行”：一个自尊心强的科学家的坦白
Jim Fan 在演讲中坦诚了自己转向 WAM 的动机——嫉妒。
他回顾了 LLM 的发展轨迹：2020 年 GPT-3 做预训练，2022 年 InstructGPT 做监督微调，2026 年 autoresearch 加速整个循环。”语言模型团队正在享受他们的巅峰时刻。那为什么搞机器人的不能也享受这种乐趣呢？”
于是他创造了一个概念——“大平行（Great Parallel）”：
“我们不再模拟字符串，而是模拟物理世界的下一个状态（next physical world state），然后通过动作微调（action finetuning）校准模拟中对真实机器人有价值的部分，并让强化学习完成最后一里路。大平行就是复制语言模型的成功策略。打不过他们，就加入。“
这是一个科学家的诚实——当一条路被证明了，最好的策略不是另辟蹊径，而是弄清楚为什么这条路能走通，然后在自己的领域复制它。
二、替代 VLA 的新范式：三篇论文总览
2026 年 2 月，Jim Fan 领导的 NVIDIA GEAR 实验室在两周内密集发布了三篇论文，完整定义了 VLA 之后的新范式。
| 论文 | arXiv | 发布日期 | 角色 |
|---|---|---|---|
| DreamDojo | 2602.06949 | 2 月 6 日 | 世界模型基座——“怎么理解世界” |
| DreamZero (WAM) | 2602.15922 | 2 月 17 日 | 世界动作模型——“怎么从理解到动作” |
| EgoScale | 2602.16710 | 2 月 18 日 | 数据引擎——“怎么规模化获取数据” |
这三篇不是竞争关系，而是同一套新范式下三个不同层面的贡献：EgoScale 解决输入端，DreamDojo 解决表征端，DreamZero 解决输出端。
三、DreamDojo：从 44K 小时人类视频中学习物理
3.1 核心问题
机器人需要理解”我做了一个动作之后，世界会变成什么样”——这叫世界模型（World Model）。传统做法是在仿真器（如 MuJoCo、Isaac Gym）中训练，但仿真器受限于手工建模的物理精度。DreamDojo 走了一条完全不同的路：直接从真实视频中学习物理规律。
3.2 数据：44,711 小时人类第一视角视频
DreamDojo 的训练数据规模远超过往任何世界模型：
| 数据源 | 规模 | 采集方式 |
|---|---|---|
| 实验室采集 | 室内桌面场景 | Manus 手套 + Vive Tracker，精确捕捉手部姿态 |
| EgoDex 公开数据集 | 829 小时 | Apple Vision Pro 录制，高精度 3D 手部姿态 |
| DreamDojo-HV | 大规模众包 | 9,869+ 场景、6,015+ 任务、43,237+ 物体，覆盖家庭/工业/零售/教育等 |
对比此前最大的世界模型训练数据集，DreamDojo 多出 15 倍时长、96 倍技能、2,000 倍场景。
3.3 架构
DreamDojo 基于 NVIDIA Cosmos-Predict2.5（latent video diffusion model），使用 WAN2.2 tokenizer 将视频压缩到连续潜在空间（时空压缩比 4），核心为 DiT（Diffusion Transformer） 架构，在 256 张 H100 上预训练 140K 步。
关键创新 1：Latent Action——无动作标签的世界模型训练
传统世界模型需要 <当前帧, 动作, 下一帧> 三元组来训练，但人类视频没有动作标签。DreamDojo 引入了一个 700M 参数的 spatiotemporal Transformer VAE，利用信息瓶颈（information bottleneck）设计，从连续帧对中自监督提取 32 维连续潜在动作（latent action）向量。这些 latent action 作为统一的代理动作标签，实现了跨机器人本体的知识迁移——不同机器人的动作空间被映射到同一个 32 维潜在空间。
关键创新 2：蒸馏为因果模型，加速 4 倍
