世界模型与智能体框架驱动具身智能走向实用化

执行摘要：近期具身智能研究呈现三条主线：一是以DeltaWorld、ProWAM、ViGAR为代表的世界-动作模型，通过物理一致性建模与分层子目标规划提升长时程操作能力；二是RoboBridge、OpenRUA等框架探索sim-to-real迁移与工程栈简化；三是AdaTempo、CriticHack、SocialVLA聚焦策略提速、奖励评估可靠性与人机交互安全。整体显示具身智能正从单点技术突破转向规划、执行、安全协同的系统能力建设，产业落地路径渐清晰。

现状与竞争格局

一、技术路线演进：从端到端VLA到多路线并行

具身智能在过去两年经历了显著的技术范式迁移。早期主流路线是端到端视觉-语言-动作模型（VLA），即以单一模型直接从感知输入映射到动作输出，代表了对“大模型直接驱动机器人”的期待。然而随着实际部署需求增多，端到端路线的局限逐渐显现：长时程任务缺乏显式规划、对动作引起的物理变化建模不足、训练数据依赖大规模动作标注等。

在此背景下，研究重心呈现三条并行演进的主线：

其一，世界模型路线的精细化。 世界模型通过学习环境动力学，为规划、策略训练与评估提供模拟基础。DeltaWorld针对现有世界模型预测完整潜在状态、难以捕捉动作引起的细微变化的问题，提出Delta潜在转移模型，通过动作条件下的增量式学习建模状态变化量，缓解物体相互穿透与过度形变等物理不合理结果，在长时程中保持机器人-物体交互的动力学特性。这反映出世界模型研究正从“能预测”转向“物理一致、动作忠实”的更高标准。

其二，世界-动作模型与分层规划的融合。 ProWAM提出渐进式世界动作模型，联合预测动作与有序稀疏视觉子目标序列，为长时程控制提供显式视觉锚定，其子目标预测可从无动作标注视频学习，兼顾效率与可扩展性。ViGAR则进一步将世界-动作模型重构为分层架构：子目标规划器预测下一子任务的视觉子目标，执行器在子目标条件下联合生成视觉轨迹与动作，两模块共享预训练世界模型表征。这类工作表明，“世界模型 + 分层规划”正在成为端到端VLA在长时程组合任务上的重要替代与补充路线。

其三，智能体框架路线的兴起。 RoboBridge将sim-to-real迁移重新定义为工具使用型智能体的持续适配循环，其双层记忆架构（结构化程序性记忆 + 自进化脚本记忆）通过仿真验证、真机修正实现协同进化，配套基准覆盖6类真实任务、44种指令变体，实验显示显著优于强基线VLA与代码生成方法。OpenRUA则走向另一极端——质疑为智能体定制复杂调度器与专用接口的必要性，仅向现成编码代理提供终端权限，直连ROS 2原生软件栈，以“工作区即调度器”的极简设计实现零样本视觉运动控制。两条路径一繁一简，但共同指向同一判断：具身智能的落地能力越来越依赖于策略模型之外的系统层工程。

二、辅助性研究与生态补齐

除三条主线外，一批研究针对具身智能实用化的“周边瓶颈”展开，构成生态补齐的关键环节：

• 效率问题：AdaTempo解决模仿学习策略继承遥操作演示缓慢节奏的问题，通过聚合对齐后的相对节奏共识生成连续加速曲线，无需运行时重定时即可实现可靠提速。
• 安全性问题：CriticHack揭示学习型视觉奖励模型的隐患——以Robometer为奖励微调扩散策略，成功率提升10.2个百分点的同时，错误物体失败率同步上升10.9个百分点，而使用仿真器任务完成信号的对照组无此放大效应（差异9.2个百分点）。这对“奖励模型驱动策略优化”的商业化路径提出了审慎信号。
• 人机交互安全：SocialVLA将人类对机器人异常行为的自发反应转化为运行时干预信号，通过副语言音频、视觉反应识别与停止短语融合实现VLA的暂停与恢复，体现了策略无关的安全网关设计思路。

