如果你最近关注机器人、具身智能或者智能驾驶，应该会经常看到这些缩写：VLM、VLN、VA、VLA、WM、WAM、VLX。它们背后其实指向同一条技术主线：
具身智能要做的事，是让模型从「看懂世界」，走向「能在世界里行动」，再走向「行动前能预判后果」。
七个核心概念速览
理解这些概念，关键不是先记住缩写，而是看清它们分别处理什么输入、产生什么输出。
| 概念 | 全称 | 核心问题 | 典型输入 | 典型输出 |
|---|---|---|---|---|
| VLM | Vision-Language Model | 看懂图像/视频 | 图像 + 文本 | 描述、问答、检测 |
| VLN | Vision-Language Navigation | 按指令导航到目标 | 第一视角图像 + 路线指令 | 路径、航点、导航动作 |
| VA | Vision-Action | 从视觉直接到动作 | 图像 + 状态 | 轨迹、控制量 |
| VLA | Vision-Language-Action | 按指令完成动作 | 图像 + 语言 + 状态 | 动作 token、轨迹 |
| WM | World Model | 预测世界变化 | 当前状态 + 候选动作 | 未来状态/视频 |
| WAM | World Action Model | 动作与未来联合建模 | 状态 + 目标/动作 | 未来变化 + 对应动作 |
| VLX | Vision-Language-X | 向更多任务扩展 | 图像 + 文本 + X 模态 | 导航、动作、控制等 |
这七个概念并不处在同一层：VLM 偏感知理解，VLN 把视觉语言放进导航任务，VA 和 VLA 开始输出动作，WM 和 WAM 则关注动作发生后世界会怎样变化。
VLM：机器如何理解图像和语言
VLM（Vision-Language Model）负责把图像、视频和语言放到同一个语义空间里理解。输入通常是图像或视频加文本提示，输出可以是图像描述、视觉问答答案、目标位置或空间关系。
比如给机器人一张厨房图，问它「桌上有什么」「红色杯子在哪里」「前方有没有障碍物」，VLM 不只是给图像贴标签，还能理解物体、位置、关系和场景含义。
VLM 的边界也很清楚：它负责理解，不直接负责控制。导航和动作要交给后面的 VLN、VA、VLA 继续处理。代表工作包括 CLIP、PaLM-E、Gemini Robotics 等。
VLN：按语言指令在空间里导航
VLN（Vision-Language Navigation）关注的是智能体能不能一边看环境，一边按自然语言指令走到目标位置。相比 VLM，VLN 多了「移动」和「停下」。
VLM 可能回答「门在前方」，VLN 要进一步判断：现在该往哪里走、走到哪里转弯、什么时候停下来。比如在 Room-to-Room 任务中，智能体会收到类似「上楼，穿过正前方的拱门，经过钢琴，在挂在墙上的麋鹿鹿角旁等待」这样的指令。
VLN 的核心难点：语言和视觉要对齐、局部视野下判断方向、长路线中的进度记忆、环境变化后的重新规划。可以理解为：VLM 让机器知道「眼前有什么」，VLN 让机器知道「该往哪里走」。
VA：不靠语言，直接从视觉到动作
VA（Vision-Action）即「视觉直接到动作」。模型看到图像、视频和当前状态后，直接预测动作、轨迹或控制量，不一定需要语言参与。
自动驾驶里的端到端驾驶策略就接近这条路线：摄像头看到道路、车辆、行人和车道线，模型直接输出未来轨迹、转向、加速度或刹车。
VA 的特点是链路短、延迟低，适合任务边界清楚的实时控制。但局限也明显：能输出动作但不一定能解释依据，遇到训练里没覆盖的长尾场景时泛化和安全性会成问题。
VLA：把视觉、语言和动作接起来
VLA（Vision-Language-Action）是机器人基础模型里很常见的一类。基本形式是：图像/视频 + 语言指令 + 机器人状态 → 机器人动作。
相比 VA，VLA 多了语言条件，可以处理更开放的任务。真实机器人任务往往不是固定控制问题，而是用户用自然语言说「把红色杯子放到水槽旁边」「打开抽屉把勺子拿出来」。
几项代表工作：RT-2 把机器人动作离散成 token，让视觉语言模型直接输出动作（一句话概括：把动作当成另一种 token）；OpenVLA 提供了完整的开源 VLA 基线；π0/π0.7 强调连续动作和通用机器人策略，用 flow matching 输出连续控制。
VLA 的主要难点：动作怎么表示、数据从哪里来、跨本体怎么做、实时性和安全怎么保证。现在很受关注，但远没有到「一个模型解决所有机器人任务」的程度。
WM：世界模型，让机器先预演未来
WM（World Model）要回答的问题是：如果现在这样做，接下来会发生什么？核心形式是当前状态 + 候选动作 → 未来状态/视频/奖励/风险。
VLA 关心「下一步动作是什么」，世界模型更关心「如果做这个动作，世界会怎么变」。比如机器人拿起杯子时预测杯子会不会滑，智能车变道时预测旁边车辆会不会减速。
代表工作包括 V-JEPA 2、NVIDIA Cosmos 等。
WAM：把世界模型和动作模型合起来
WAM（World Action Model）想把「动作生成」和「未来预测」放进同一个模型里。三个概念放到一起：
- VLA：看见什么 + 想做什么 → 下一步动作
- WM：当前世界 + 一个动作 → 未来会怎样
- WAM：目标 + 当前状态 → 未来世界变化 + 对应动作
一句话概括 WAM：它不只学习「动作是什么」，还学习「动作如何改变世界」。
比如机器人把杯子放进洗碗机：VLA 像直接输出动作序列，WM 像评估某个动作会不会让杯子倾斜，WAM 则希望在生成动作时就带着对未来结果的判断。代表工作包括 World Action Models: The Next Frontier in Embodied AI、NVIDIA World Action Model 等。
VLX：X 代表扩展，也代表边界还没定型
VLX（Vision-Language-X）重点在最后这个 X。它可以是 action、navigation、grounding、detection，也可以是 video、control、tool use，甚至更复杂的具身任务输出。
VLX 更像是一个扩展视角：视觉语言模型正在从「看图问答」向更多任务接口扩展。它还不是一个完全统一的学术类别，更适合用来理解趋势——视觉语言能力正在继续外接到更多任务。
苏米注
这些概念其实在回答同一个问题：模型如何从看懂图像和语言，走向在真实世界里移动、操作，并预判行动后的结果。VLA、世界模型和 WAM 经常被放在一起讨论，说明重心已经从聊天能力转向物理世界里的感知、动作和后果预测。对于开发者来说，理解这条技术主线比记住缩写更重要。