预训练的教师模型使用双向扩散，需要 35 步去噪。DreamDojo 基于 Self-Forcing 范式将其蒸馏为自回归因果注意力（causal attention）学生模型，去噪步数从 35 步降至 4 步，推理速度从 2.72 FPS 提升至 10.81 FPS（近 4 倍加速），且 OOD 泛化能力在蒸馏后保留。
关键创新 3：Temporal Consistency Loss
在标准 Flow Matching Loss 之外，新增了显式匹配帧间时序变化的损失函数，显著提升长时间预测的物理一致性。
3.4 核心结果
| 评估维度 | 结果 |
|---|---|
| DreamDojo-14B In-lab | PSNR=21.413 / SSIM=0.788 / LPIPS=0.208 |
| OOD 场景人类偏好（物理正确性） | 14B 模型达 73.5%（vs Cosmos-Predict2.5） |
| OOD 场景人类偏好（动作跟随） | 14B 模型达 72.55% |
| 数据规模消融 | 数据越多越好：In-lab → +EgoDex → +DreamDojo-HV，PSNR 持续提升 |
| 策略评估可靠性 | 与真实世界成功率 Pearson r = 0.995 |
| Model-based Planning | 对高方差策略组：成功率 +17% over best checkpoint |
四、DreamZero：当世界模型学会做动作
4.1 核心问题
DreamDojo 建立了一个”能预测未来画面”的世界模型。但机器人需要的不是预测，而是决策——在当前状态下，应该执行什么动作？DreamZero 的答案是：让视频预测和动作预测从同一个模型中涌现。
而这条路之所以可能，是因为一个被长期忽视的发现：视频生成模型在内部自动学会了物理。 Jim Fan 在演讲中用一个生动的例子来说明——Google Veo 3：
“Veo 3 自动学习了重力、浮力、光照、反射、折射等物理规律。没有显式编码，通过大规模预测下一团像素，物理规律自己涌现了。Veo 3 超聪明，它能发现如果你没在看，几何就是可选的。我称之为「物理垃圾（physics slop）」。”
这正是世界模型的基石：物理不需要被教会，物理可以从海量视频中自己涌现。 DreamZero 要做的，就是让这种涌现的物理理解和机器人动作结合起来。
而 Jim Fan 对 DreamZero 当前成熟度的评价也异常坦诚：
“它有点像 GPT-2——虽然未必每次都精准，但它几乎总能先把动作的大致「形状」做对。”
这不是谦虚，而是一个精准的类比。GPT-2 在 2019 年展示了语言模型可以生成连贯的文本段落，但还谈不上可靠。DreamZero 在 2026 年展示了 WAM 可以零样本泛化到新任务，但成功率离产品化还有距离。两者处于同一成熟度台阶——范式已证明有效，剩下的就是 scale。
4.2 架构：14B 参数的视频扩散策略
DreamZero 基于 Wan2.1-I2V-14B-480P（图像到视频扩散模型），将其改造为一个联合预测未来视频帧和机器人动作的端到端模型。
WAM vs VLA 的本质区别：
| 维度 | VLA | WAM (DreamZero) |
|---|---|---|
| 预训练基座 | VLM（静态图文） | 视频扩散模型（丰富时空先验） |
| 预测目标 | 仅预测动作 π(a|o, c) | 联合预测视频+动作 π(o, a|o_history, c) |
| 学习范式 | 直接 observation→action 映射 | 逆动力学：对齐运动指令与预测的视觉未来 |
| 数据需求 | 需要大量重复性专家演示 | 可从多样化、非重复的异质数据中有效学习 |
| 泛化能力 | 擅长语义/物体泛化，弱于新动作/环境 | 零样本泛化到新任务、新环境、新本体 |
核心公式：
1 | π(o, a | context) = π(o | context) × π(a | o, context) |
DreamZero 用单一端到端模型同时学习这两项，确保深层模态对齐。额外引入的参数极少——仅添加状态编码器、动作编码器和解码器。
关键设计：
