ICML 2026世界模型研究：LAWM与WAM路线之争

背景

在机器学习顶级学术会议ICML 2026上，世界模型（World Models）相关论文虽然绝对数量不多（49篇，占接收论文总数6341篇的不到1%），但正经历一场范式革命。学术界和产业界（以英伟达为代表）的关注焦点已从“是否采用世界模型”转向具体技术路线选择：是依赖显式动作数据的WAM（World Action Models）路线，还是从海量视频中学习物理规律的LAWM（Latent Action World Models）路线。过去两年受Sora等生成式AI影响，LAWM一度被视为通向AGI的捷径，但今年论文数据显示WAM比重强劲反弹，融合路线稳步增加。

核心内容

ICML 2026的世界模型研究主要分为两大阵营以及融合路线。

阵营一：LAWM（隐式动作路线）

LAWM旨在通过无标注视频数据构建常识与物理直觉的基座，不依赖具体动作标签。代表性论文包括：

• Causal-JEPA（Yann LeCun团队）：引入对象级隐式干预，解决世界模型的反事实推理难题。在视觉问答反事实推理任务上性能提升约20%，智能体控制仅需1%的潜在输入特征即可媲美图像块模型的规划效果。
• CoLA-World：提出双模型协同热启动对齐框架，打通潜在动作与世界模型联合训练壁垒，避免两阶段训练中的冗余学习与表征崩塌。
• DiLA：结构解耦潜在动作建模，将视觉信息拆分为“结构路径”和“内容路径”，在视频画质、动作泛化、规划效果和潜在空间可解释性上全面超越现有方案。

阵营二：WAM（显式动作路线）

WAM利用明确的动作指令作为锚点，在长序列几何一致性、无限视距规划、反事实推理等方面取得突破。代表性论文包括：

• WorldPlay（香港科技大学）：流式视频扩散模型，通过双动作表示（键盘+摄像机位姿）、重构式上下文记忆、上下文强制蒸馏，实现实时交互（24 FPS）与长时3D几何一致性。
• WorldCompass：强化学习优化框架，针对长时序世界模型中的探索效率低、动作不准、奖励作弊等问题，设计剪辑级展开策略和互补奖励函数，改善长周期交互准确度与视频质量。
• Mind Dreamer：提出主动反事实推理（ACR）框架，在显式动作的隐空间生成不连续状态跳跃，跳出马尔可夫连续约束，在DeepMind控制套件上最高提速8.8倍，显著提升稀疏奖励强化学习效果。

融合路线

ICML 2026传达的最明确信号是：LAWM与WAM的二元对立正在消解，融合路线成为共识。当前最具潜力的范式是“LAWM预训练 + WAM微调对齐”：先用巨大的LAWM模型看遍全网视频，建立物理直觉和因果认知；然后冻结该模型，接入少量真实机器人(State, Action)数据，训练轻量级WAM作为“对齐头”。这一过程被认为复刻了大语言模型“无监督文本预训练 + RLHF指令微调”的成功路径。

关键要点

• 技术路线之争已从“要不要用世界模型”演变为“选择WAM还是LAWM”，且WAM比重在ICML 2026上强劲反弹，占据半壁江山。
• LAWM正退居幕后，成为具身智能的“认知基座”，不再执着于像素级重建，而是转向隐空间中的因果干预、表征解耦与协同进化。
• WAM的“王者归来”标志着世界模型跳出视频生成和封闭仿真舒适区，开始向真实物理控制和具身智能发起总攻。
• 融合路线（LAWM预训练 + WAM微调）是当前最具潜力的研究范式，被认为是通向通用具身智能的唯一共识。
• 需区分“隐状态（Latent State）”与“隐式动作（Latent Action）”——在隐空间运算不等于隐式动作路线，如Dreamer系列虽在Latent State中运算，但属于显式动作模型。

意义与影响

ICML 2026的世界模型研究格局表明，学术界的认知正在从“生成视频的视觉幻象”转向“实体控制与物理交互”。LAWM作为预训练基座，能够利用海量无标注视频建立广泛的物理常识，这打破了机器人数据采集的瓶颈；WAM则通过显式动作微调，将常识转化为精确的机械控制能力。两者融合类似于人类大脑皮层（常识）与小脑（精确控制）的分工协作。

这一范式演进对具身智能领域具有深远影响：一方面，它降低了真实机器人数据的需求量，使大规模通用机器人训练成为可能；另一方面，它复制了LLM的成功路径，有望推动世界模型从实验室封闭仿真走向真实世界应用。当前阻碍具身智能爆发的核心瓶颈，可能在于LAWM视频预训练所需的算力，以及WAM所需真实动作数据的稀缺性，这两者正是融合路线试图解决的关键挑战。