文章核心观点 - 一篇关于具身智能领域世界模型架构集成的综述文章，首次从架构集成视角将现有研究划分为三大范式，旨在解决传统反应式系统缺乏预测和泛化能力的问题 [1][3][8][13] 世界模型的价值与引入背景 - 传统具身指令跟随系统将语言、感知和动作视为分离组件，纯反应式方法面临缺乏前瞻性和泛化性差两大瓶颈 [8][13] - 世界模型源于人类认知科学，其核心思想是构建能预测未来的内部模型，为智能体带来样本效率提升、长程推理能力、安全性增强及主动规划能力 [8] 架构融合的分类框架 - 根据世界模型与策略模型之间的耦合强度，提出了一个包含两个独立维度的分类框架 [11] - **梯度流动**：策略优化目标的梯度能否直接反向传播以更新世界模型参数 [14] - **信息依赖**：策略输出动作时是否显式依赖于世界模型预测的未来状态 [14] - 基于这两个维度，将相关工作分为耦合强度由弱到强的三大范式：模块化架构、顺序架构和统一架构 [11][12] 范式一：模块化架构 - 关键词为独立、互操作、弱耦合，世界模型和策略作为两个独立单元，无梯度流动，策略不依赖未来状态 [16] - 世界模型作为世界模拟器，关注动作与状态间的因果变化，让智能体能在内部根据动作预演未来 [16] 范式二：顺序架构 - 关键词为分层、意图生成、中等耦合，先由世界模型预测未来状态，策略再基于该状态预测动作 [17] - 梯度传递分为两个阶段，世界模型作为决策生成器，核心任务是生成一个有价值的未来目标状态，从而简化后续控制问题 [17][18] 范式三：统一架构 - 关键词为端到端、联合优化、强耦合，将世界模型和策略集成到一个端到端网络中 [19] - 两者融合为统一大网络，在同一个损失目标下训练，使网络能在同一条计算路径中预测未来状态并输出合适动作，无需显式区分模拟与决策步骤 [19][20][21] 未来研究方向 - **世界模型的表征空间选择与耦合**：未来趋势是融合视觉空间与状态空间，通过统一潜变量平衡表达能力与推理效率 [23] - **结构化意图的生成与表达**：世界模型应生成可解释的未来结构，并与语言和符号推理结合，以显式刻画任务分解、物体关系与因果依赖 [23] - **指导具身智能的脆弱性**：需引入可达性判别、可行性过滤等机制以降低失效风险，并权衡解释性与最优性 [24] - **统一的世界-策略模型构建范式**：需探索如何将大规模预训练模型以最小代价转化为统一决策系统，关键难点在于状态空间对齐和表示粒度选择 [24]