前言2026年6月27日当前时间节点世界模型即对环境在行动作用下演化过程的预测性表征已成为机器人领域最领先的部分。其支持策略学习、规划、仿真、评估以及数据生成并随着基础模型和大规模视频生成技术的兴起而迅猛发展。本文对世界模型进行了全面的综述涵盖世界模型如何与机器人策略相耦合如何作为学习型仿真器服务于强化学习与评估以及机器人视频世界模型如何从基于想象的生成方式演进为可控的、结构化的以及基础模型规模的全新范式。本系列文章主要参考南洋理工、加州伯克利、斯坦福等高校共同编写的World Model for Robot Learning: A Comprehensive Survey1希望能通过这篇文章的整体描述让大家对于机器人世界模型当前的格局有全面的了解。https://github.com/NTUMARS/Awesome-World-Model-for-Robotics-Policyhttps://ntumars.github.io/wm-robot-survey/正文1 引言机器人策略学习正迅速从针对特定任务的控制流程转向以基础模型驱动的具身智能。近期的视觉-语言-行动VLA策略Zitkovich等2023Kim等2025Black等2024Intelligence等2025bWu等2024旨在通过将多模态观测直接映射到机器人动作实现感知、语言理解和控制的一体化有望带来广泛的任务泛化能力和灵活的指令执行能力。然而尽管这类策略呈现出强劲的规模化趋势Xiao等2025Li等2025bZhu等2026纯反应式的VLA策略在复杂物理环境中仍存在局限性它们往往难以进行长时程推理、准确分配时间信用且在误差累积的情况下缺乏稳健性。越来越多的研究表明这些局限性不仅源于行动预测能力不足Ye等2026bDang等2026还与缺乏明确的预测结构有关——这种结构本应能够预先推断出智能体行为下世界可能如何演化。这促使人们重新关注世界模型Craik1943Bryson和Ho1975Ha和Schmidhuber2018即能够捕捉环境动态并支持在采取行动前对未来状态进行推理的预测性表征。“世界模型”这一术语Craik1943Bryson和Ho1975Ha和Schmidhuber2018有着悠久的学术渊源。其核心在于它描述了在干预或行动作用下一个系统或环境如何从当前状态演进在最标准的形式下它可以被视为一种状态转移模型用于预测下一状态。世界模型的实际应用大体分为三大类世界模型如何与机器人运控策略相耦合世界模型如何作为仿真器服务于强化学习与评估世界模型如何从基于想象的生成方式演进为可控的、结构化的以及基础模型规模的全新范式图1从当前状态和动作出发预测未来的一系列状态。这一思想最早于20世纪60年代在认知科学领域萌芽Miller等1960当时人们提出内部模型以支持心理模拟、预测与规划。类似的思想也出现在控制理论和基于模型的决策研究中Conant和Ashby1970Bryson和Ho1975Richalet等1978以及经典的机器人规划领域——在机器人执行任务之前利用几何、约束条件和动作后果的内部模型来辅助决策制定Lozano-Perez1983。在现代机器学习中世界模型的复兴主要得益于两条重要进展基于模型的强化学习Ha和Schmidhuber2018Nguyen和Widrow1990Jiang等2026Zhu等2026该方法利用学习到的动力学模型进行规划与策略优化以及大规模生成式建模Ali等2025Guo等2025Jiang等2025bJang等2025b尤其是视频生成领域它从大规模视觉或交互数据中学习丰富的时空规律。这些进展共同推动了直接从像素中学习预测性表征并将其用于具身决策的可能性日益增强。本文关注点在于未来世界演化的预测性模型如何支持机器人的策略学习、规划、仿真、评估以及数据生成。在这一视角下世界模型可通过显式展开、基于未来条件的动作推理或联合预测与控制建模等方式为动作行为选择提供支持。将它们统一起来的并非某种单一的分解方式而是它们作为预测性结构所发挥的作用——使机器人的决策更加明智且具备坚实的物理基础。此外我们还以广义的预测控制概念来理解“动作行为”低层次的运动指令规定了智能体如何移动而高层次的语言指令则明确了未来应实现的目标状态。这一视角也使机器人世界模型区别于一般的感知预测器在具身智能领域预测质量的重要性仅在于其对行动的实际效用。