过去两年，世界模型是具身智能圈最被追捧的概念，主流玩家几乎都在做同一件事：让AI生成一段接下来会发生什么的视频，仿佛只要画面足够真实，机器人就能在里面学会干活。8月25日，清华系具身公司光象科技发布物理原生世界模型Phi-WM 1.0 ActEffect，把这条路反着走了一遍，不生成视频，也不在机器人动手时展开预测，而是把世界模型塞进训练环节，只回答一个问题：我这个动作，会让世界变成什么样？
今天的机器人大脑大致分两派。第一派是视觉语言动作模型VLA，把看到什么和语言指令直接翻译成做什么动作，本质是模仿演示，问题在于它只学会了匹配动作，从没被问过动作会带来什么物理后果，场景稍微一变，泛化能力就垮。第二派是世界动作模型WAM，把未来状态预测和动作生成绑在一起，但绑得含糊，模型分不清哪些变化是动作导致的，哪些只是场景自己在演化。
ActEffect走的是第三条路线，物理原生智能。它不生成视频，而是直接在任务无关的视觉特征空间里建模动作引起的物理状态转移，物体挪到哪、转了多大角度、有没有接触。核心洞察来自物理交互的时序因果结构：当前状态之后是动作干预，然后才产生结果。因此未来预测不应该只是动作生成的预见，而应该成为评估和改进动作提案的反馈。世界模型最自然的角色不是事前规划器，而是事后评估器。
围绕这一洞察，ActEffect做了三项创新。第一，用最小迭代策略作为骨架，让策略网络同时暴露三份完整的动作提案，前馈提案、粗提案和精提案，它们共享相同的当前状态和任务上下文，谁好谁坏可以独立评估比较。第二，引入反事实排序损失，强制精提案优于粗提案、粗提案优于前馈提案，并用梯度截断防止模型靠把差提案弄得更差来被动满足排序条件，真正推动好提案变得更好。
第三，把后果评估放在不接收任何语言指令的纯净物理空间里，采用冻结的DINOv3视觉特征，让模型只关心动作带来的物理变化，而不是动作是否在完成指令。消融实验验证了每一项设计的价值：去掉后果反馈，成功率从98.8%掉到97.0%；把DINO空间换成VLM特征空间，掉到97.3%；去掉前馈提案掉到98.2%；去掉排序损失掉到98.1%。每一项单独拿掉都会掉，证明三个设计各自扛着一块。
数据是最有力的证明。在LIBERO多任务操作基准上，ActEffect平均成功率达到98.8%，略高于基于预见的DiT4DiT的98.6%，明显领先基于反馈的FLARE和DUST的96.2%。真正的差距在LIBERO-PLUS，这项基准在相机、机器人初始状态、语言、光照、背景、噪声、布局七个维度施加受控扰动，检验模型面对分布偏移时的鲁棒性，ActEffect拿到80.3%，而Fast-WAM只有51.5%，差了近29个百分点。
在RoboCasa-GR1这个类人双臂、29维动作空间的高难基准上，ActEffect达到67.5%，超过Fast-WAM达10.8个百分点，超过DiT4DiT达16.7个百分点。这组数字说明，在策略动作的预测后果上给予显式的训练时反馈，带来的鲁棒性提升远超只靠预测性预见。世界模型不再只是炫技的预言家，而是训练时一次次校验动作后果的沉默裁判。
ActEffect推理阶段有一个反直觉的特性：训练完成后，受控世界模型被完全移除。推理时机器人看到当前观测，直接输出最终动作，整个过程只是一次前向计算，没有循环、没有展开、没有候选采样、没有未来预测。世界模型的全部收益在训练阶段就被蒸馏进了策略网络的权重，这是时序因果设计的自然结果，因为模型已经在训练期通过后果反馈学会了动作与状态变化之间的因果关联。
这一设计对量产的意义极为直接。每一次决策都展开世界模型，意味着算力成本随部署规模线性上涨，成本曲线难以收敛。ActEffect把世界模型移出推理链路，从根本上打破了算力成本与部署规模的正相关约束，为规模化应用提供了经济可行性。把思考前置到训练阶段，推理反而轻了，这正是物理原生智能路线最务实的价值。
光象科技由清华大学车辆与运载学院和人工智能学院联合孵化，这条路线并非停在论文里。在2026世界机器人大会上，其工业级自进化具身智能机器人Phi-Bot X1完成了5天连续36小时的焊接上下料与移动质检双工位自主循环作业，验证了物理原生智能从单一任务向多任务的泛化能力。公司目前已在汽车制造的真实场景完成上下料、质检等典型高价值工位的验证，并与多家国内外头部车企达成商业合作，正以汽车制造为起点向3C、电子及更广泛的泛工业场景拓展。
资本同样在用脚投票。2026年第一季度，约60亿美元涌入具身世界模型公司；英伟达机器人负责人Jim Fan曾抛出判断，世界模型将像transformer之于语言那样重塑机器人。当视频生成式世界模型遭遇物理规律拷问，当仿真基准与真实家庭任务的巨大鸿沟被反复提及，物理原生智能路线提供了一个新的参考答案。预测未来曾是AI最浪漫的叙事，而评估后果，才是机器人走出实验室、走进工厂和家庭的硬通货。