Die robotische Grundlagenforschung durchläuft einen signifikanten Paradigmenwechsel. Neben den etablierten Vision-Language-Action-Modellen gewinnen zunehmend World-Action-Modelle an Relevanz. Diese Architektur nutzt vorab trainierte Video- oder Weltmodell-Backbones, um gleichzeitig zukünftige Szenarienzustände und Roboteraktionen vorherzusagen. Der Ansatz adressiert die persistente Lücke zwischen sprachlichen Anweisungen und physischer Ausführung im Robotereinsatz. Während VLAs primär auf visuell-sprachlichen Internetvorlagen basieren und Aktionen erst nachlernen müssen, kodieren WAMs durch die Videovorverarbeitung bereits räumlich-zeitliche Dynamiken und physische Interaktionen. Die aktuelle Forschung differenziert drei Hauptparadigmen: Inverse-Dynamik-Modelle, die zunächst ein Zukunftsvideo generieren und daraus Steuerbefehle ableiten; Joint-Prediction-Ansätze, die visuelle Vorhersagen und Aktionssequenzen in einem Schritt berechnen; sowie rein repräsentative Varianten, die auf die Generierung zur Laufzeit verzichten. Für die Modellierung von Steuerbefehlen kommen entweder diskrete Aktionstokens, visuelle Zielencodings oder komprimierte Latent-Pläne zum Einsatz. Architektonisch etablieren sich Mixture-of-Transformers-Strukturen als praktischer Kompromiss, da sie modality-spezifische Gewichte erhalten, gleichzeitig aber durch geteilte Aufmerksamkeitsmechanismen eine enge Kopplung gewährleisten. Der beschleunigte Forschungsaufschwung ist vor allem infrastrukturellen Fortschritten zu verdanken. Verfügbarkeit leistungsstarker Video-Diffusionsmodelle ersetzt frühere rechenintensive CNN-Stacks, und moderne Aktionschunk-Policies ermöglichen präzisere Steuerung. Forschungspartnerschaften und Unternehmen wie NVIDIA, Xiaomi sowie spezialisierte KI-Startups erforschen aktiv diese Richtung. Erste Evaluierungen auf offenen Roboter-Benchmarks deuten darauf hin, dass WAMs mit vergleichsweise wenig spezifischen Demonstrationsdaten robuste Generalisierungsfähigkeiten aufweisen können. Praktische Hürden bleiben jedoch bestehen. Die Vorhersage von Video-Latents und Aktionssequenzen erhöht die Trainingskosten signifikant im Vergleich zu herkömmlichen VLAs. Zudem verlangsamt die generative Vorverarbeitung die Echtzeit-Inferenz oft um das Drei- bis Vierfache. Moderne VLA-Rezepturen haben diese Nachteile durch diskrete Aktionstoken und gradientenisoliertes Co-Training teilweise ausgeglichen, wodurch ein eindeutiger Marktstandard noch aussteht. Die langfristige Entwicklung weist eindeutig auf Konvergenz. Aktuelle Ansätze kombinieren visuell-sprachliches Verständnis mit weltmodellbasierten Planungsschichten. Beispiele aus der Praxis nutzen interne Weltmodelle zur Generierung visueller Teilziele, um die Sprachführung zu stabilisieren und Trainingskonvergenz zu beschleunigen. Parallel entstehen robotikspezifische Foundation-Modelle, die Interaktion und Kinematik von Grund auf trainieren, anstatt externe Webvorlagen lediglich anzupassen. Zusammenfassend etablieren sich World-Action-Modelle als zweite tragfähige Säule der Robotik-KI. Die Phase der architekturalen Exploration ist noch nicht abgeschlossen, doch die Synergie aus Videovorverarbeitung und präziser Aktionsvorhersage positioniert WAMs als zukunftsweisenden Standard für generalistische Manipulationsaufgaben. Der weitere Erfolg hängt maßgeblich von effizienteren Latent-Repräsentationen und hybriden Lernmethoden ab, die Rechenkosten und Inferenzgeschwindigkeit entkoppeln.