「隐式」世界动作模型

马斯克之前有个暴论，不知道大家是否还有印象——机器人为什么要看人类肉眼一样的图像？为什么要分析渲染完成的图像？为什么不能用底层实际光子数据来训练视觉模型？用美化渲染过的RGB图像来训练是不是多此一举？

 导读：同样是让机器人「想好了再做」，一条路要求它把未来一帧一帧画出来再动手，另一条路让它「心算」一遍就直接上手。

一、先分清三个词

聊「隐式世界动作模型」之前，得先把三个容易混的词掰开。

VLA（视觉-语言-动作模型，Vision-Language-Action Model）：看见什么、听到什么指令，直接输出动作。它是「反应式」的——不过脑子，条件反射。

它有个根本盲区：只关心「当前输入对应什么动作」，不管「做了之后世界会变成什么样」。换句话说，它不预演后果。

世界模型（World Model）：反过来，只想象、不行动——「你给我一个动作，我告诉你世界会怎么变」。它是「白日梦想家」，想得很美，但不动手。

世界动作模型（World-Action Model，WAM）：把这两件事塞进同一个模型。它不只回答「下一步做什么」，还要同时建模「这样做之后，世界会怎样」。它是先在脑子里过一遍、再上手的熟手。

举个具体的例子：让机器人把杯子放进洗碗机——

▪ VLA 直接输出一串动作

▪ 世界模型 只负责评估「这么放杯子会不会倒」

▪ 世界动作模型 在生成动作的同时，就带着「放进去之后会怎样」的判断

「隐式」的故事，就从这里的「预演」开始。

二、显式路线：先把未来画出来，再动手

预演「未来」，最直觉的方式当然是把未来画出来。

以英伟达 Cosmos-Policy 为代表的显式世界动作模型就是这么干的：先逐帧生成未来的画面，再根据这些画面规划动作。想象-执行（imagine-then-execute），逻辑非常通顺。

但这里有个被大多数人忽略的问题：机器人要做的决策，和画面的绝大部分像素毫无关系。

它需要知道杯子会不会滑、力道够不够，但不需要知道窗帘是什么花纹、衣服有什么褶皱。可显式路线必须把这些统统画出来。

这就像一个快递分拣员，把分拣线的每一个细节都看清楚，像素级的，才能判断下一个包裹往哪放——信息过度，成本失控。

代价有多大？两个数：隐式路线的训练成本不到它的 1%；推理速度慢 40 倍以上。

三、「隐式」隐在哪儿：草稿纸是空白的

现在到正题。

隐式世界动作模型做的事，一句话概括：它不是不预测未来，而是预测了，但不画出来。

最好的类比是心算和笔算。

同样解一道题：笔算的人，每一步都落在草稿纸上，你能逐步检查；心算的人，草稿纸是空白的，但他直接给你答案。过程没有消失，只是没有被写下来。

隐式模型就是那个心算的。技术上，它在「感知」和「动作」之间塞进了一组可学习的潜变量查询（latent query），把当前看到的画面、任务目标、以及对未来交互的判断，一起压缩进一个紧凑的潜空间（latent space）。未来信息不需要解码成一帧帧图像，直接以紧凑的数字表征参与训练和推理。

一个类比可能最直观。

你走进一个房间，一眼看到：有冰箱、几把椅子、一台电脑。

你记住了吗？记住了。但你真的「记住」了吗——那椅子是布艺还是皮革？冰箱的金属拉丝是横的还是竖的？桌面上有没有一道划痕？

你答不上来，因为你根本没记。你脑子里的房间，已经被压成了几个语义标签，加上它们之间的关系：椅子在桌子旁边，电脑在桌子上，冰箱在角落里。

这就是「隐式」。 它主动扔掉了所有不影响决策的细节，只留下结构。

所以「隐」这个字，隐在三处：

1. 隐在过程——感知和动作之间没有一道可见的墙，中间产物不落纸面

2. 隐在表示——「未来」不是一帧画面，而是一串压缩的数字

3. 隐在验证——没有草稿，老师没法逐步批改你的作业

四、把草稿扔掉，账才算得过来

「心算」值不值，看数字。

速度：以行业发布的隐式世界动作模型为例，推理速度是同类优化方案的 11 倍，是类生成式世界模型的 40 倍以上。在 A800、4090 这类卡上能跑到 30~45 FPS。

端侧：更关键的是，它在百 TOPS 级端侧芯片——差不多一块车载 Orin NX 的算力水平——上还能做到接近 20 FPS 的实时运行。而 Cosmos-Policy 在同类平台上只有个位数 FPS，多数显式模型干脆装不进去。

成本：同样按「单台机器人日扫码 2000 件快递」算账，显式方案的月算力成本在 8000 元以上，隐式方案的 Being-H-Flash 只要约 150 元/月——降了 98%。

端侧实时运行对机器人意义重大：更短的控制闭环、不依赖网络、更稳定的响应。机器人第一次可以不连云端，靠本地一颗芯片边想边做。

但别误会，把草稿扔掉不等于降低了难度。恰恰相反——为了「心算」靠得住，Being-H0.7 用了超过 20 万小时第一人称人类视频，加上 1.5 万小时机器人示教数据做预训练。

省掉的是推理的钱，补上的是预训练的功夫。这笔账只是换了地方算，没有消失。

五、没有草稿，谁来批改作业？

坦率来说，隐式路线最麻烦的就是这一条：你没法逐帧审计一个不逐帧生成的模型。

它说「3 秒后会接触」，中间过程全在一串你看不懂的数字里。错了，你不知道它哪一步想歪的。

有意思的是团队自己的验证办法：把观测画面和模型的中间变量一起喂给一个视频模型，把潜空间里「想」的东西反推成未来画面给人看。结果证明，潜空间的表征里确实已经包含了对未来世界状态的预测——它真的在「心算」，不是在瞎蒙。

但注意：这层翻译是事后补的。它能证明模型想了，不等于每次执行前都有人检查过。这个矛盾本质上没有消失，只是被缓解了。

六、心算之后，是手感

这条路线还在往前走。

最新一代的 Being-H0.8 把触觉也塞进了隐空间，做成了「隐式触觉世界动作模型」：先根据画面预判接下来会怎么接触物体，执行中读取触觉反馈，实时修正动作。背后的数据池已经堆到超过 50 万小时。

这个方向很对味——人夹薯片、挤牙膏，靠的从来不是盯着看，而是手感。手在碰到东西之前，大脑就已经预判了接触；碰到之后，指尖的反馈再实时修正动作。

机器人在学的，就是这套「预判 + 反馈」的本能。

七、写在最后

「隐式」翻译白话就是：显式，是把过程写在草稿纸上；隐式，是心算，直接给答案。

心算当然快，但也意味着你要么足够信任它，要么想办法偷看它的脑内草稿。目前看，行业选的是后者——先让它跑起来，再想办法验证它想得对不对。