因此一个可操作的世界模型应具备三大核心能力预见性Mi等2026Li等2026bGu等2026Bi等2025即在执行前预测未来状态或行动后果的能力想象力驱动的规划Kim等2026即借助想象中的展开过程来比较和选择候选行为以及数据增强Jang等2025bAli等2025即通过合成额外的演示或交互轨迹来提升学习效果。这些能力对于具身任务尤其重要例如操作、导航和驾驶等因为这些任务的成功与否很大程度上取决于对接触、动力学及其他仅靠以语言为中心的预训练无法捕捉的物理规律的推理。图2从这个意义上说世界模型不仅是一种生成式增强更是一座连接语义意图与可物理实现行为的预测桥梁。从历史上看将世界模型融入机器人策略的发展主要沿着两个方向演进一是预测建模与动作生成之间实现更紧密的耦合Du等2023Li等2025cZhu等2025a二是更广泛地将学习得到的世界模型用作模拟器以支持验证、训练后评估以及强化学习Xiao等2025Li等2025bChandra等2025。随着基础规模视频模型的兴起Wan2025Ali等2025近期的研究开始探索将大型视频生成器适配到机器人策略中Li等2025cZhu等2025a旨在通过未来预测提升泛化能力和采样效率Jang等2025b而后续的系统则进一步转向与视觉语言模型策略的统一训练及闭环协同优化Cen等2025。与此同时世界模型越来越多地被用作可控的模拟器以支持训练后的评估与检验Zhu等2026Xiao等2025这凸显出关键目标不仅在于生成看似合理的未来场景更在于生成与控制一致的未来场景从而为决策提供有力支持。受这些趋势的启发我们的综述与以往的综述Zhang等2025d在三个方面存在显著差异首先我们对主要世界模型范式提供了更为细致的视角其次我们全面分析了它们在策略学习、规划、仿真、评估以及视频生成等各个环节中的作用第三我们更清晰地从机器人学的角度界定了世界模型与视觉语言模型策略及机器人学习之间的关系。通过强调动作条件一致性、长时程可靠性以及实际部署能力本综述旨在阐明在何种情况下以及为何世界模型能够转化为真实机器人行为的可量化提升。我们在第2节首先介绍了世界模型、视频生成以及VLA/策略模型的相关背景。如图1所示随后我们在第3节回顾了用于策略的世界模型在第4节探讨了作为模拟器的世界模型并在第5节讨论了机器人视频世界模型。此外我们在第6节进一步探讨了包括导航和自动驾驶在内的更广泛的具身化领域并在第7节展示了基准测试、数据集及实验结果最后在第8节总结了当前面临的开放性挑战与未来研究方向。特别地第3节首先引入了一种概率视角它将策略模型、被动且可控制的世界模型以及逆动力学模型作为共享预测控制分布的相关查询连接起来。图2突出了近期文献中两个密切相关的趋势。在策略方面早期的解耦式流水线Hu等2025Du等2023仍是一条重要研究主线而设计空间则逐步扩展至单主干架构Kim等2026、统一VLACen等2025以及潜在世界建模Su等2026等方法这些方法实现了预测与动作生成之间更紧密的融合。在模拟器方面其作用已从仅用于验证或根据想象的未来对候选动作进行排序扩展到作为强化学习的学习环境、训练后的环境甚至与策略共同进化Li等2025bGuo等2026aLiu等2026b。综合来看这两个趋势表明世界模型已不再仅仅作为辅助预测工具而是日益融入机器人系统的核心学习与决策闭环之中。这篇文章的主要贡献如下· 对用于机器人学习的世界模型进行了以策略为中心的综述特别关注预测模型如何与VLA策略相结合以支持动作生成、规划、仿真、评估及数据生成。· 通过区分主要的架构范式和世界模型的功能角色为该领域提供了一种更为精细的分类法揭示了在更广泛的讨论中常常被忽视的重要差异。· 通过对机器人世界模型与其在机器人学习、VLA策略、视频生成以及模拟器式应用之间的关系进行清晰界定提供了一种更为全面且定义明确的处理方法并总结了具有代表性的基准测试、数据集及开放性挑战。参考[World Model for Robot Learning: A Comprehensive Survey. Hou, B., Li, G., Jia, J., et al. (2026). Nanyang Technological University, University of California, Berkeley, Stanford University, et al.]([2605.00080] World Model for Robot Learning: A Comprehensive Survey) ↩︎