自回归分块生成：每个 chunk 含 K 个潜在帧，匹配动作 horizon（48 步 @30Hz = 1.6 秒）。仅对视频模态使用自回归，避免动作预测的误差累积。
闭环 KV Cache 替换：推理时执行动作后，用真实观测替换 KV cache 中的预测帧，消除自回归视频生成的复合误差——这是保证 7Hz 实时推理可靠性的关键工程优化。
DreamZero-Flash 推理加速：解耦视频和动作的噪声调度——训练时故意让视频处于高噪声状态而动作处于低噪声，使模型学会从噪声视觉上下文中预测干净动作。推理时只需 1 步去噪（vs 原始 4 步），性能仅下降 9%（83%→74%），速度提升约 2 倍。
推理优化全栈：
| 优化类别 | 技术 | 加速 |
|---|---|---|
| 算法级 | DreamZero-Flash（解耦噪声调度） | ~2× |
| 系统级 | 异步执行、KV Cache、多 GPU 并行 | ~9× (H100) / ~16× (GB200) |
| 底层 | NVFP4 量化（Blackwell）、CUDA Kernel | 额外加速 |
| 总计 | 5.7s → 150ms/chunk | 38× |
4.3 核心结果
| 指标 | DreamZero | 最佳 VLA 基线 | 提升 |
|---|---|---|---|
| Seen Tasks（零样本环境） | 62.2% | 27.4% (GR00T N1.6) | >2× |
| Unseen Tasks（全新动作） | 39.5% | 16.3% (pretrained VLA) | >2× |
| Unseen Tasks (DROID) | 49% | 33% (π₀.₅) | +48% |
| 跨本体（机器人→机器人） | 55.4% | 38.3% | +45% 相对提升 |
| 跨本体（人类→机器人） | 54.3% | 38.3% | +42% 相对提升 |
| Few-shot 新本体适配 | 成功泛化 | — | 仅 30 分钟 play data |
| 推理频率 | 7 Hz | 20Hz+ (VLA) | 较慢但已实用 |
跨本体迁移的惊人发现：
DreamZero 最令人震撼的结果是跨 embodiment 迁移。仅用 12 分钟人类第一视角视频（无任何动作标签！）与预训练数据混合训练 10K 步，即可在未见任务上实现 54.3% 的完成度——相比 baseline 的 38.3% 提升了 +42%。如果用 20 分钟其他机器人的操作视频，进一步提升到 55.4%。
更令人惊讶的是 few-shot 新本体适应：给一个全新的机器人（预训练数据中从未出现过的形态），仅需 30 分钟随意玩耍数据（play data——不是精心设计的任务演示！），DreamZero 即可迁移并保持零样本泛化能力。
故障模式分析：
DreamZero 论文坦诚地分析了失败模式：失败主要源于视频预测错误而非动作提取错误。 模型会忠实地执行视频”规划”的内容，即使规划本身不正确——“如果视频预测对，动作通常就对；如果视频开始幻觉，动作也往往失败。” 这既是 WAM 范式优雅之处（可解释性），也是当前的主要局限。
五、EgoScale：人类数据的规模化引擎
5.1 核心问题
DreamZero 需要 500 小时真机遥操作数据来训练。对于 VLA 范式，遥操作是不可替代的——你必须手把手教机器人每个动作。但 Jim Fan 的判断是：遥操作从物理上就无法规模化。
他讲了一个全场大笑的笑话：
“画面里的这个人，是 Bill Dally——英伟达首席科学家——正在我们实验室里亲自做遥操作。考虑到他的薪水，我敢说这大概是我们整个数据集里，成本最高的一条遥操作轨迹。“
笑完之后，一个严肃的问题浮出水面：一台机器人一天最多 24 小时数据。而训练一个通用机器人策略可能需要成千上万倍于此的数据量。EgoScale 要回答的问题是：能不能用人类日常做事的视频来替代遥操作？
5.2 方法：20K 小时野外人类视频 + 4 小时真机对齐
Stage I：大规模野外数据（20,854 小时）
采集方式极简：头戴 RGB 摄像头（30 FPS），无需特殊硬件。用现成的 SLAM 和手部姿态估计管线从视频中恢复相机轨迹和 21 个人手关键点的 3D 轨迹。数据覆盖 9,869 个场景、6,015 种任务、43,237 个物体——从厨房到工厂，从折叠衣物到操作工具。
