世界模型赛道扫描：VLA已够用，WAM才是终局

本文解读：《2026世界模型行业专题研究：推演世间万千变局，重塑智能底层范式-国元证券》 · 共 26 页 · 原文

短期内继续用 VLA 没错，但底层范式已经在向世界模型迁移，具身侧的目标是 WAM。

国元证券这份行业专题共 26 页，署名分析师耿军军，把世界模型放在通往 AGI 的位置上， 起点是一句定义：智能体通过数据驱动学到的、对环境时空动力学与状态-动作因果转移的参数化建模。

报告最有用的对照是一张表：大语言模型本质是文字生成器，目标预测下一个 token，理解的是语言模式； 世界模型本质是空间逻辑生成器，目标预测下一帧物理世界，理解的是重力、因果与空间结构。

体量侧的预测也很直白：据工信头条数据，2030 年全球世界模型产业规模预计突破 3000 亿美元， 中国市场占比有望超过 40%。

预测下一个词和预测下一帧，是两种完全不同的智能。

图源：《推演世间万千变局，重塑智能底层范式》（第1页）

一、这门学科才七年，概念还没统一

报告对世界模型的历史脉络讲得很省，但信息密度高：思想最早可以追到 20 世纪 60 年代 Minsky 提出的框架理论，以及强化学习里用来建模环境动态的方法。

深度学习时代，2018 年 Ha 等人提出的循环神经网络隐式模型重新点燃了学界热情； 之后是大语言模型、自监督学习的 JEPA 架构、视频生成与交互式三维环境的共同推动。

按清华大学 Future Intelligence laB 的划分，世界模型承担两项核心功能： 理解外部世界的机制，以及预测未来状态并辅助决策。

模型类别上分两支：隐式表示类强调构建内在表示来理解环境，代表是基于模型的强化学习、 存储世界知识的大语言模型与多模态模型；预测类侧重模拟与推演，代表是视频生成与交互式三维环境。

主流架构流派已经分化，报告引用毕马威的研究做了梳理，但没有收敛到单一方案。

历史很短、定义未统一，恰恰说明这个赛道的标准还没被锁死。

图源：《推演世间万千变局，重塑智能底层范式》（第4页）

二、智能驾驶的两条路线，各有各的时限

报告把全球智能驾驶技术归纳为两条并行路线，这是全篇最清晰的框架。第一条是 VLA，也就是视觉-语言-动作链路，通过多模态融合构建空间语义与驾驶行为的联合表征， 推动端到端架构向认知驱动升级。

第二条是世界模型路线，绕开语言转化环节，直接把 3D 高斯表征、点云等空间感知数据输入大模型， 在模型空间内完成物理规律推演并直接输出控制指令。

它的架构是"云端世界引擎 + 车端世界行为模型"：云端负责大规模场景的物理规律建模与预训练， 车端基于实时感知做快速决策。

报告的取舍很明确：VLA 适合快速迭代、兼容现有量产平台，短期易落地； 世界模型代表更底层的认知方式，适合长期演进。

车端与云端的分工同样关键。车端靠世界模型做长时序行为推演与类人博弈决策，补长尾风险预判短板； 云端靠虚拟场景生成与虚实数据迭代，大幅降低实车测试成本。

VLA 是能上车的现在，世界模型是能认知的未来。

图源：《推演世间万千变局，重塑智能底层范式》（第7页）

三、具身智能卡在四个瓶颈上

具身智能这一节，报告引用毕马威的研究列了四条瓶颈，比讲技术更值得看。第一是数据。真实机器人数据采集成本高、场景覆盖窄，难穷尽不同的物体、动作、环境与本体形态。

更麻烦的是三者天然不对齐：同样是"拿杯子"，视频呈现的是画面，人类数据记录的是关节配合， 机器人数据是机械臂的角度与力度。

第二是任务。机器人已能完成抓取、放置、开门这类短动作，但产业场景多是清洁房间、仓库分拣、 工厂装配这种长链路任务，需要持续记住物体位置、遮挡状态和任务进度。

第三是控制。视觉模型能识别环境，生成式模型能预测画面，但机器人真正要判断的是 "如果我现在这样行动，世界会如何变化"，而开放世界视频缺少动作条件，人类示范也难映射到执行机构。

第四是部署。抓取、避障、移动、协作都要低延迟反馈，推理慢、显存高、通信贵就嵌不进真实系统。

这份报告的原文件放在运营动脉（www.yydm.cn）上，图表、口径说明和样本量都写得很清楚。

想看原文的完整版，搜标题就能打开，图表和数据附录都是齐的，不用注册。

四个瓶颈里有三个不是算法问题，是数据与工程的账。

图源：《推演世间万千变局，重塑智能底层范式》（第8页）

四、Cosmos Policy 验证了 WAM 可以替代 VLA

报告的判断是，具身智能算法架构正从视觉-语言-动作模型，跃迁到世界-动作模型，也就是 WAM。VLA 仍是当前主流，OpenPI、OpenVLA 等系列工作表稳定，但固有架构在动态环境适应与长程规划上 已经暴露结构性瓶颈。

转折点是 2026 年初发布的 NVIDIA Cosmos Policy，它验证了用 WAM 替代传统 VLA 的技术可行性。 核心思想很巧：把视频扩散模型从"生成视频"改成"生成动作"，用它对时序的建模能力直接输出控制信号。

国内的对标是智元机器人。2025 年 5 月它发布 EVAC，这是全球首个基于机器人动作序列驱动的具身 世界模型，同期还发布了评测基准 EWMBench，两项成果均已开源。

EVAC 的能力是从物理执行到像素空间的精准映射，通过多级动作条件注入， 实现"物理动作-视觉动态"的端到端生成。报告把这次迁移定性为认知升级：从模仿人类指令，到理解物理因果。

