在机器人落地干活这条路上，世界模型（WM）被很多人认为是上限更高的技术路径，不过在行业逐渐对其范式形成共识之际。星海图团队发布的世界模型研究成果 Fast-WAM，让机器人的反应速度大幅提升的同时，也提出了一个非常直接的问题：
「WAM（世界动作模型）真的需要先想象再行动吗，它的能力究竟来自于哪？」
最近一两年来，从 WM 到 WAM，行业逐渐形成了一条相对清晰的路径，即感知、内部建模、想象未来、规划动作到执行的流程。
根据这些步骤，不少主流的 WAM 都遵循「先想象，再执行」的统一范式，模型在推理阶段，会根据当前观测 + 动作候选，生成未来的视频序列，在这些想象出来的未来中评估最优动作。
这套方法的直觉很好理解，看起来也非常合乎逻辑，但如果每动一下，都要生成一段视频来评估哪个动作最优，再加上动辄数百毫秒延迟的话，那在需要实时响应的现实场景中，它的可落地性就会大打折扣。
针对这些问题，Fast-WAM 给出了不一样的答案，机器人在推理阶段可以跳过未来预测，不必想好了再动手。并且世界模型的威力根植于视频建模能力，而非视频生成过程。
不过，如果推理阶段不再想象未来，那世界模型到底还剩下什么，Fast-WAM 又如何保证性能不出现下降？
把世界模型拆开看
在传统 WAM 中，视频预测既是训练目标，也是推理手段，这两件事是绑在一起的。
而 Fast-WAM 的出现，选择把训练与推理这两个纠缠不清的环节拆开。
- 训练阶段：Fast-WAM 没有抛弃世界模型最核心对世界动态的建模。在训练过程中，它依然输入当前观测 + 动作。预测未来的视觉变化，但这里的重点不在生成视频本身，主要是通过视频预测，让模型学会世界的因果结构和物理规律。
- 推理阶段： 在执行任务时，Fast-WAM 砍掉冗余的预测分支，不再进行迭代去噪，仅通过一次前向传播直接提取隐含物理规律的「世界表征」。世界模型仍然存在，只是不再以「显式想象未来」的形式出现。
在这个过程中，研究团队做了一些对照实验，实验结果显示：
- 保留训练中的视频建模，但删除推理阶段的视频生成，性能基本不变。
- 删除视频建模能力，性能明显下降。
这也就回答了开头的问题，WAM 的能力来自「学会世界」，并不是「每次都去生成未来」。
4 倍提速，机器人反应更快
如果说前面的变化还停留在范式层面，那么 Fast-WAM 最直接的结果，就是推理速度的显著提升。
在研究团队进行的多个实验任务中，Fast-WAM 将推理延迟降低至约 190 毫秒，相比一些需要进行未来想象的方案（800 毫秒量级），实现了约 4 倍的速度提升。
这里的提升主要是来自计算路径的变化，在传统 WAM 中，推理延迟主要消耗在多步 rollout（展开未来轨迹）和视频生成上，这两者叠加起来，让机器人的每一步动作决策，都需要一轮重计算，而且随着 rollout 步数增加，延迟线性甚至更高增长。
Fast-WAM 的提速，本质上来自三个方面：
- 去掉多步 rollout，从多步未来展开，变成单步前向预测，砍掉一个时间维度。
- 不再生成视频序列：从高成本的像素空间生成变成低成本的 latent 空间前向，计算复杂度明显下降。
- 决策变为一次前向传播：最终动作选择变成一次前向计算，而不是一个搜索过程，这让整个系统更接近策略网络。
在速度和实时控制方面，世界模型路线在此前一直都存在短板，这也是其难以落地实时运行的关键障碍。
很多世界模型方案的问题不在于能不能正确做出决策，问题就出在有没有及时响应的能力，毕竟在时刻都在变化现实场景中，快速应变在很大程度上影响着机器人执行任务时的成功率。
所以这 4 倍提速带来的，就是世界模型路线最需要的落地能力。
显式推理在逐渐弱化
最近一年来，关于如何让机器人规模落地的研究越来越多，大家也都不约而同地发现了机器人反应速度过慢的问题，在这个过程中，不同的路线也带来了相应的技术方案：
- 一类是以 Fast-WAM 为代表的世界模型路线，跳过推理阶段的未来预测，通过一次前向传播直接提取隐含物理规律的「世界表征」，从而提升推理速度。
- 另外也有 LaST₀ 这种 VLA 路线，选择不依赖「显式语言推理」，将思考过程转移到连续的隐空间时空表示中，在保留推理能力的同时显著压缩推理路径，让机器人反应更快。
- 以及像 DVA（直接视频动作）模型这样的尝试，让机器人直接从视频中学习世界如何变化，再将这种预测能力转化为动作控制，进一步压缩感知到动作之间的链路。
他们的路线虽然不同，但本质上都在走同一个趋势：显式推理，正在从必要条件，变成可选机制。
相比把问题想清楚，机器人更需要的是足够快的反应，和动态环境中的持续调整能力。在这种前提下，推理不一定要被展开，而是可以被压缩进模型本身。