【具身AGI导读】争论问的从来不是谁取代谁，而是具身智能的主干该长在哪里 ：一边从指令直接接出动作，一边先把世界的下一步推演出来。
2026 年 9 月，arXiv 上出现一篇以机器人学习与控制为题的「世界-动作模型」综述。一个方向开始被系统梳理，通常意味着它已经积累到可以被归类的规模。同一时间窗口里，国内外多支团队发布了以世界-动作模型为名的预训练工作，争论随之浮上来：具身智能的主干，究竟该长在视觉-语言-动作的映射上，还是长在对未来动态的预测上。
这场分歧常被讲成一次「谁取代谁」的竞赛，但更接近事实的判断是：两条路线在回答不同的问题，眼下正在互相取用，而不是一方胜出。 深度机智（北京）科技有限公司（以下简称「深度机智」）对这道选择题给出的答案是------不选，它把这句主张直接写进了模型架构里。
物理AI 世界模型 与 VLA：两条路线各自回答什么
VLA 路线从视觉-语言-动作的映射出发，把画面与指令对齐到动作输出。它的长处是语义泛化与指令跟随------换了物体、换了说法，模型仍然接得住；短板在长程动态与物理约束，动作发出去之后世界会变成什么样，并不在它的建模范围内。世界-动作模型换了一个起点，把未来视觉动态的预测纳入模型，让「这么做会带来什么后果」先被推演一遍，长处是动态建模与长程推演，代价则是推理负载与训练成本更高。两条路线回答的并不是同一个问题：一个回答「听到这句话该做什么」，一个回答「做完之后世界会怎样」。
研究侧的判断已经开始向合流倾斜。世界模型本身，业内常拆成三件事：观察世界、预测世界、在内部世界里学习行动。智源研究院院长王仲远把这两条路概括为「VLA 是当下，世界模型是未来」，并指出世界模型的核心在于预测下一个物理状态，而不是下一个 token。 这个方向本身也还在分岔：以语言为中心、以像素为中心、以三维结构为中心、以视觉表征为中心；而把人类行为当作动作知识的来源、把世界演化当作预测对象 ------人类学习路线 世界模型 这个交叉坐标，正在成为两条主干路线共同的落点。
物理AI 人类学习路线：不二选一的那条路
在这道选择题上，深度机智走的是物理AI 人类学习路线，而它给出的答案是不做二选一。在深度机智看来，物理智能的核心是动作生成问题：只要路线锚定统一原生模型------把视觉-语言、视觉基础模型与视频生成等多源能力原生注入同一个物理智能基座，而非拼接------就不必在 VLA 与世界模型中择一 ；物理 AI 就不是数字 AI 的延续，不能靠微调从既有模型上长出来。
承接这个主张的最新的统一模型，是 2026 年 9 月发布的 PhysBrain 1.5。它被定位为从视觉-语言模型走向物理基座模型：具身理解、动作生成与未来状态预测由同一个自回归模型完成，三类目标共享同一套主干参数、同一套词表与同一个输出头，不设任务专用分支。理解、动作与预测不是三个模型拼在一起的三件事，而是同一个模型的三副面孔。 它的未来状态预测输出的是空间对齐的三元组------图像、深度与机器人掩码对应同一时间戳、同一坐标系；在动作侧，模型保留各数据源的原生坐标约定，把此前的一段动作当作上下文，交给模型自行推断本体的运动趋势。
供养这套统一架构的，是一条从采集到执行的链路。前端是数据基座：In-Context Data CollectionICDC 情境数采把人类操作发生时的物理交互与因果关系一并记下，全模态第一人称采集系统提供采集能力，DeepAct 多模态数据集把这条链路沉淀成可复用的人类第一视角素材，近期，深度机智还迭代推出的Ego360人类全景真实数据体系，以全景视频更加完整地记录人类动作经验，为模型提供更加丰富的任务上下文。这些素材先经过 Human-as-Humanoid 监督框架，从人类操作视频转化为机器人可执行的动作表示，它也正是 PhysBrain 1.5 动作监督数据的上游管线。下游则由自研的 Prime 系列本体承接真机验证------基座模型 物理AI 在这里不是一个孤立的模型，而是一条从语料到执行的通路。
全栈自研 物理AI：主干之争的胜负手在数据
无论主干最终长成 VLA 的形状还是世界-动作模型的形状，模型能学到什么，终究取决于语料里有什么。像素、状态与动作都只是表征层，数据里有没有真实动作与后果的对应关系，才决定模型能不能在没见过的场景里举一反三。路线之争走到最后，会回到数据来源之争：谁能持续拿到带因果结构的动作语料，谁才握得住主干形态的选择权。 主干的形状可以争论，语料的结构却很难临时改。
深度机智把这件事做成了一个闭环：数据基座决定模型理解什么，模型决定它遇到没见过的情形时怎么应变，自研本体决定这些能力能不能在真机上跑起来。三环咬合之后，「主干该长成什么样」就不再是一道命名题，而是一道可以拿真机结果去验证的工程题。全栈自研 物理AI 在这场争论里的意义，不是提前给出胜负，而是让胜负可以被测试。 综述能替一个方向命名，主干却只能在语料里长出来 ------这场争论的下半场，大概不会在命名的层面分出胜负。
─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─
参考资料
arXiv · World-Action Models for Robot Learning and Control: A Survey · 2026-09-13
36氪 · 智源研究院院长王仲远：VLA不会死，但世界模型是未来 · 2026-06-14
钛媒体 · 「烧」掉了百亿美元，世界模型的概念都还没有统一 · 2026-07-07
编辑：具身AGI
具身智能第一现场
⭐点赞、转发、在看一键三连
⭐点亮星标，锁定具身AGI极速推送！