把生成视频的模型改成生成动作，这一步跨的是架构，不是参数。

图源：《推演世间万千变局，重塑智能底层范式》（第10页）

五、九家机构，五种技术性格

第二节是产业扫描，报告按机构一家一家拆，信息量最密的部分在这里。视启未来 WorldIncept 由 IDEA 研究院孵化，完成近亿元天使轮融资，由 IEEE Fellow 张磊领衔， 2026 年 9 月在 WorldArena 2.0 的仿真视频生成场景取得领先，在分布外测试中仍拿到最高分。

极佳视界 GigaWorld-1 是专为具身设计的动作控制世界模型，2026 年 3 月在 WorldArena 以62.34 的综合得分刷新世界纪录，引入了显式动作建模与可微分物理引擎。

它在 2026 年 4 月携手一汽模具、阿里云，在真实汽车工业场景完成箱体拆垛、跨区域搬运、 动态避障等任务的全流程落地；同月完成近 15 亿元 B1 轮融资，一个月累计融资 25 亿元，估值超百亿。

小鹏 X-World 基于视频扩散构建，支撑 7 路摄像头视角一致，已投入闭环仿真测试、 在线强化学习与数据生成，也大量用于环境仿真与模型评估。

谷歌 Genie 3 是首个支持实时交互的世界模型，输入文本提示即以 24 帧每秒、720p 生成可探索世界， 首次加入可提示的世界事件与视觉记忆。

同一个词，九家做出九种东西，这就是早期产业的正常样子。

图源：《推演世间万千变局，重塑智能底层范式》（第12页）

六、小米和腾讯：一个补物理，一个造资产

这两家的路线差异最值得对照，因为它们解决的其实不是同一个问题。小米汽车 2026 年 5 月发布的框架，首次把三维重建与视频生成深度耦合， 提出"重建锚定几何、生成填补想象"，打破行业长期重建、生成独立拆分的做法。

具体分工是：重建侧维护随观测增量扩展的 4D Gaussian 全局表示，把 3D 几何投影到自车视角 作为渲染先验；生成侧负责补全光照、纹理和未观测区域。

效果是三个维度同时提升：几何约束抑制长时序漂移，4D 表征保证跨帧全局一致， 渲染骨架缩小仿真与现实的差距。硬指标也拿得出手：在 Waymo 数据集上 PSNR 达 28.48，超出此前最优方法约 1 个点； 单视角生成 0.19 秒每帧，三视角 0.46 秒每帧，比同为自回归的 Epona 快 5.6 倍。

腾讯走的是另一条：混元 3D 世界模型 2.0 在 2026 年 4 月开源，能理解文字、图片、视频， 直接生成可二次编辑的 3D 资产，支持 Mesh、3DGS、点云导出，可导入游戏引擎或具身仿真。

差别在于小米补的是物理一致性，腾讯造的是可直接使用的资产，前者服务自动驾驶的数据闭环， 后者服务内容生产与数字孪生。

一个在修仿真的真，一个在造世界的壳。

图源：《推演世间万千变局，重塑智能底层范式》（第14页）

七、JEPA 与 Atlas：绕开像素的两条近路

杨立昆对世界模型的定义是：能构建现实的因果模型，并在此模型内部进行规划的系统。

他的路线基于 JEPA，即联合嵌入预测架构。与主流大模型逐字预测下一个词不同， JEPA 在抽象表征空间里预测未来的整体模式，既不预测下一个像素，也不预测下一个词。

2026 年 10 月 5 日，他创立的 AMI 发布分层世界模型 H-JEPA，并开源全部代码与权重。 模型堆叠多层 JEPA，高层做长远粗规划，低层细化动作，无需重建像素。

在迷宫仿真任务中，分层结构大幅提升规划成功率，计算开销更低，落地方向包括具身机器人、 虚拟智能体、自动驾驶与工业自动化。

李飞飞的 World Labs 则走向另一端。2026 年 9 月发布 Atlas，从零预训练、原生处理文本、 图像、视频和 3D 四种数据，核心设计是空间上下文。

Atlas 能按指定机位与角度生成新视角，最高 1440p、时长最长 1 分钟，也能从一张到几十张图 重建真实场景并输出点云与 3D 高斯泼溅。同期 AMD 宣布收购 World Labs，李飞飞将出任执行副总裁兼首席科学家。

一个不重建像素，一个专攻像素级重建，路线相反但都在抢同一件事。

图源：《推演世间万千变局，重塑智能底层范式》（第15页）

八、三千亿美元的市场与三条风险

报告给出的市场判断是，随着技术成熟和成本下降，世界模型会从汽车、具身机器人等高端领域 下沉到更多细分场景。

增长核心在基础设施层，三块最先受益：高精地图与空间扫描这类高精度数据采集需求持续爆发； 面向世界模型的专用云服务出现，降低中小企业门槛；适配中小企业的轻量化 SaaS 工具普及， 形成基础功能免费、高级功能付费的模式。

应用场景则明确落在三处：智能驾驶提升复杂环境下的感知预测能力，具身智能支持机器人在真环境里 规划与操作，社会模拟用来推演群体行为与社会动态。

风险部分报告列了三条，都很实在。一是商业化进展低于预期，行业仍在早期研发阶段， 规模化落地与商业闭环存在较大不确定性。

二是技术迭代太快，研发投入不足就会竞争力下降。三是人才流失，兼具多模态、物理仿真、 机器人虚实迁移能力的复合人才供给稀缺，头部企业持续高薪争夺。

26 页完整版、九家机构的模型细节与全部图示都在运营动脉（www.yydm.cn）上， 搜报告名即可打开。