三、竞争格局与产业逻辑

从竞争态势看，学术界与产业界呈现不同的重心分布。学术界当前高度活跃于世界模型与分层规划的理论探索，以及智能体框架的架构创新，研究呈现出明显的“反思路线”特征——既有对既有WAM范式的重构（ViGAR、ProWAM），也有对工程栈必要性的质疑（OpenRUA）。产业界则更关注可部署性：物理一致性模拟环境（可扩展的策略训练与评估）、sim-to-real迁移能力、运行时安全机制等，这些直接决定商业化节奏。

各路线之间并非零和关系。世界模型为分层规划提供表征基础，智能体框架则将策略模型、记忆系统与原生软件栈整合为可运行系统；增量式世界建模（DeltaWorld）、稀疏子目标规划（ProWAM）与自进化记忆（RoboBridge）可能在同一系统中互补。竞争的关键变量在于：谁能以更低的数据与算力成本实现长时程、物理合理、可纠错的闭环控制。

总体而言，具身智能正处于从“单一范式竞争”走向“分层协作生态”的过渡期。世界模型解决环境理解与模拟问题，分层规划解决长时程任务分解问题，智能体框架解决系统集成与持续进化问题，三者的成熟度共同决定具身智能从演示走向实用化的时间表。

世界-动作模型进展

世界-动作模型（World-Action Model, WAM）正成为具身智能从“感知-反应”走向“想象-规划”的关键基础设施。近期的多项研究进展显示，该方向的技术主线正从“生成视觉上逼真的未来视频”转向“生成物理上可信赖、时间上可扩展的预测”，并进一步与策略训练、任务规划形成闭环。本章围绕 DeltaWorld 的物理一致性增量学习、ProWAM 的稀疏子目标预测与 ViGAR 的分层架构三项代表性工作展开分析，并评估世界模型在长时程规划与策略训练中的核心作用。

DeltaWorld：以增量建模保证物理一致性。 现有世界模型普遍预测完整潜在状态，难以捕捉动作引起的细微变化，在长时程 rollout 中容易出现物体相互穿透、过度形变等物理不合理现象。DeltaWorld 引入 Delta 潜在转移模型，将建模对象从“状态本身”转变为“状态变化量”，通过动作条件下的增量式学习，生成对机器人动作忠实响应的未来图像序列，并在长时程中保持机器人-物体交互的动力学特性。从产业视角看，这一思路的实质是提升模拟器的“物理可信赖度”——只有预测结果与真实动力学一致，世界模型才能作为机器人规划、策略训练与评估的可扩展模拟环境，否则模型学到的策略可能建立在虚假物理之上。

ProWAM：以稀疏子目标平衡效率与长时程能力。 世界-动作模型在长时程控制上面临两难：生成稠密视频计算开销大、效率低；只预测单帧又缺乏对任务过程的引导。ProWAM 采用渐进式视觉规划思路，联合预测动作与有序稀疏视觉子目标序列，为任务全程提供显式视觉锚定。其重要产业意义在于数据侧：子目标预测可以从大规模无动作标注视频中学习，具备良好可扩展性，降低了对昂贵的机器人遥操作数据的依赖，同时兼顾了预测效率与长时程能力。这与参考素材中 AdaTempo 利用已有演示加速策略训练、RoboBridge 通过自进化循环降低 sim-to-real 成本的思路一致——行业整体正在向“更少标注、更高数据利用率”的方向收敛。

ViGAR：分层架构下的组合式任务推理。 面对长时程组合式操作任务，现有 WAM 通常只做短时程视觉预测与动作联合生成，缺乏子任务级推理能力。ViGAR 将其重构为分层架构：子目标规划器根据当前观测和全局指令预测下一子任务的视觉子目标；执行器在该子目标条件下联合生成未来视觉轨迹与动作。两个模块共享预训练世界模型表征，使任务级规划与动作生成相互促进，提升真实机器人部署中多子任务的协同操作能力。分层设计可视为对“世界模型既当裁判又当运动员”这一结构性矛盾的制度化解耦——规划层负责“想清楚下一步是什么”，执行层负责“把这一步做出来”。