Stage II：对齐数据（~50 小时人类 + ~4 小时机器人）
使用统一传感器堆栈：Vive 追踪器（手腕姿态）+ Manus 手套（25 关节手部）+ 头戴/腕戴摄像头。人类和机器人使用完全相同的传感器配置，确保动作空间可对齐。
统一动作表示：
- 手腕级运动：使用相对末端执行器位移，消除绝对相机位姿依赖
- 手部关节：通过优化重定向将 21 个人手关键点映射到 22-DoF 机械手
三阶段训练：
| 阶段 | 数据 | 训练量 | 策略 |
|---|---|---|---|
| Stage I 预训练 | 20K 小时人类数据 | 100K 步, 256 GB200 | 全参数解冻 |
| Stage II 对齐 | 对齐人机数据集 | 50K 步 | 冻结 VLM 主干 |
| Stage III 后训练 | 任务特定演示 | 10K 步 | 在下游任务微调 |
5.3 缩放定律：人类数据是无限的
EgoScale 最核心的发现是一条完美的对数-线性缩放定律：人类动作预测的验证损失与数据规模的对数成严格线性关系，R² = 0.9983。在 1K 到 20K 小时的范围内，未见任何饱和迹象。
而这个发现最动人的地方在于它迟到的时间。Jim Fan 在演讲中说：
“距离语言模型第一次发现 neural scaling law，已经过去整整六年。如今，机器人也终于有了自己的 scaling law。“
从 2020 年 Kaplan 等人发现 LLM 的缩放定律，到 2026 年机器人领域终于追上这一步——六年的差距，恰好是 LLM 从 GPT-3 走到 GPT-5 的时间。这也暗示了 WAM 的追赶速度可能比预期更快。
而任务完成度随着数据规模从 1K 小时（0.30）提升到 20K 小时（0.71），同样未见天花板。
Jim Fan 在演讲中画了一张数据策略金字塔：
X 轴是与机器人硬件的对齐程度，Y 轴是可扩展性。遥操作在最左下角——最贴近硬件，但几乎最难扩展。往上，是数据穿戴设备，大概能扩展到几十万小时。而再往上，是第一视角视频——如果我们真的能跑通机器人版的自动驾驶飞轮，那它的规模，轻轻松松就能达到千万小时级。
在这条曲线左边，就是机器人的新范式——Sensorized Human Data，人类的传感器数据。
5.4 核心结果
| 指标 | 结果 |
|---|---|
| 人类预训练 vs 从零训练 | 平均任务完成度提升 +55% |
| One-Shot 叠衬衫 | 88% 成功率 |
| One-Shot 拧瓶盖 | 55% 成功率（跨 4 种不同瓶子） |
| 跨本体迁移（Unitree G1） | 成功率绝对值提升 >30% |
| 注射器液体转移（最长序列任务） | 成功完成 |
| 缩放上限 | 20K 小时内未见饱和 |
EgoScale 的结论是：人类可以被视为机器人学习中一个真正可扩展的”本体”（embodiment）。 大规模人类日常视频中蕴含的操作结构——手腕运动模式、抓取姿态、手部关节协调——是跨任务的通用能力，遥操作无法规模化到这种量级。
六、三篇论文的共同论点
6.1 预测世界状态 > 直接预测动作
VLA 将语义理解作为核心，动作只是语义的下游输出。WAM 将物理世界模拟作为核心，动作从对未来状态的预测中自然涌现。这是一个根本性的范式转换——从”理解语言然后动”变成”理解物理然后动”。
6.2 视频是物理世界的稠密表征
三篇论文都押注同一个假设：文本太稀疏，无法捕获物理交互的细节。视频——通过大规模”预测下一团像素”——能够自动涌现出重力、碰撞、摩擦、光照等物理规律。Jim Fan 在演讲中以 Google Veo 3 为例：一个纯粹为视频生成训练的模型，在没有显式编码物理公式的情况下，自动学会了浮力、反射、折射——“物理自己涌现了。”
6.3 数据规模化是核心引擎
三篇论文都展示了明确的缩放趋势，且一致认为远未见顶。DreamDojo 从 44K 小时数据中持续受益，EgoScale 在 20K 小时内呈完美对数-线性缩放，DreamZero 明确将 scaling laws 列为下一步工作。
6.4 跨本体迁移是必然方向
