当一台机器人被要求“把鸡蛋打到碗里”时，它首先要理解蛋黄、蛋清与蛋壳的物理差异，判断磕碰的力度与角度，还要适应不同形状的碗沿——这背后依赖的，正是“世界动作模型”（World Action Model）这个核心技术。它不是传统编程中的“if-else”指令集，而是让机器人拥有对物理世界因果关系的直觉，从而像人类一样学会做家务。
什么是世界动作模型？
世界动作模型，本质上是具身智能体对物理环境的“心理模拟器”。它通过深度学习，从海量交互数据中提炼出让机器人理解“动作-状态-结果”的映射关系。举个例子：当机器人尝试抓取一个水杯，模型会预测“施加5牛顿力时，杯子是否滑动”，“倾斜30度后，水面会如何震荡”。这种预测能力让机器人不必依赖预设脚本，而是实时推理最优操作序列。与AlphaGo的规则模型不同，世界动作模型需要处理连续、高维、带噪声的物理信号——比如摩擦力、重力、物体形变。2026年卧安机器人发布的OneModel 1.7，在LIBERO基准测试中平均成功率达到99%，正是这类模型成熟度的标志。
它是如何让机器人学会家务的？
家务学习的核心难点在于“泛化”。传统工业机器人可以在十万次精确重复后学会焊点，但让它换一个品牌的烤箱，它就彻底“失忆”。世界动作模型解决这个问题的路径是：先构建一个包含家用物品（锅铲、毛巾、鸡蛋、碗碟）及场景（厨房、卧室、卫生间）的虚拟仿真环境，让机器人在其中进行百万次试错训练。每一次失败（比如煎糊鸡蛋）都被模型记录并修正参数，最终形成一种“物理直觉”——就像人类第一次用筷子需要练习，但学会了就能适应不同形状的筷子。
以叠衣服为例：传统方法需要精确提取衣物的关键点坐标，世界动作模型则允许机器人“观察-预测-执行”。它先通过视觉感知到衣物的皱褶分布，模型预测“从这个角提起后，重力会让布料自然下垂”，然后选择折叠顺序。在一次实验中，某团队让机器人学习叠T恤只用了200次实机操作，就达到了90%的成功率——而此前需要上万次重复编程。
从模拟到现实的“最后一米”
不过世界动作模型目前仍面临两座大山：一是数据获取成本。家务场景的物理交互数据极度稀缺，虽然仿真可以生成大量训练样本，但“模拟器到现实”的迁移仍存在偏差（比如仿真中鸡蛋壳的破碎阈值是线性的，现实中却受温度影响）。二是安全冗余。模型在99%的场景下表现良好，但剩下1%的异常（如猫突然跳上灶台）可能让预测完全失效。因此当前的主流做法是“模型+规则”混合架构：世界动作模型负责80%的日常决策，而硬编码的紧急刹车逻辑守护剩下的20%。比如“拾光S1”机器人在武汉公寓里做饭时，会先用激光雷达扫描附近是否有宠物，再启动炒菜动作序列。
让机器人学会做家务，本质上不是教它模仿人类动作，而是赋予它一个能不断自我演化的“物理世界认知引擎”。当这个引擎足够稳定，你家厨房里那个系着围裙的金属身影，才能真正做到“不用教，看一遍就会”。