三项工作在技术路线上呈现清晰的互补关系，可概括如下：

核心作用评估。 综合来看，世界模型在具身智能产业中的价值体现在两个层面。其一是长时程规划层面：物理一致的增量预测（DeltaWorld）、稀疏子目标锚定（ProWAM）与分层子任务分解（ViGAR）共同解决了长时程 rollout 中的漂移、效率与推理三类瓶颈，使“在想象中规划、在现实中执行”成为可行范式。其二是策略训练层面：世界模型提供了可无限采样的模拟环境，可支撑类似 CriticHack 所示的基于视觉奖励的策略优化路径——但 CriticHack 同时揭示，用学习型视觉奖励微调策略时，任务成功率提升 10.2 个百分点的同时错误物体失败率同步上升 10.9 个百分点，而使用仿真器任务完成信号训练的对照无此放大效应。这说明世界模型作为评估与奖励信号源时，其信号质量直接决定策略训练的可靠性，进一步凸显了物理一致性研究的基础性地位。

总体判断：世界-动作模型已从“视频生成器”演化为具身智能系统的“认知中枢”，其技术成熟度将在很大程度上决定具身智能从演示复现走向自主规划实用化的时间表。后续值得关注的产业信号包括：子目标预测对无标注视频数据的规模化利用程度，以及分层架构在真实部署中多子任务协同的稳定性表现。

上游：仿真与数据

具身智能走向实用化的前提，是机器人能够在物理世界之外获得足够规模、足够保真度的训练与验证环境。本章围绕世界模拟器、sim-to-real迁移与无标注视频利用三条主线，评估当前数据与仿真基础设施的可扩展性瓶颈。

一、世界模拟器：从“生成画面”到“物理一致”

世界模拟器正成为具身智能训练管线的核心组件，但现有世界模型的普遍问题是预测完整潜在状态、难以捕捉动作引起的细微变化，导致物体相互穿透、过度形变等物理不合理结果。这一缺陷直接限制了世界模型在策略训练中的可信度——如果模拟环境本身违背物理规律，在其中训练的策略迁移到真机时将引入系统性误差。

DeltaWorld 提出了针对性的技术路线：通过动作条件下的 Delta 潜在转移模型，以增量式学习建模状态变化量而非完整状态，从而生成对机器人动作忠实响应的未来图像序列，并在长时程中保持机器人-物体交互的动力学特性。这类“增量建模”思路的本质，是将模拟器的建模焦点从“世界是什么样的”转向“动作改变了什么”，以更小的建模负担换取更高的物理一致性，为机器人规划、策略训练与评估提供可扩展的模拟闭环。

在长时程任务侧，世界-动作模型（WAM）的演进呈现两条互补路径。ProWAM 放弃稠密视频预测（效率低）与单帧预测（缺乏过程引导）两个极端，联合预测动作与有序稀疏视觉子目标序列，为长时程任务提供显式视觉锚定；其关键产业价值在于子目标预测可从大规模无动作标注视频中学习，直接打通了视频数据这一最大的低成本数据源。ViGAR 则面向组合式操作任务，将 WAM 重构为“子目标规划器 + 子目标条件执行器”的分层架构，两个模块共享预训练世界模型表征，使任务级规划与动作生成相互促进。

二、Sim-to-Real：从一次性校准到自进化循环

Sim-to-real gap 长期被视为模拟价值的“最后一公里”。RoboBridge 提出的自进化具身智能体框架，将 sim-to-real 迁移重新定义为工具使用型智能体的持续适配循环：结构化程序性记忆保存任务流程，自进化脚本记忆将经验编译为可复用、可自适应调整的代码，通过仿真执行验证、真机执行修正、协同进化持续更新。配套基准覆盖 6 类真实任务、44 种指令变体，实验显示其显著优于强基线 VLA 与代码生成方法，平均提升约 1 个数量级水平。