VLA 通常绑定特定机器人。三篇论文都强调统一的动作表示（latent action / 相对位移 / 重定向关节），使得在一个本体上学到的物理理解能迁移到另一个本体。DreamZero 的 30 分钟新本体适配和 EgoScale 的 >30% 跨本体提升是这个方向最有力的证据。
七、三篇论文的关键差异
7.1 输出目标不同
1 | DreamDojo: [当前帧 + 动作] → [未来帧] ← 纯世界模型 |
DreamZero 是三篇中唯一”同时输出世界和动作”的。DreamDojo 是纯世界模型。EgoScale 本质仍是 VLA 架构（VLM + DiT 动作头），只是数据策略革新——这意味着 EgoScale 的数据方法论可以独立于 WAM 架构存在。
7.2 真机依赖程度
| 论文 | 训练用真机数据？ | 真机数据量 |
|---|---|---|
| DreamDojo | ❌ 完全不用 | 0 小时 |
| DreamZero | ✅ 核心数据 | ~500 小时 AgiBot 遥操作 |
| EgoScale | ✅ 少量对齐 | ~4 小时（vs 20K 小时人类数据） |
DreamDojo 是三篇中唯一完全不碰机器人的——纯粹从人类视频中学习物理规律，且证明了这种学习可以迁移到机器人。DreamZero 最依赖真机数据。EgoScale 在两者之间找到了最优平衡点：海量人类数据做预训练，极少真机数据做对齐。
7.3 模型架构
| 论文 | 基座 | 核心机制 |
|---|---|---|
| DreamDojo | Cosmos-Predict2.5（视频扩散） | Latent Action + 蒸馏为因果模型 |
| DreamZero | Wan2.1-I2V 14B（视频扩散） | 自回归 DiT + 视频-动作联合去噪 |
| EgoScale | VLM + DiT（类 GR00T N1） | 三阶段训练（预训练→对齐→后训练） |
DreamDojo 和 DreamZero 都是视频扩散模型架构，共享”从视频预测中学习物理”的核心理念。EgoScale 虽然用了更传统的 VLA 架构，但它证明的数据缩放规律对任何架构都有指导意义。
八、局限性与未来方向
8.1 真实场景覆盖严重不足
三篇论文的评估环境加起来不超过几十个真实场景。DreamZero 的 22 个环境（家庭/餐厅/超市/咖啡店/办公室）已经是其中最大的。与之对比，LLM 的训练数据覆盖了整个互联网——WAM 离那个量级还差至少 3–4 个数量级。
8.2 从 Real 到 Sim 再到 Real：飞轮刚刚开始转动
Jim Fan 在演讲中花了相当篇幅讨论一个正在形成的闭环——Real→Sim→Real 飞轮：
“你只需要拿出一台 iPhone，随手拍下一张现实世界的照片，再把它送进一套 3D 世界扫描管线。系统就能自动识别场景中的所有物体，提取它们的三维结构，并进一步把这些物体自动重建到经典物理模拟器里。这些被重建出来的物体不是静态模型，而是真正可以被交互、被操作、被碰撞的数字实体。”
NVIDIA 把这些自动重建的场景变体称为 Digital Cousins。iPhone 不再只是手机，而变成了”口袋世界扫描仪”。
在这个飞轮里，一个极其关键的等式正在成立：
算力正在变成环境，环境正在变成数据，而数据本身又反过来定义下一轮算力投入。
Jim Fan 甚至引用了黄仁勋的名言：”买得越多，省得越多——这句话也已经通过老板的审批。”
8.3 推理成本仍然高昂
DreamZero 实现 7Hz 推理需要 2 块 GB200 GPU。相比之下，VLA 可以在消费级 GPU 上以 20Hz+ 运行。14B 参数的视频扩散模型在边缘设备上的部署仍然是一个开放的工程挑战。
8.4 高精度操作不足
DreamZero 坦承，亚厘米级精度任务（如插钥匙、精细装配）表现受限。多样化预训练策略优先广度，精细操作演示密度不足。这是”广度优先”策略的固有取舍。
8.5 短视域推理
DreamZero 的视觉记忆仅 6 秒（8 latent frames），缺乏长时域规划能力。论文明确提到需要 System 2 规划器或扩展上下文窗口。
8.6 Scaling Laws 尚未建立
