2026年8月，具身智能的「大脑」路线出现了一道清晰的范式分叉。先是DynaRobotics在8月11日发布DYNA-2，紧接着 清华大学 联合 腾讯Robotics X实验室 与 香港科技大学 推出可交互世界模型GeniWorld，8月13日 北京大学人工智能研究院 、南洋理工大学与 北京智源人工智能研究院 又抛出隐空间世界动作模型ω-0。三篇工作指向同一个判断：机器人不能只「看见就动」，还得「先想清楚世界会怎样」。
要理解这道分叉，得先回到当下主流的VLA架构。VLA（视觉-语言-动作）让模型看着摄像头画面、听着语言指令，直接输出下一步动作。 Physical Intelligence 的π系列、 英伟达研究院 的GR00T、Google DeepMind的Gemini Robotics，基本都还在这条线上。它解决的是「下一步怎么动」，但不回答「动了以后世界会怎样」。
世界动作模型（WAM）把问题往前推了一步。DYNA-2给出的定义很直白：从同一套表征里，联合预测「下一帧视频画面」和「下一个电机指令」。换句话说，模型在出手之前，先在内部预演一下物理世界会如何响应，再决定动作。其联合创始人（前DeepMind研究科学家）的判断是，这补上了传统视觉语言模型缺的空间推理和接触物理能力。
数据来源是WAM最反直觉的地方。DYNA-2完全不依赖昂贵的机器人遥操作数据，预训练用的是超过100万小时的第一人称人类视频——相当于约170年的人类经验。逻辑很朴素：机械臂的真机动作数据极度稀缺，但互联网上人类活动的视频俯拾皆是。与其花大价钱让人戴着设备遥控机械臂，不如直接让模型从人类怎么做事里「看懂」动作如何改变世界。
效果上的缩放规律让人侧目。DynaRobotics报告称，随着预训练视频规模扩大，DYNA-2在15项基准任务上的表现可预测地提升；在高精度制造任务里，成功率从DYNA-1的约20%爬到80%—90%。更关键的是「极小样本适配」：仅靠约13分钟的真机遥操作示范，模型就能控制一对五指灵巧手拧开瓶盖。
商业部署的数字更硬。DynaRobotics披露，DYNA-2在客户现场零样本部署的质量合格率从DYNA-1的46%升到87%；在「按指令执行不同动作」的任务上，视频协同训练让得分提升133%。这意味着WAM不只是实验室指标好看，而是更接近「上岗就能用」。
GeniWorld走的是「可交互世界模型」的路子。 清华大学 与 腾讯Robotics X实验室 、 香港科技大学 的团队用URDF渲染技术，把机器人的动作指令转成与真实相机视角对齐的运动画面，让世界模型能提前预判并控制动作。结合它合成的数据，π0 VLA模型在挑战性场景下的真机总体成功率从40.8%提升到69.0%。
ω-0的选择是「隐空间」而非「显式」。 北京大学人工智能研究院 、南洋理工大学、 香港科技大学 与 北京智源人工智能研究院 联合提出的这款模型，输入语言指令后，同步识别环境、感知自身状态，直接输出底层控制系统可读的精简动作特征。它在11项高难度居家任务上，Ego第一视角成功率79.1%、全场景Omni模式81.8%，全面超过π-0.5、EgoVLA、GR00T-N1.7等基线。
ω-0最值得玩味的一点是「边走边做」。过去大多数人形系统先走到目标附近站稳，再抬起手臂操作；擦一张大桌子或拖地时，迈步和手臂动作必须各自决策，容易卡顿甚至失稳。ω-0用统一的查询表征，让未来视觉特征提供任务进度指引，动作分支直接生成全身动作潜在指令，把移动和操作拧成一件事。
三条路线暴露出WAM内部的第一处分歧：显式还是隐式。显式世界模型追求精确还原物理世界，代价是训练成本高——有从业者估算，若训练数据达50万小时，显式路线研发成本低则数千万元、高则上亿元。隐式路线把关键信息压缩进表征空间，一定程度降低训练成本，但可解释性和精度要打折扣。
把视野拉回国内的大脑路线，对照会更清楚。 宇树科技 长期被归为「本体派」，其创始人自己也说自研机器人大脑成功率不到50%；8月它与 英伟达研究院 合作，用H2本体接Jetson Thor算力和Cosmos 3模型基座，8月17日更以约610亿市值登陆A股，成为「人形机器人第一股」。它选择的是「身体自研、大脑外接」。
另一头是「大脑自研」阵营。 银河通用 从创立起就把筹码压在通用大脑上，成立不到三年累计融资约50亿元，被称为「具身智能第一独角兽」； 智元机器人 上半年出货8400台、以44%全球份额登顶，靠远征、灵犀、精灵三线产品矩阵同时锁死工业、商服、仓储三大场景。它们赌的是「身体和大脑一起长」。
WAM的兴起，对这两条国内路线都是外部压力。无论接外部大模型还是自研大脑，一旦WAM把「预测世界」变成可规模化的预训练范式，机器人「真干活」的门槛就会从「有没有动作模型」抬到「动作模型懂不懂物理演化」。谁的模型先学会在动手前想清楚，谁就更接近规模化落地。
但WAM离「毕业」还差最后一块拼图：触觉与力觉。视觉能判断手是否靠近物体，却很难说清接触发生在哪、力度合不合适、物体有没有滑移。多家触觉企业披露，上半年订单已是去年全年数倍，7月以来赛道融资超25亿元，跑出帕西尼、一目科技两家百亿独角兽。可触觉信号怎么并进世界模型，至今没有标准答案。
技术上的难处在于对齐。有论文指出，把触觉力信号直接拼进预训练好的VLA，任务成功率反而会下降——信息对齐、频率、表征浅都是坑。更现实的路径可能是：先把原有VLA训到足够好，再把触觉信息规范化地纳入；隐式世界模型也被认为能降低这部分训练成本。
说到底，WAM不是又一个炫技名词，而是具身大脑从「反应式」走向「预判式」的关键一跃。它用廉价的互联网人类视频，撬动了长期卡住通用机器人的「数据荒」；它把空间推理和接触物理请回模型内部；它也逼着所有本体厂和大脑厂重新回答一个问题——机器人要真干活，光有眼睛和肌肉够不够，还是得先长出「想清楚」的能力。
本文基于公开报道整理。