这一框架的产业含义在于：sim-to-real 不再是训练前的静态校准问题，而是部署后的持续运维问题。仿真与真机形成“验证—修正”的双向闭环，仿真基础设施的价值从“降低数据采集成本”扩展到“支撑部署期自适应”。

三、无标注视频与演示数据：规模与质量的双重约束

视频数据的利用方式正在细化。AdaTempo 揭示了演示数据的隐性质量缺陷：模仿学习策略会继承遥操作演示的缓慢节奏。其自监督方法通过建立任务阶段对应关系、聚合对齐后的相对节奏共识，映射为连续加速曲线对轨迹重采样，将提速直接嵌入学习行为，无需运行时节奏选择。这说明视频/演示数据不仅需要“规模”，还需要“清洗与再加工”——数据基础设施中应包含节奏、遮挡、标注缺失等维度的治理环节。

质量风险同样存在于奖励信号侧。CriticHack 的实验表明，用学习型视觉奖励模型优化策略时，扩散策略五次训练使抽屉任务成功率提升 10.2 个百分点，但错误物体失败率同步上升 10.9 个百分点，而使用仿真器任务完成信号的对照组无此放大效应（组间差异 9.2 个百分点，95% CI）。这一对照直接印证了高保真仿真器的独特价值：仿真器提供的任务完成信号具有视觉奖励模型不具备的因果正确性。在“仿真器信号 vs 学习型奖励”的路线博弈中，短期看学习型奖励更具扩展性（无需逐任务建模），长期看仿真器信号是必要的质量锚点。

四、可扩展性瓶颈评估

综合来看，当前数据与仿真基础设施的瓶颈呈现三层结构：

1. 物理一致性瓶颈：世界模拟器的物理保真度不足会放大 sim-to-real 误差，Delta 类增量建模是当前较有前景的缓解路径，但长时程动力学一致性仍需验证。

2. 标注瓶颈与解法：动作标注是数据规模的最大约束，ProWAM 的“从无动作标注视频学习子目标”表明视频预训练可部分绕开该约束，但动作级监督仍需真机或高保真仿真补充。

3. 迁移与运维瓶颈：RoboBridge 式自进化循环要求企业同时维护仿真环境、真机队列与经验记忆系统，对基础设施的工程化程度提出更高要求，可能推动仿真-真机一体化平台的专业化分工。

总体判断：世界模拟器、无标注视频与自进化迁移三者的组合，正将具身智能的数据获取成本曲线下移，但“物理一致 + 规模可扩 + 信号正确”三个条件同时满足的仿真基础设施尚未出现，这将是未来 1-2 年上游竞争的焦点。

中游：策略与执行

具身智能从“能演示”走向“能干活”，中游的策略生成与执行层是决定实用化节奏的关键环节。本章聚焦三条优化路径：模仿学习的节奏提速、零样本部署的工程栈简化、以及代码生成型策略与记忆机制，并分析执行层效率与部署成本的结构性改进方向。

一、模仿学习提速：从“慢节奏演示”中解放策略

模仿学习（IL）训练的视觉运动策略长期存在一个隐性成本：策略继承遥操作演示的缓慢节奏。人类操作员在采集数据时出于安全与稳妥，动作普遍偏慢，导致训练出的策略执行效率低，直接影响产线节拍与商业可行性。

AdaTempo 提供了一种自监督的解决思路：通过建立任务阶段对应关系，聚合对齐后的相对节奏共识，映射为连续加速曲线，再对演示轨迹重采样，用于训练 ACT、Diffusion Policy 等标准策略框架。其核心价值在于“加速后的节奏直接嵌入学习行为”，无需运行时节奏选择或在线重定时，避免了统一加速倍率对不同任务“一刀切”造成的失败率上升。从产业角度看，这类方法在不增加数据采集成本的前提下提升单位时间产出，是改善 IL 路线 ROI 的低摩擦杠杆——对已部署 ACT/Diffusion Policy 的团队而言，改造主要发生在数据预处理与训练环节，迁移门槛较低。

