现在具身智能行业做世界模型，几乎已经成为共识了。但有意思的是，大家都在谈世界模型，具体怎么做，技术路线其实远远没有收敛。

今天我看到一个特别有意思的项目，是具身智能创业公司自变量机器人刚刚发布的 WALL-SS。这家公司特别有硅谷范儿，我经常喜欢看他们家的论文和新模型。

你知道吗？我感觉现在特别像飞机发明前夕。所有人都不知道最后的答案是什么，但大家已经隐约知道，飞机应该能飞起来。

于是不同的人从不同方向不断尝试，今天改机翼，明天研究发动机，后天又发现控制系统也很关键。

很多探索最后可能走不通，但就是这些一条条的尝试，某一天突然 Connect the dots，然后柳暗花明。

现在的具身智能也特别像这个阶段。自变量这次发布的 WALL-SS，是一个自回归世界模型。

目前很多走视觉生成路线的机器人世界模型，都可以理解成带动作条件的视频生成模型。

输入机器人当前看到的画面，再输入准备执行的动作，然后预测接下来世界会怎么变化。

听起来好像已经够用了，对吧？但问题是视频模型太擅长预测一个看起来特别合理的未来。

比如训练数据里有大量类似的视频。机械臂靠近杯子，夹爪闭合，然后杯子被拿起来。模型看多了以后，很容易学会这个套路。

即使机械臂实际上已经偏了，夹爪根本没有碰到杯子，它也可能继续生成夹爪闭合，然后杯子被顺利拿起来。

这对于机器人世界模型来说，问题几乎是致命的。因为机器人真正需要知道的是，我执行这个动作以后，世界到底会发生什么。

WALL-SS 首先做的，就是让模型对后续世界状态的预测，更严格地受到机器人动作约束。

过去很多世界模型更接近一段一段地预测后续画面。WALL-SS 把机器人的观察和动作组织成一条持续的因果轨迹。

当前世界，执行动作，世界发生变化，再执行下一个动作，世界继续变化。

每次生成新的世界状态时，它又采用 Next-Scale 的方式，从比较粗粒度的视觉尺度开始，再一层层生成更细的信息。

这里最重要的是，机器人动作会贯穿整个生成过程。