ICML 2026世界模型研究盤點：LAWM VS WAM，誰主沉浮？

### ICML 2026 世界模型研究盤點：LAWM 與 WAM 的範式之爭與融合之路

作為機器學習領域的頂級學術盛會，ICML 2026 剛落幕不久，但其「世界模型」相關研究卻引發了遠超論文數量本身的話題熱度。根據 MTRI 日前發布的報告，在被接收的 6341 篇論文中，僅 49 篇被歸類為「世界模型」，占比不到 1%。然而，當你真正走進會場、參與研討，會發現這不足 1% 的論文承載的恰恰是當前 AI 最具張力的一場路線之爭：世界模型應該沿著依賴顯式動作數據的 WAM（World Action Models）路線深耕，還是全面擁抱從海量視頻中學習物理規律的 LAWM（Latent Action World Models）路線？

過去兩年受視覺生成模型啟發而一度被追捧的 LAWM，今年正遭遇 WAM 的強勢反彈，而兩者走向融合的共識，才是這場盤點中最值得關注的信號。#### 從「生成幻象」到「實體控制」的範式轉向

展廳內外的討論顯示，學者們關注的核心早已不再是「是否要引入世界模型」，而是「該走哪一條技術路徑」。曾幾何時，Sora 等生成式模型的驚艷表現讓學術界一度押注「視頻上的 next-token prediction」，認為只要讓模型在大規模無標註視頻中學會對世界的感知與預測，就能自然逼近通用智能。但今年的論文數據表明了清晰的轉折：WAM 類論文的佔比強勁反彈，已經佔據半壁江山；純粹的 LAWM 路線熱度出現消退，而融合兩者的工作穩定增加。

推動這一變化的動力來自現實的呼喚——無論是自動駕駛的方向盤還是機器人的機械臂，都明確指出：僅在隱空間中生成符合物理直覺的預測遠遠不夠，模型必須具備精確錨定於動作的控制能力。然而，這並不意味著 LAWM 被邊緣化；相反，它正退居後台，成為支撐具身智能的「認知基座」。#### 陣營一：LAWM——構建物理常識與因果直覺

剝離具體動作標籤，讓模型從大量觀察中自主頓悟世界的運作規律，仍是 LAWM 流派的核心訴求。今年 ICML 的相關工作顯示，該路線不再執著於像素層面的完美重建，而是轉向隱空間中的因果干預、表徵解耦與模型協同。Yann LeCun 團隊提出的 Causal-JEPA 便是典型代表：它通過在對象層級引入潛在干預與反事實效應，顯著提升了模型對因果交互的理解能力，在視覺問答與規劃任務中驗證了「懂因果」比「懂相關」更關鍵。CoLA-World 則提出一種雙模型熱啟動對齊策略，使視頻生成器與潛在動作模型能夠在聯合訓練中互相增強，打破傳統兩階段訓練的表徵崩塌困境。

DiLA 更進一步，透過結構解耦將視覺信息拆分為空間佈局與紋理細節路徑，既保持了高層次動作抽象能力，又兼顧了視頻生成品質。這些工作的共同趨勢是：LAWM 正從「被動觀察」走向「主動因果推理」，成為具身智能的常識基石。#### 陣營二：WAM——突破數據牆與精細控制瓶頸

當學者們意識到缺乏物理動作錨點的視覺幻象終究無法指揮機械臂，WAM 路線的崛起便順理成章。今年 ICML 的 WAM 論文紛紛在長序列幾何一致性、無限視距規劃以及反事實推理上取得突破。WorldPlay 由香港科技大學團隊提出，通過雙動作表示（鍵盤指令與相機位姿）搭配重構式記憶蒸餾，首次讓交互式世界模型在 24 FPS 的即時交互下保持長效 3D 記憶，解決了速度與幾何一致的矛盾。WorldCompass 則提出了針對長時序任務的強化學習框架，利用剪輯級展開與互補獎勵顯著提升交互探索效率與畫面質量。

Mind Dreamer 引入主動反事實推理機制，讓基於顯式動作的模型在隱空間中跳脫歷史數據的連續約束，探索稀有狀態，在稀疏獎勵任務中取得最高 8.8 倍的效率提升。這些成果顯示，WAM 正在從仿真器的舒適區走向更具挑戰的真實物理交互場景。#### 從二元對立到萬流歸宗：融合共識浮現

如果說單一路線各有局限，那麼 ICML 2026 傳遞的最明確信號便是：「融合」已經不再是一個選項，而是實際上唯一被廣泛接受的範式。一個清晰的路徑已經浮出水面：先用海量無標註視頻預訓練一個龐大的 LAWM，讓它獲得對物理世界的常識理解與因果直覺，知道「杯子掉在地上會碎」；然後凍結這個認知基座，接入少量真實的機器人狀態與動作數據，訓練一個輕量級的 WAM 作為對齊頭，學會「手臂該施加多少力去接住杯子」。這與大語言模型從「無監督文本預訓練」到「RLHF 指令微調」的演進如出一轍——當認知世界的大腦與改造世界的小腦終於連通，通用人工智能才有機會真正走進現實世界。 #### 隱狀態不等於隱式動作：閱讀世界模型論文需留意

在整理今年論文時，需要特別釐清一個容易混淆的概念：隱狀態空間（Latent State Space）運算並不等於隱式動作路線。例如一些標題含有「Latent」的論文，如 Boosting World Models Learning via Latent-Space Value Alignment 或 Mind Dreamer，雖然也在隱空間中演化，但其本質仍依賴顯式動作作為輸入或目標，屬於 WAM 範疇。真正的 LAWM 要求模型在訓練時完全不使用動作標籤，從視頻中自主推導出潛在動作。理解這一區別，才能看清世界模型發展的真實脈絡。 #### 擺在面前的現實瓶頸

回到論文的開頭數據：49 篇論文，不到 1% 的佔比，與其承載的戰略重要性形成鮮明對比。這既反映出世界模型研究仍處於初級階段，也側面說明學術界對其重視程度正快速升溫。當前阻礙具身智能爆發的最大瓶頸，究竟是 LAWM 進行大規模視頻預訓練所需要的算力牆，還是 WAM 微調時真實動作數據的稀缺？或許兩者皆為難題，但從今年的趨勢來看，學術界與產業界已經不再徘徊於「要不要用」，而是奮力投入「如何融合」的攻堅戰中。一個人讀論文或許孤單，但這條從虛擬認知走向實體控制的路，已經越來越清晰。 歡迎在評論區分享你的判斷：你認為，哪一條瓶頸更難突破？