异同、适用场景与布局建议

1. 大同小异，还是本质区别？

结论：同一问题族里的相邻范式，不是三个无关物种；但优化目标与数据/算力结构不同，不能当成换皮。

底层组件大量重叠（ViT、Transformer、VLM 编码、动作 chunk），所以工程上会趋同；差别在是否显式建模未来世界、未来用什么表示（无 / S / Z）。

flowchart LR
  subgraph 共同底座
    O["O 观测"] 
    L["L 语言"]
    enc["视觉·语言编码"]
    O --> enc
    L --> enc
  end

  subgraph VLA
    vlm["VLM"]
    ah["Action Head"]
    enc --> vlm --> ah --> A1["A"]
  end

  subgraph WAM_V["WAM · Video"]
    dit["视频基座 · DiT+VAE"]
    enc --> dit
    S["Ŝ 未来视频 latent"]
    dit --> S
    dit --> A3["A"]
  end

  subgraph WAM_L["WAM · Latent"]
    lwm["潜空间动力学"]
    enc --> lwm
    Z["Ẑ 未来潜表示"] 
    lwm --> Z
    lwm --> A2["A"]
  end

flowchart LR
  q["机器人控制：给定 O,L，下一步怎么做？"]

  q --> vla["VLA<br/>直接学 P(A|O,L)"]
  q --> wam["WAM<br/>先学世界，再出 A"]

  wam --> vid["Video：P(S,A|O,L)<br/>S = 可解码的未来画面"]
  wam --> lat["Latent：P(Z,A|O,L)<br/>Z = 不可解码的紧凑未来"]

  vla ~~~ vid
  vid ~~~ lat

  style vla fill:#e8f4fc
  style vid fill:#fff4e6
  style lat fill:#f0f8e8

一句话：VLA 是「看懂就说怎么做」；WAM 是「先想后果再动手」——Video 想的是可见未来，Latent 想的是抽象未来。

2. 各自更适合做什么？

3. 布局建议：大厂 · 政策 · 高校院所

flowchart TB
  subgraph 大厂["互联网大厂 · 宜重投入"]
    d1["视频/多模态预训练基建"]
    d2["WAM Video 底座 + 机器人后训练"]
    d3["闭环数据 · 评测 · 产品落地"]
  end

  subgraph 政策["政府/平台 · 宜补公共品"]
    p1["数采场 · 仿真 · 统一评测协议"]
    p2["开源基准 · 安全与伦理框架"]
    p3["算力券 · 共享集群"]
  end

  subgraph 高校["高校及院所 · 宜错位协同"]
    u1["基础研究 · 开源复现 · 评测方法学"]
    u2["细分场景数据 · 算法验证 · 人才培养"]
    u3["产学研课题 · 可复现 benchmark · 技术转移"]
  end

  subgraph 错位["不宜重复造轮子"]
    x1["各家各训巨型 Video WM"]
    x2["只押单一范式 · 忽视评测"]
  end

  d1 --> d2 --> d3
  p1 --> p2 --> p3
  u1 --> u2 --> u3
  p3 -.->|支撑 infra| u2
  p3 -.->|支撑 infra| d3
  u3 -.->|成果对接| d2