长期以来，具身智能系统主要依赖「感知 - 行动」的反应式回路，缺乏对未来的预测能力。而世界模型的引入，让智能体拥有了「想象」未来的能力。

具身智能机器人通过世界模型想象抓杯子任务

那么关键问题来了：世界模型应该如何「放进」具身系统中？是作为一个独立的模拟器？还是作为策略网络的一部分？

近日，依托北京中关村学院，来自中科大、哈工大、南开大学、清华大学、宁波东方理工大学等机构的研究团队发布了一篇全面综述，首次从架构集成（Architectural Integration） 的视角，将现有研究划分为三大范式。

• 论文标题： Integrating World Models into Vision Language Action and Navigation: A Comprehensive Survey
• 原文链接： https://doi.org/10.36227/techrxiv.176531987.77979037/v1

本文将带你一览这篇硬核综述的核心精华。

基于世界模型的具身智能体框架

为什么具身智能需要「世界模型」？

在 LLM 爆发之前，具身指令跟随系统通常将语言、感知和动作视为分离的组件。虽然端到端（End-to-End）模型不仅简化了流程，但纯反应式（Reactive）的方法面临两大瓶颈：

• 缺乏前瞻性： 无法预测未来状态，难以处理长程规划任务；
• 泛化性差： 难以适应未见过的环境或任务配置。

世界模型的核心思想源于认知科学：人类不仅是对刺激做出反应，更是在脑海中构建了一个能够预测未来的「内部模型」。引入世界模型，能为具身智能体带来样本效率提升、长程推理能力、安全性增强以及主动规划能力。

人类认知科学 → 具身智能的世界模型

核心分类：三种架构融合范式

作者认为，世界模型（World Model, WM）与策略（Policy or Policy Model, PM）之间的架构关系，其实可以看作是一条「耦合强度光谱」。简单来说，不同方法在多大程度上让「世界模型」和「策略」互相依赖、互相影响，是可以从弱到强排成一条线的。作者将这种耦合强度分成两个相互独立的维度来理解：

• 梯度流动（G：Gradient Flow）：策略的优化目标产生的梯度，能不能直接反向传播到世界模型里，从而更新 WM 的参数？
• 信息依赖（I：Information Dependency）：在推理的一个前向过程中，策略输出动作时，是否显式依赖于世界模型预测的状态？也就是，策略做决策的时候，是不是「要先看看世界模型怎么预测下一步世界会怎样」。

基于这两个维度，作者将相关工作分为了三个类别：耦合强度从弱到强为模块化架构（Modular），顺序架构（Sequential）以及统一架构（Unified），如下表。

深度拆解：三种范式的权衡与博弈

分类架构图

范式一：模块化架构 (Modular Architecture)

关键词：独立、互操作、弱耦合

模块化架构将世界模型和策略作为两个独立的单元，二者之间没有梯度流动，策略输出动作时也不依赖于未来状态。世界模型在这个架构中作为世界模拟器，关注动作与状态间的因果变化。

在这样的设计中，世界模型更像是一个「思考环境的内在模拟器」。给定当前观察（或抽象状态）以及候选动作，世界模型会根据学习到的因果规律预测下一个状态 —— 可以是像素级的图像，也可以是结构化的潜空间表示。这让智能体能够在内部「根据动作预演未来」：如果现在采取某个动作，会发生什么？这种能力让策略模型能够更好地判断哪些动作可行、哪些风险更大以及哪些方案能带来长远收益。

范式二：顺序架构 (Sequential Architecture)

关键词：分层、意图生成、中等耦合

顺序化架构先利用世界模型预测出未来状态，策略基于该未来状态预测未来动作。在该架构中，梯度传递分为两个阶段，第一阶段由世界模型预测未来状态的训练目标决定，用于优化世界模型参数；第二阶段由策略输出动作的训练目标决定，用于统一优化世界模型和策略参数。在该范式中，世界模型作为决策生成器，它的核心任务，是为智能体生成一个未来的目标状态，并把复杂的长时序任务拆分成两个更容易解决的子问题：

1. 生成一个有价值的目标（Goal Generation）

2. 根据目标执行行动（Goal-conditioned Execution）

在这种框架中，世界模型负责「想象」一个有意义的终点，例如未来的视觉观察、场景状态或抽象规划；而真正找到抵达该目标的行动序列，则由底层模块完成，比如逆动力学模型或点目标控制器。

换句话说，世界模型最重要的贡献，就是生成一个「够好」的目标，从而让后续的控制问题变得更简单。

范式三：统一架构 (Unified End-to-End Architecture)

关键词：端到端、联合优化、强耦合

统一架构则将世界模型和策略集成到一个端到端网络当中。在这一配置下：

1. 世界模型不再单独负责预测未来、建模环境；

2. 策略模型也不再单独负责决策与行动生成，两者被融合为一个统一的大网络，共同参与训练、共同被优化。

整个模型在同一个损失目标下进行端到端训练，使网络能够在同一条计算路径中：

1. 预测未来状态（anticipate future states）

2. 输出合适的动作（produce appropriate actions）

这意味着智能体不再需要显式地区分「模拟」与「决策」两个步骤，而是在统一的结构中自然涌现出这两项能力。

未来展望：通往通用具身智能之路

综述最后指出了几个极具潜力的研究方向 ：

1. 世界模型的表征空间选择与耦合：视觉空间具备语义丰富度，但成本高且稳定性弱；状态空间更紧凑高效，但表达能力似乎有限。未来趋势是融合二者，通过统一潜变量实现表达能力与推理效率的平衡，为跨任务泛化奠基。

2. 世界模型的想象应该是结构化意图的生成与表达：未来的世界模型应生可解释的未来结构（目标、轨迹、成因、时空信息等表征），而非仅预测下一步状态，并且是其是否具备可约束的、物理一致的想象结构，可指导跨任务迁移并促进策略有效泛化。未来应该加入与语言和符号推理结合，若想象可在语言或符号空间中表达，则世界模型能够显式刻画任务分解、物体关系与因果依赖，而这些信息在像素预测中没有被直观的表达和理解。

3. 世界模型表征和想象对于指导具身智能的脆弱性：想象与执行解耦带来可理解性提升，但也可能产生超出具身本体能力的目标。未来研究重点是引入可达性判别、可行性过滤、物理一致性评估，以降低失效风险。另外，通过显式分离想象与控制，系统暴露中间表征，如目标假设、潜在轨迹、视觉推演等，使调试、干预和人类理解更加容易。但若模块间缺乏对齐机制，也可能削弱终端性能，因此解释性与最优性存在固有权衡。

4. 统一的世界 - 策略模型构建范式：大规模预训练模型天然具备世界建模与策略生成潜力，未来需探索如何以最小代价将其转化为统一决策系统，关键难点在于状态空间对齐、表示粒度选择、避免视觉或语言表征偏置，构建有效、高效的统一世界 - 策略模型范式。