尽管三篇论文都展示了明确的缩放趋势，但 WAM 的模型规模-数据规模-计算量之间的精确缩放规律——像 LLM 的 Kaplan scaling laws 那样的量化关系——尚未建立。DreamZero 论文将此列为最重要的未来工作。
九、Jim Fan 的终局三成就
在演讲的最后，Jim Fan 做了三件颇具仪式感的事。
第一，他给机器人画了一棵科技树。他说自己最喜欢玩《文明》游戏，喜欢把研究想象成在文明科技树上解锁成就。“机器人这棵科技树上，现在只剩下最后三个成就等待被点亮——只要全部解锁，我就可以退休了。”
成就一：物理图灵测试（预计 2-3 年）
“所谓物理图灵测试，说白了就是在足够丰富、足够复杂的现实任务里，人类已经无法仅靠观察去判断，眼前完成工作的到底是人类，还是机器人。它并不神秘，无非就是单位能源输入，单位劳动力输出。只要同样的能量输入能够产出同等级的劳动价值，机器人就真正通过了物理世界里的图灵测试。也许喝醉的人类不算在内。”
成就二：Physical API
“那时候，机器人将不再是一台台独立存在的机器，而会像今天的软件服务一样，变成一种真正可编程、可调用、可编排的基础设施。你拥有的可能不再是一台机器人，而是一整个舰队，而你控制它们的方式，也不再是按钮和控制器，而是 API、CLI 以及更高级的编制系统。”
当 Physical API 出现，灯塔工厂将不再是流水线，而是”原子打印机”——输入的可能只是一份 markdown 文档，输出的却是已经完全组装好的实体产品。自动化湿实验室里，机器人将独立完成化学实验、生物实验乃至药物研发。
成就三：Physical Auto Research
“到了那一天，机器人将不再只是执行人类交给它们的任务。它们会开始自己设计自己，自己优化自己，自己制造下一代自己。并且迭代速度将远远超越任何人类工程团队所能达到的极限。”
“我有 95% 的把握，在 2040 年之前，我们会真正走到机器人科技树的终点。而等那一天到来时，我们依然年轻。”
从 2012 年 AlexNet 第一次完成 forward pass——那个连猫和狗都分得磕磕绊绊的模型——到今天，AI 社区只用了 14 年就走到了 agentic AI 时代。而 2026 年，恰好站在 2012 年和 2040 年的正中间。技术从来不是线性前进的，它永远以指数形式爆发。
十、结语：WAM 范式的方法论启示
Jim Fan 在演讲中将自己的路线命名为”大平行（Great Parallel）”——完全照搬 LLM 的成功公式：
1 | LLM 三阶段: Next Token Prediction → SFT → RLHF |
这不是巧合。当视频扩散模型达到一定规模后，物理规律开始从”预测下一团像素”中涌现——正如 GPT-3 让语言能力从”预测下一个词”中涌现一样。2026 年的 WAM 模型大致相当于 2020 年的 GPT-3：它们证明了范式的有效性，展示了令人印象深刻的涌现能力，但离真正通用还有很长的路要走。
三篇论文共同描绘了这样一幅图景：
VLA 终结了一个时代——那个时代相信语言可以替代物理。WAM 开启了一个时代——这个时代承认机器人需要的是世界模型，不是语言模型。
而这幅图景的开端，是一句如此个人化的剖白：
“如果你相信机器人，机器人终将回应你的相信。”
Jim Fan 用一句话给整场演讲画上句号，也给了这个时代一个坐标：
“我们的这一代人，也许出生得太晚，没赶上探索地球。也出生得太早，还没赶上探索星辰。但我们出生得刚刚好——因为我们正好赶上，去解决机器人。”
参考文献
- Seonghyeon Ye et al., “World Action Models are Zero-shot Policies”, arXiv:2602.15922, 2026.
- NVIDIA GEAR, “DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos”, arXiv:2602.06949, 2026.
- NVIDIA GEAR, “EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data”, arXiv:2602.16710, 2026.