26年7月来自中国电信TelAI的论文“From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence”。这是一篇路线图Roadmap综述类论文不提出完整可运行模型而是梳理开放世界物理智能领域现状诊断行业三大核心鸿沟提出Embodied Brain具脑Physical Harness物理适配层的分层栈架构定义接口契约给出协同演进研究路线。核心思想当前 VLA、世界模型一味扩大模型参数量、轨迹数据规模并不能带来可复用、可累积的物理智能真正瓶颈在于模型‑数据‑系统之间缺少显式语义接口契约推理、控制、感知、执行强耦合更换机器人硬件就要重训模型。需要把高层物理推理与硬件专属执行解耦。一、核心内容与方法1. 域演进梳理作者梳理四条技术发展脉络动作策略模型 → 语义对齐模型 → VLA 视觉语言动作策略 → 世界模型 → WAM 即世界-动作模型World Action Models。如图 1 所示从WAM研究到具身大脑和协同演化的物理智能堆栈系统层面的发展趋势是WAM 为研究干预条件预测提供一条途径而具身大脑仍然是可重用物理推理和意图形成的更广泛目标。VLA输入多模态观测直接输出机器人执行器动作向量缺陷动作带来的物理后果是隐式的不对外暴露难以做规划、校验、故障恢复、跨机器人迁移。WAM 世界-动作模型给定当前物理上下文 候选干预动作显式预测该干预带来的物理后果状态变化、接触、不确定性、有效时间范围、参考坐标系。输出可以是视频、几何、隐式潜变量不强制视频生成关键是输出要服务决策。WAM 是当前原型Embodied Brain 具脑是长期目标具脑不输出执行器指令输出意图期望状态变迁 / 能力调用请求。2. 诊断行业三大耦合鸿沟Three Coupled Gaps如图 3/7所示模型与表示鸿沟Model and representation gap 没有收敛 WAM 该输出什么信息很多模型只模仿行为不跟踪物理状态、接触关系、不确定性模型推理逻辑和机器人本体形态、控制器深度绑定换硬件就要修改模型输出头、重新训练。目标与标准化鸿沟Objective and standardization gap 仅用任务最终成功率无法区分成功来源是物理推理强还是控制器强还是 benchmark 捷径数据集、任务、评测协议不统一缺少统一语义记录干预、预测后果、观测结果大量数据无法跨项目复用。生态与系统鸿沟Ecosystem and systems gap 物理 Agent 没有像数字大模型 Agent 那样成熟的工具调用运行时预测、规划、控制器、校验、内存全部耦合在项目私有系统组件不能插拔替换。3. 提出完整物理智能栈Physical‑intelligence stack分层方案整套系统分为五大功能模块强调功能解耦而非一定物理模块化可以联合训练但接口语义必须可观测。1 Embodied Brain 具脑高层推理模型 输入观测、任务、记忆、机器人能力描述 输出意图表征intended state transition /capability request包含实体、坐标系、约束、不确定性、完成条件不输出关节 / 执行器命令不负责高频硬件控制。WAM 为具脑提供预测能力原型。2 Physical Harness 物理适配层物理运行时 / 调度中枢类比数字 Agent 的工具 Harness 核心职责把具脑抽象意图落地到真实硬件完成坐标系对齐、能力解析、预条件校验、调用工具 / 控制器、执行监控、故障恢复生成 Trace Card 记录全部交互过程。 区分Tool Model抓取规划、仿真、状态估计等算法模块 vs Tool真实硬件 / 外设夹爪、移动底盘Harness 维护能力注册表做分层能力拆解。3 三套标准化记录契约Cards轻量语义规范不强制统一文件格式Embodiment Card机器人本体描述传感器、坐标系、安全限制、可用工具Task Card任务目标、约束、成功 / 失败模式Trace Card完整可回放交互轨迹记录意图、翻译过程、工具调用、校验决策、真实结果、失败归因。4 闭环后训练 Closed‑loop post‑training 只有经过校验准入admission gate的高质量 Trace才允许回灌训练设置回归与安全闸门防止模型把错误经验不断放大。5 分层评测体系 Layered evaluation 不再只看端到端任务成功率拆解多层指标物理预测保真度、脑‑harness 意图对齐、控制器执行、工具编排、安全校验、可追溯性、自迭代安全性。如图 2所示从预测到物理执行的接口。WAM原型评估干预后果具身大脑形成意图而装置则将能力落地、协调执行并将结果记录在追踪卡中以便进行评估和学习。如图 16 所示为受限冲击任务的物理能力分层组合。该装置将一个意图分解为机械臂、机械爪和外部工具的调用。能力契约揭示框架、限制和故障模式执行状态通过跟踪卡返回用于诊断和学习。如图4所示具身-模型族中的角色和预测接口。上图根据其主要系统职责区分动作模型、VLA策略、世界模型、WAM以及具身大脑目标。下图比较显式预测、预测性潜表征以及潜转换transition或动作接口。这些类别可能存在重叠并且并非线性历史顺序。如图 14 所示物理驾驭的内部职责包括将大脑意图接地、对齐实体entities和框架frames、解析功能、检查前提条件、同步控制器、监控执行过程并记录跟踪卡。