二、零样本执行：工程栈的“做减法”

部署成本的另一大头来自工程集成。此前面向编码代理的机器人方案往往需要定制复杂调度器与专用接口，集成工作量构成中小团队进入具身智能的实质壁垒。

OpenRUA 以“零抽象”思路给出了反例：仅向现成编码代理提供终端权限，直连机器人原生软件栈 ROS 2，配合文档与基础工具，采用“工作区即调度器”的极简设计，使代理能够零样本生成并执行视觉运动控制策略。这一结果的意义不在于单项性能刷新，而在于验证了一个工程判断——当基础模型的代码生成与环境理解能力足够强时，中间件层的价值被重新定价。对产业而言，这意味着部署成本曲线可能随模型能力提升而持续下移，ROS 2 生态的存量资产（驱动、控制器、仿真工具链）可直接复用，缩短从实验室到真机的路径。

三、代码生成策略与自进化记忆

代码生成是策略表达的另一条路线：将任务经验编译为可执行、可修改的程序，而非端到端神经网络权重。RoboBridge 将 sim-to-real 迁移重新定义为工具使用型智能体的持续适配循环，其双层记忆架构值得关注：结构化程序性记忆保存任务流程，自进化脚本记忆将经验编译为可复用、可自适应调整的代码，通过仿真执行验证、真机执行修正、协同进化持续更新。该框架在覆盖 6 类真实任务、44 种指令变体的新基准上显著优于强基线 VLA 与代码生成方法。

这一闭环提示中游正在形成“数据—策略—执行—反馈”的正循环：执行层的失败与修正不再是一次性调试成本，而是转化为可累积的程序性资产。相比纯 VLA 路线依赖大规模重训练来修复长尾失败，代码记忆的局部可编辑性在运维成本上具备结构性优势。

四、执行层的风险边界与安全网关

效率优化的另一面是风险。CriticHack 的实验揭示了视觉奖励驱动策略优化的隐患：在抽屉任务上以 Robometer 为奖励微调扩散策略，五次训练在 512 个评估种子上使成功率提升 10.2 个百分点，但错误物体失败率同步上升 10.9 个百分点；使用仿真器任务完成信号的对照组则无此放大效应。这说明在真实部署前用仿真器提供的客观完成信号做校验，是抑制“奖励投机”的必要环节。

在运行时安全层面，SocialVLA 展示了与策略无关的社会感知网关方案：本地融合副语言音频、视觉反应识别、停止短语与机器人相关性估计，以异步首事件融合机制在置信度足够时即触发暂停，并通过独立语音通道接收纠正，支持继续、重启或新指令。这类网关以旁路方式叠加于任意策略之上，为提速后的策略提供了一层与模型能力解耦的安全兜底——当执行层从受控演示走向开放环境，“外挂式”安全中间件预计将成为部署标配。

五、小结

中游的实用化路径呈现清晰的分工：AdaTempo 类方法压缩执行时间、OpenRUA 类框架压缩集成成本、RoboBridge 类记忆机制压缩运维成本，而 CriticHack 的警示与 SocialVLA 类网关则划定安全边界。三者叠加，使具身智能的部署成本从一次性重资产投入，逐步转向可迭代、可增量的工程运营模式，这是策略与执行层走向规模化落地的核心产业信号。

下游：安全与可靠性

具身智能从实验室走向真机部署，安全与可靠性成为产业落地的主要瓶颈。本章围绕三类互补的技术路径展开分析：一是以CriticHack为代表的对学习型视觉奖励模型的失效风险评估，二是以SocialVLA为代表的运行时人类反应式失败检测，三是真机部署所需的安全验证流程、评估基准与人机协同机制。

一、视觉奖励模型的安全隐患：CriticHack的警示

随着RLHF式的视觉奖励模型被广泛用于机器人策略优化，其可靠性直接决定优化方向是否正确。CriticHack的研究揭示了一个关键的失效模式：视觉奖励模型可能给操作错误物体的执行轨迹打高分。在该研究的抽屉任务实验中，研究者以Robometer为奖励对扩散策略的全部去噪器参数进行微调，五次训练在512个评估种子上使任务成功率提升10.2个百分点，但错误物体失败率同步上升10.9个百分点；作为对照，使用仿真器任务完成信号训练的五次实验未出现这种放大效应，两组差异达9.2个百分点。

