世界动作模型（World Action Model, WAM）是一种面向具身智能与机器人领域的新型 AI 基础模型架构。由 NVIDIA 于 2026 年 2 月最早提出，相关论文成果为 “World Action Models are Zero-shot Policies”，该论文提出了 DreamZero（一个 14B 参数的机器人基础模型），并首次明确采用 World Action Model (WAM) 这一术语来定义这类新型架构。论文指出，不同于传统的 VLA（仅做单步动作映射），WAM 是一种通过联合预测 “未来世界状态（视频流）” 和 “机器人动作” 来直接继承物理世界先验的基础模型，从而实现了极强的零样本泛化能力（Zero-shot Policy）。此外，NVIDIA 官方发布了一篇词条 “What Is a World Action Model?” 进行进一步解释说明。

2026 年 5 月，复旦大学、上海创智学院和新加坡国立大学在论文 “World Action Models: The Next Frontier in Embodied AI” 中做了系统性综述，论文明确将 WAM 定义为：“将预测性状态建模（Predictive State Modeling）与动作生成（Action Generation）相统一的具身基础模型，其目标是训练未来状态和动作的联合分布，而不仅仅是动作本身。”

以 NVIDIA 的 DreamZero 为例，WAM 的底层其实是一个巨大的视频生成模型（基于视频扩散骨干网络，如 Wan2.1 或 NVIDIA Cosmos）。核心工作流可以分为三步：

输入：当前画面 + 语言指令 + 机器人当前状态
⬇️
[ WAM 核心大模型 (如 14B 参数的 DiT 架构) ]
⬇️
联合输出 (One Forward Pass)：

1. 预测的未来视频帧（世界接下来长什么样）
2. 机器人每一帧的精确动作（6 自由度关节轨迹）

通过这种联合预测（Joint Prediction），动作和物理世界的演变被死死地绑定在了一起。机器人如果想正确生成动作，就必须在脑海里正确生成符合物理定律（重力、摩擦力、遮挡关系）的未来视频。