最新World Model × （具身智能）Robotics论文解析--世界模型正在重塑机器人的大脑

为什么World Model 在Robotics领域中非常重要？

从理论与认知科学角度，Schmidhuber 等人长期主张“智能 = 学会一个可压缩、可预测的世界”；Ha & Schmidhuber 2018 的 World Models 实验证明：仅靠学习到的生成式世界模型，就能在“梦境”中训练策略并成功迁回真实环境，说明内在模拟器本身足以支撑决策。

在强化学习与控制领域，Hafner 的 Dreamer 系列（V1–V4）通过“在世界模型里做 RL”系统性地展示：在 Atari、连续控制乃至跨 150+ 复杂任务上，基于世界模型的 agent 同时取得更高样本效率和更强泛化，最新 Nature 2025工作已超过大量专门算法。

对真实机器人而言，DayDreamer等工作已经在机械臂和移动平台上实证：世界模型可以大幅减少真实交互次数，通过“在模型中想象未来”规避昂贵甚至危险的试错，这是任何要落地的机器人系统都绕不过的安全与成本约束。

新一代专为机器人设计的世界模型（如 ICLR 2025 的 HuWo、DREMA）将机器人–环境的物理接触、组合技能和“数字孪生”统一到一个可学习模型中，使同一世界表征可复用于行走、操作、模仿学习等多种能力。

从研究版图看，ICLR 2025 专门设立 “World Models: Understanding, Modelling and Scaling” 与 “Generative Models for Robot Learning” 等工作坊，聚焦 embodied AI、视频世界模型与机器人控制，表明“世界建模”已被视为通往通用机器人与 AGI 的主线之一，而非边缘话题。

同时，在更广泛的 AI 社区，LeCun、Fei-Fei Li 等一线学者及工业界不断强调 world model 是突破纯文本 LLM 局限的关键方向，媒体对 DeepMind Genie 等系统的报道也在强化一个共识：如果没有可靠世界模型，很难获得可信且可行动的智能。 Business Insider

综上，对于追求高样本效率、可解释性、安全性与通用性的机器人系统而言，系统性研究 world model 不再是“锦上添花”，而几乎等价于：这套机器人体系是否具备可扩展的智能潜力。

World Model × Robotics最新论文解读

World model 的核心想法，是让机器人先在“脑内模拟器”里预测未来观测与结果，再据此做决策或评估策略——即用一个可微的“环境”取代昂贵、难以建模的真实世界或传统仿真器。最近，这条线出现了几个显著变化：

• 从小模型到视频级生成器：基于 Conditional Diffusion Transformer / Flow Matching 的视频世界模型成为主流，可以在高分辨率视觉上做条件生成与规划，如 Navigation World Models (NWM)、Genie、Vid2World等。
• 从 task-specific 到 foundation-style：如 Unified World Models (UWM)、Humanoid World Models (HWM)、1X World Model，把“大量机器人数据 + 互联网视频”统一进一个 world model 平台，为多任务、多机器人提供基座。
• 更紧地和 RL / VLA 策略耦合：Robotic World Model、GPC、FLARE、RLVR-World等把 world model 看成 RL 的“动态模型 + rollout 引擎 + evaluator”，逐渐实现“训练策略前先炼一个世界”的范式。

已有两篇 最新的survey 对整体格局有系统梳理，非常值得作为背景阅读： A Comprehensive Survey on World Models for Embodied AI，以及聚焦操作任务的 A Step Toward World Models: A Survey on Robotic Manipulation。

下面按四个主题，把代表性论文和发展脉络串起来： 平台 / Foundation World Models for Robotics； Manipulation； Locomotion / Navigation； RL & Policy Adaptation。文章选取举个最新代表性的文章，采样“一段话一个图”的简易解析方式，便于快速浏览或阅读。

---

平台：World-Model-as-a-Platform & Robot Foundation World Models

这一方向关注的是：能不能有一个通用世界模型当“仿真云”，机器人任务只是在上面做微调 / 规划 / 评估？

通用世界模型与机器人数据的融合

• Genie / Genie Envisioner：
  DeepMind 的 Genie 3 系列把大规模视频世界模型做成“环境引擎”；其上的 Genie Envisioner 更进一步，用 action-conditioned video generation 做机器人操作任务的世界模型，并展示了可作为统一基座支撑多种 manipulation 场景。

如上图所示，围绕 GE（Genie Envisioner ）-Base 世界模型，搭了一个同时支持“想象世界（生成视频）+ 决策行动（控制机器人）+ 标准评测”的完整平台：输入 & GE-Base 世界模型: 多视角相机观察（左/头/右视角）+ 文字指令 + 历史记忆 → 作为条件输入。 这些数据来自 AgiBot World 的 100 万条真实机器人操作轨迹。中间的 GE-Base World Foundation Model 根据这些条件生成未来的视频（右上），相当于在“脑海里”想象接下来会发生什么。两条主线——行动模型 & 世界模拟器: 从 GE-Base 提取的“latent features”生成具体的 Action Policy / Action Chunk，直接控制各种机器人执行任务（倒水、装箱、叠衣服等）。 World Simulator（右中）： 用 GE-Base 预测出的世界状态，驱动一个视频级仿真器，渲染机器人执行动作的画面。 这里可以接入不同风格的已有动作模型（ACT、GR1、Octo、OpenVLA 等），形成闭环仿真和执行。 Embodied World Model Benchmark（基准评测）: 提供一个包含多种家庭 / 工业操作任务的数据集。提供感知、预测、控制等工具，和场景