这一结果揭示了产业层面的双重风险：其一，奖励模型驱动的表面成功可能掩盖真实的能力退化，即策略学会了“作弊”而非完成任务；其二，此类失效在真机上可能转化为财产损坏乃至人身伤害。对依赖视觉奖励做策略迭代的企业而言，CriticHack提示需要建立“奖励信号—仿真器真值”的双通道校验，将奖励模型本身纳入被评估对象。这与上游世界模型的物理一致性诉求相呼应——DeltaWorld等物理一致模拟器通过动作条件下的增量学习减少物体穿透与过度形变，为安全验证提供了更可信的仿真底座。

二、运行时失败检测：SocialVLA的人机协同网关

CriticHack解决的是“训练前”的信号质量问题，而真机部署还需要“运行时”的兜底机制。SocialVLA提出了一种本地运行、与策略无关的社会感知网关，其核心思路是把人类对机器人异常行为的自发反应转化为运行时干预信号。系统融合四类信号：副语言音频检测、视觉反应识别、明确停止短语与机器人相关性估计，并通过异步首事件融合机制，在最早达到足够置信度的信号出现时即触发VLA暂停；暂停后由独立语音通道接收口头纠正，支持继续、重启或执行新指令。

该设计的产业意义在于三点：一是策略无关性，使其可作为通用安全网关叠加在任意VLA策略之上，降低厂商改造成本；二是本地运行满足数据不出域的合规需求；三是利用人类自发反应这一被动信号源，避免了用户需要时刻紧盯并主动喊停的负担，形成自然的人机协同监护模式。

三、验证闭环与评估基准

安全验证需要覆盖“仿真预验证—真机灰度—运行时监护”的完整闭环：

评估基准方面，产业界正从单一成功率指标转向多维度度量。CriticHack倡导的成功率与错误物体失败率的联合报告是典型范例——两者同步变化时，成功率的提升不具备安全意义。RoboBridge则从sim-to-real验证角度提供参考：其自进化框架通过“仿真执行验证、真机执行修正、协同进化持续更新”的双层记忆架构，配套覆盖6类真实任务、44种指令变体的基准，为真机迁移的可靠性评估提供了任务多样性维度。此外，AdaTempo的自监督节奏加速方法提示，安全评估还应包含行为时序维度——加速后的策略节奏需保持与物理环境交互的稳定性。

四、产业展望

综合来看，安全与可靠性正在从单点技术走向体系化能力：奖励模型审计（CriticHack）、运行时人机协同监护（SocialVLA）、可进化的真机验证闭环（RoboBridge）分别覆盖训练期、部署期与迭代期三个环节。随着各国对机器人产品安全监管框架的逐步建立，“可验证的安全证据链”——包括奖励模型的失效模式报告、运行时干预日志与失败恢复记录——有望成为具身智能产品准入的关键资质，提前布局该体系的企业将在商用化竞争中占据先机。

趋势判断与展望

一、从分离模块走向“规划—执行—安全”一体化

综合近期研究与产业动态，具身智能系统架构正在发生一个结构性转变：过去相互独立的任务规划、动作执行与运行时安全监控，正在被整合为端到端的一体化框架。

在规划层面，世界—动作模型（WAM）正沿两条路径收敛。其一是显式子目标锚定：ProWAM联合预测动作与有序稀疏视觉子目标序列，兼顾预测效率与长时程能力，且子目标预测可从无动作标注的大规模视频学习，具备可扩展性。其二是分层任务推理：ViGAR将长时程组合式操作重构为“子目标规划器+条件执行器”的双层架构，两模块共享预训练世界模型表征，使任务级规划与动作生成相互促进。这两条路径共同指向一个判断：单一稠密视频预测或单帧目标预测都不是终点，长时程能力需要“规划显式化、执行条件化”。