运行时内存、功能注册表和已允许的跟踪信息支持自适应和路由。4. 近期研究里程碑Near‑term milestones落地WAM 预测契约模型输出附带预测时域、参考系、不确定性并且证明预测确实提升干预决策质量构建可验证的 Brain‑Harness 表示接口支持替换工具 / 机器人本体测量适配器开销实现自适应 Harness 与 Trace 生态Trace 可以把失败归因到「意图错误 / 翻译错误 / 工具选择错误 / 环境扰动」。如图 12 所示从具身大脑能力到生态系统协调的五-阶段协同演化路径。实线蓝色箭头表示设计依赖关系灰色线条将每个阶段与其职责分组虚线绿色箭头返回到模型、利用和任务/评估设计的相关路径。二、论文主要贡献如图 11 所示具身大脑与周围物理智能堆栈之间的功能边界。传感器和身体状态为模型预测和决策提供信息该组件管理内存、路由、日志记录、验证和功能调用工具模型、控制器和验证器协调与物理环境的交互。1 问题诊断层面识别物理智能规模化的核心瓶颈不是算力与数据规模而是耦合的三大鸿沟 指出单纯堆参数、堆机器人轨迹数据集无法带来累积式技术进步这是对当前 VLA 范式重要反思。区分「模型容量提升」和「能力可复用、组件可替换」两个不同目标。2 定义 WAM 预测契约WAM prediction contract 重新定义世界动作模型 WAM重点不是输出模态视频不是必选项而是输出对决策有用的干预后果附带时域、坐标系、不确定性、有效性条件区分「预测后果」和「直接输出执行动作向量」厘清 WAM 与 VLA 模型边界。3 提出 Embodied Brain Physical Harness 的分层系统范式高层具脑只输出意图请求剥离硬件相关细节底层 Harness 承担物理世界适配、工具编排、校验、故障记录借鉴数字 Agent 工具调用 Harness 思想迁移到机器人把物理推理与硬件执行解耦更换控制器、夹爪不需要重新训练高层推理模型仅修改 Harness 适配器。4 提出三套契约卡片Embodiment/Task/Trace Card与分层评测框架 不强制统一存储格式聚焦语义契约让异构数据集、benchmark、机器人的经验可以相互比较 把评测从单一任务成功率拆解为多层证据实现失败归因提出闭环训练的准入闸门机制规避自强化错误。5 完整可演进的路线图 给出从现有 WAM 原型向未来具脑演进的可落地技术路径与可验证实验指标不是空想式 AGI 设想明确哪些是现在可做的原型哪些是长期目标。如图 13 所示大脑模型、驾驭和外部功能的运行时组织结构。驾驭通过工具注册表和验证器门路由请求调用感知、规划、控制或安全模块并将调用、结果和故障记录在跟踪日志中。三、论文局限与存在问题1. 概念框架层面缺少具体实现方案属于路线图综述没有给出具体模型、没有开源实现全部是概念与接口规范如何设计 Brain‑Harness 之间意图表示没有标准答案只是提出应当具备哪些字段意图用什么编码语言 / 结构化 3D 表示 / 学习 token仍是开放问题。「功能解耦」不等于天然获得跨具身迁移能力作者自己也承认模块化只是一个待验证的假设不能保证一定带来迁移收益需要大量实证验证。2. 接口契约的工程落地挑战巨大Trace/Embodiment/Task Card 只是语义 schema现实中大规模真实机器人采集完整元数据成本很高很多现有数据集缺少坐标系、失败模式、预条件等信息改造存量数据集代价高昂。Harness 适配器负担转移把跨本体迁移难度从模型训练转移到适配器开发如果机器人形态差异极大适配器复杂度会很高甚至接近重训模型。意图‑执行翻译歧义具脑输出抽象意图Harness 翻译到硬件动作中间会产生歧义如何定义意图有效性校验、歧义消解没有给出具体解法。3. WAM 与 Embodied Brain 本身仍然存在固有缺陷WAM 预测契约要求输出不确定性、参考系、有效条件现有世界模型很难高质量输出全部这些元信息视频生成模型视觉逼真但物理一致性、接触预测经常出错。没有解决高层推理幻觉Embodied Brain 依然依赖大模型 / 世界模型做物理推理Harness 可以校验执行但很难修复高层意图本身的物理错误。4. 闭环学习的准入闸门很难工程化论文提出只有高质量 trace 才允许回灌训练但如何自动判定 trace 质量、区分失败来源脑的错误 /harness 翻译错误 / 环境扰动是未解决难题真实机器人安全约束下很难大规模采集各类失败样本。5. 评测与生态标准落地困难分层评测指标很多属于前瞻性指标大部分目前没有现成 benchmark、没有公开数据集支持测量依赖社区达成共识现实中不同研究机构、企业有自己的数据格式、系统栈统一语义契约存在现实阻力。6. 部分边界问题未充分讨论没有详细处理高频反射、紧急安全响应对应 TypeGo S0 反射层Harness 如何兼顾高层意图规划和毫秒级硬件安全反射没有展开对多任务抢占、任务调度、并发处理涉及较少。四、总结该文是一篇高价值的具身 AI 领域路线综述批判了当前主流 VLA 端到端范式的耦合缺陷倡导高层物理推理与硬件执行解耦提出 WAM 契约、Embodied BrainHarness 分层架构、Trace 等一套完整思想。它不产出新模型但为未来具身智能系统设计提供顶层设计参考。主要风险在于整套方案的效果是假设性需要大量工程实践验证接口、契约、适配器会引入新的复杂度。