大家好，我是PaperAgent，不是Agent！新年快乐！
要说2025年AI圈最火的是什么，智能体（Agent） 当仁不让。从AutoGPT到各类AI助理，Agent几乎成了AI落地的代名词。
2026，新风向，似乎是——世界模型（World Models） × 具身智能（Embodied AI） ，将Agentic AI落地推向物理世界 ，成为新商业变量。
这在昨天推文最后也有讨论：2025，国产开源LLM盘点，DeepSeek不再一家独大
过去这一年，具身智能 已在发力，
- 国内顶尖高校密集出手 ：清华大学11月30日揭牌“ 具身智能与机器人研究院 ”，由自动化系主任张涛教授领衔；复旦大学早在今年1月就成立了“ 可信具身智能研究院 ”；北航、北大也纷纷跟进，成立相关研究中心或挂靠实验室。
- AI顶会NeurIPS 2025
：录用5,984篇文章得出的技术热点，
Agent 与具身智能
学术界如此高调布局，背后指向一个共识：具身智能 ，而它的下一站，必须拥有“世界模型”。
那么，什么是“世界模型 ”？简单说，就是AI对物理环境的内部模拟与预测能力——它不只是“看到 ”现在，更要能“想象 ”未来。将世界模型融入视觉-语言-行动（VLA）与导航（VLN）系统，已成为提升机器人长程推理、样本效率与安全性 的关键路径。
2026，也许我们会见证：
- 机器人 不再只是“执行者”，而是“想象者+规划者”
- 模型 不只学习数据，更学习物理规律与因果逻辑
- Agent智能体 在虚拟世界中“预演”成功，再到现实世界中精准落地
基于世界模型的具身智能体框架示例：展示了近期在操控（VLA）与导航（VLN）研究中的应用。
传统 VLA/VLN 把感知-语言-动作当“端到端黑箱”训练，存在两大硬伤：
- 短视 ：缺乏显式未来状态预测，长程规划吃力。
- 脆弱 ：换环境/物体分布就崩，泛化差。
世界模型带来 4 把斧头：
① 样本效率：想象 rollout 替代昂贵真机交互
② 长程推理：显式状态转移，支持 MPC/MCTS
③ 安全：先“脑内试玩”再真机执行
④ 主动规划：从“被动反应”到“预见未来”
三大架构范式全景
具身智能中世界模型的架构三大范式：
- 模块化架构— —世界模型与策略为相互独立的模块；
- 顺序化架构 ——世界模型先生成高层计划，再指导独立的策略执行；
- 统一化架构— —将世界预测与动作生成融合于一个端到端网络，并联合训练。
模块化：WM 与 Policy 做“分工”
图 4 左右两侧分别对应 Type A/B 流程
- 角色分配
– WM = 环境模拟器（像素或隐空间）
– Policy = 策略优化器（RL/Planner） - 两种玩法
- 迭代模拟器 （Type A）：闭环梯度优化，如 DayDreamer 用 RSSM 想象 rollout 更新 Actor-Critic。
- 候选评估器 （Type B）：开环一次性打分，如 NWM 生成 100 条轨迹视频，用价值函数排序选最优。
表 2 20+ 模块化论文。
Tips 总结
✅ 可解释、模块复用、易调试
❌ WM 一旦预测不准，Policy 会被带偏；信息瓶颈明显。
顺序化：先“想”后“干”的两级流水线
- 核心思想
- WM 先 自回归 地生成“未来目标”——可以是图像、点云或语言坐标。
- 下游轻量级策略（IDM、Diffusion Policy）再 条件于该目标 生成低层动作。
图 5 一目了然三条路线差异。
- 三条技术路线
- Neural Future States ：从视频生成模型中间层抽特征，如 VPP 取 U-Net 上采样块。
- Explicit Latent States ：自监督预训练离散/连续潜码，如 LAPA、UniVLA。
- Pixel-level States ：直接合成未来帧，再用 IDM 反推动作，如 UniPi、RoboDreamer。
表 3 按输出模态分类列出 30+ 工作
Tips 总结
✅ 天然支持“跨本体迁移”——同样目标图像，不同机械臂都能学；长程规划友好。
❌ 开环脆弱 ：一旦想象目标物理不可达，后续全崩；需要“可行性检查器”辅助。
统一化：把“预测”和“控制”揉成一个大网络
图 6 展示统一架构“一边做梦一边出招”的端到端循环。
- 形式化
同一组参数 γ 同时输出未来状态 ŝ 和动作 â：
(ŝ, â) = M_γ(s_, l) - ** backbone 家族**
– 自回归 Transformer ：GR-1、GR-2、CoT-VLA 把图像 token、动作 token、文本 token 放同一词表做 next-token prediction。
– 扩散模型 ：UWM、PAD 把状态&动作拼接成噪声向量联合去噪，一步出图像+动作。
– 语言即状态 ：NavCoT、EO-1 只输出文本坐标或房间标签，轻量化适合导航。
表 4 汇总 30+ 统一化工作，标注是否依赖未来状态生成动作。
Tips 总结
✅ 梯度直接回传，任务性能通常最高；隐式动力学建模更准。
❌ 黑箱、可解释性差；图像 token 序列超长，推理开销大；训练不稳定（梯度尺度差异）。
最后
世界模型 正在把“感知-语言-行动”这条单向链升级为“感知-语言-想象-行动”的闭环认知。 先选型、再落地：
- 要白盒 → 模块化
- 要迁移 → 顺序化
- 要性能 → 统一化
Integrating World Models into Vision Language Action and Navigation: A Comprehensive Survey
https://doi.org/10.36227/techrxiv.176531987.77979037/v1
推荐阅读
动手设计AI Agents：（编排、记忆、插件、workflow、协作）
每天一篇大模型Paper来锻炼我们的思维已经读到这了，不妨点个👍、❤️、↗️三连，加个星标⭐，不迷路哦