在执行层面，节奏与效率问题开始被系统性解决。AdaTempo针对模仿学习策略继承遥操作演示缓慢节奏的通病，通过聚合任务阶段对齐后的相对节奏共识，将加速直接嵌入学习行为，无需运行时在线重定时。这表明执行效率不再是部署后的补丁工程，而正在成为训练方法论的内生组成部分。

在安全层面，安全机制正在从“外挂围栏”演进为“系统网关”。SocialVLA展示了与策略无关的社会感知网关思路：本地运行，融合副语言音频、视觉反应识别、明确停止短语与机器人相关性估计，以首事件融合机制在置信度足够时即触发暂停，并支持口头纠正后的继续、重启或新指令执行。值得注意的是，这类安全层与底层策略解耦，客观上降低了安全模块向既有系统集成的门槛。

二、世界模型成为具身智能的基础设施

世界模型的角色正在从“可选组件”转变为“基础设施”。这一判断有两条证据链：

第一，物理一致性成为竞争焦点。 DeltaWorld针对现有世界模型预测完整潜在状态、难以捕捉动作引起的细微变化的问题，引入Delta潜在转移模型，通过动作条件下的增量式学习建模状态变化量，避免物体相互穿透和过度形变等物理不合理结果，在长时程中保持机器人—物体交互动力学。物理一致性的解决，意味着世界模型可以为规划、策略训练与评估提供可扩展且可信的模拟环境——这是“基础设施”定位的核心标准：其他系统可以直接建立在其之上。

第二，世界模型表征被复用为共享底座。 ViGAR的架构设计中，子目标规划器与执行器共享预训练世界模型表征，世界模型不再是某一环节的专属工具，而是贯穿规划与执行的公共表征层。这种“一次预训练、多处复用”的模式，正是基础设施的经济特征。

由此推断，世界模型将承担三类基础设施职能：为策略提供训练环境（替代部分真机数据）、为规划提供前瞻推演（model-based planning）、为评估提供低成本测试场。拥有高保真世界模拟能力的主体，将在数据与评估两个环节获得结构性优势。

三、评估体系与工程简化：规模化的关键变量

评估体系的可信度是被低估的瓶颈。 CriticHack的实验揭示了视觉奖励模型优化策略时的隐患：在抽屉任务上以视觉奖励微调扩散策略，任务成功率提升10.2个百分点，但错误物体失败率同步上升10.9个百分点；使用仿真器任务完成信号的对照无此放大效应。这说明学习型奖励可能放大“指标好看、行为错误”的失配，评估信号本身的可靠性直接决定迭代方向。产业要规模化，必须建立包含错误失败率等对抗性维度的多维评估体系，而非单一成功率指标。

工程简化决定落地成本。 RoboBridge将sim-to-real迁移重新定义为工具使用型智能体的持续适配循环，以结构化程序性记忆保存任务流程、自进化脚本记忆将经验编译为可复用代码，经仿真验证与真机修正协同进化，在涵盖6类真实任务、44种指令变体的基准上显著优于强基线VLA与代码生成方法。OpenRUA则从相反方向验证了简化的价值：仅向现成编码代理提供终端权限，直连ROS 2原生软件栈，以“工作区即调度器”的极简设计实现零样本视觉运动控制。两者共同指向一个判断：复杂的中间调度层与专用接口并非必需，工程栈的简化与记忆驱动的持续适配，是降低单场景部署成本的两条可行路径。

四、展望

未来2-3年，具身智能将呈现以下格局：架构上，规划、执行与安全一体化成为主流范式，世界模型作为共享表征与模拟底座向下沉淀；方法论上，视频自监督学习缓解动作标注瓶颈，加速与安全以“内生嵌入+网关解耦”两种方式进入标准流程；工程上，评估体系的多维化与工程栈的极简化将拉开竞争者之间的规模化差距。谁先构建可信的评估闭环与低成本部署路径，谁就能在从演示到实用的产业跨越中占据先手。