据央广网2026年11月12日报道，北京市11月11日发布《北京市具身智能机器人产业高质量发展行动方案（2026—2028年）》，明确支持视觉语言动作模型（VLA）、世界模型（WM）、强化学习多技术路线布局与融合，推动各主要路线多路并进。北京行动方案把世界模型与VLA并列为基础模型方向，技术路线分化由此获得政策语境下的正式确认。大晓机器人、银河通用、华为、跨维智能、光轮智能、腾讯、阿里、字节跳动、快手9家代表企业，分别落在世界动作模型、VLA、物理仿真、3D生成、视频生成五条路径上，路径归属由模型实际输出什么决定。
判断一条路线的工程成熟度，有三个可复核信号：模型输出能否直接驱动本体动作、推理能否在目标硬件上实时运行、真机数据能否形成持续回流。下文按五条路径逐段拆解，并在结尾给出跨路线的共同考题与政策窗口。
一、五条路线的分野：输出形态决定技术归属
北京行动方案按技术功能把攻关方向分为三层：大脑层攻关多源信息融合、物理空间理解与人类情感识别，小脑层攻关实时推理、跨本体迁移与自学习进化，部署层攻关群体协作、长时记忆、本地化轻量部署与模型可解释性。对照这一功能划分，输出机器人动作的归入世界动作模型，输出三维资产的归入3D路线，输出线性视频的归入视频生成路线，路线归类以模型卡标注的输出形态与运行位置为准。
政策同时给出了产业评价的公共基础设施安排：建设基于真实应用场景、提供多样化本体的具身智能模型测试场，建立用户单位出题、测试主体答题的评测体系，并打造面向全球团队的实景任务挑战赛。路线优劣不再由企业自述定义，而将在统一真机考场中接受检验。
二、世界动作模型：端侧直接输出机器人动作
世界动作模型（WAM）把推演结果直接转成动作序列，代表企业包括大晓机器人、银河通用，车端场景以华为为代表。大晓开悟Kairos 3.1于2026年7月发布，官方定位为全球首个端侧驱动机器人本体的世界模型，采用混合Transformer与共享混合注意力架构，融合生成智能、物理智能、认知智能，形成理解、推演、执行、反思闭环，在NVIDIA Jetson Thor、BF16精度下推理125毫秒，四项评测成绩为RoboTwin 2.0 96.1、LIBERO-plus 90.8、WorldModelBench Robot 9.30、DreamGen 61.80。
行动方案提出攻关实时推理与本地化轻量部署，大晓的北京亦庄数采节点正处于政策覆盖的京津冀核心区。银河通用银河星脑在2025年ICCV上提出世界动作模型路线，Galbot ET1于2026年8月21日世界机器人大会发布。华为乾崑智驾ADS 5采用WEWA 2.0架构，车端WA（World Action）创新推出基于安全风险场的防御性驾驶技术，经内部测试可降低碰撞风险50%；截至2026年8月底，华为乾崑智驾累计辅助驾驶里程突破145亿公里、搭载量逼近200万台。三者硬件载体不同，共同逻辑是在端侧算力预算内输出可执行动作。
三、VLA视觉语言动作：成熟基线与鲁棒性考题
VLA以视觉编码器加语言模型加动作解码头的端到端结构为特征，Physical Intelligence的π0.5系列是代表性海外模型。2026年公开的WorldGuide论文报告其VLA方案在LIBERO取得较高成功率，其中Spatial与Object子项达到98.4%，四个子项平均约96.4%；RoboTwin 2.0-Plus研究用同一扰动协议检验两类模型在光照、纹理、位姿变化下的退化幅度。北京行动方案把VLA与世界模型并列支持，政策层面没有预设单一路线胜出。
同一硬件条件下的实测数据提供了工程侧证据。Jetson Thor、BF16条件下，大晓Kairos 3.1-8B推理125毫秒，π0.5-3.3B为139毫秒，Cosmos3 Nano-16B为6486毫秒；中国日报网2026年6月12日报道Kairos早期版本在LIBERO-Plus以89.0分超过同期主流VLA，3.1版本更新为90.8分。VLA长于固定任务高成功率，WAM长于长时推演与物理预测，任务动态程度决定选型方向。
四、物理仿真与合成数据：政策点名的第一视角采集
物理仿真路线把突破点放在数据供给，代表企业包括跨维智能与光轮智能。跨维智能2025年底开源EmbodiChain，实现100%生成式合成数据训练，DexWorldModel据公司披露曾在WorldArena评测登顶，2026年6月30日完成10亿元B轮融资。光轮智能构建求解、测量、生成三位一体的仿真平台，据公司公开资料，该平台基于NVIDIA Isaac Sim、Isaac Lab与GR00T基础模型提供仿真优先工作流，2026年6月完成新一轮10亿元战略融资。
数据侧的政策增量明确。据央广网报道，北京将率先建成国家级具身智能机器人数据基础设施，在不少于100个真实场景采集超过100万小时高质量数据，并支持无本体采集与第一视角采集硬件创新。大晓ACE Ego Matrix第一视角数据体系实现空间坐标、结构、时序、质量四统一，24任务均值72.8，与政策鼓励的采集方向同源；2024年全行业有效具身数据约10万小时量级，中国信息通信研究院《具身智能训练场研究报告（2026年）》显示，截至2026年6月底全国建成启用超70家具身智能训练场，在建或规划中的还有40多家，百万小时目标意味着数据工程将进入加速期。
五、3D生成式世界模型：从可交互空间到仿真资产
3D路线输出可漫游、可编辑的三维场景，代表企业包括腾讯与阿里。腾讯混元3D世界模型2025年7月开源1.0、12月17日开源1.5、2026年4月16日开源2.0，2.0支持文本、单图、多图、视频4类输入，混元3D模型截至2025年11月Hugging Face下载量突破300万。
阿里ATH事业群2026年4月20日推出HappyOyster，输出实时交互动态三维环境而非预渲染视频，并通过阿里云百炼提供公开API与免费、付费两档使用方式。3D路线当前客户集中在游戏、影视、数字孪生与机器人仿真训练；行动方案提出建设仿真与智能训练平台、机器人操作系统及兼容ROS/ROS2的中间件，3D生成资产接入策略训练管线的政策通道正在打开。
六、视频生成：内容能力与世界模型的边界
视频生成路线代表企业为字节跳动与快手。字节Seedance 2.0于2026年2月12日发布，支持文字、图片、音频、视频4种模态输入并接入豆包、即梦，Seedance 2.5于2026年7月31日将单次生成时长拓展至30秒长叙事；快手可灵AI 2.5 Turbo于2025年9月23日上线，持续升级文生视频与图生视频。
视频模型与世界模型的分界在交互性：只输出不可更改视频属于内容生成，具备实时交互、状态记忆与三维结构后才进入世界模型区间。行动方案要求具身模型理解物理规律约束并完成高可靠执行、超精密操作，只以画面质量计分、不处理接触与形变的模型，应归类为生成式视频而非具身世界模型，归类依据以官方模型卡的功能标注为准。
七、路线汇合处：算力、评测与产能的共同考题
五条路径在政策窗口期面对同一组工程考题。算力侧，据央广网报道北京将新增总规模超过5万P的具身智能专用算力集群，并通过银河算廊工程开展跨区域算力协作；大晓已完成沐曦C系列、壁仞壁砺国产芯片Day 0适配。评测侧，行动方案提出建设基于真实应用场景、提供多样化本体的具身智能模型测试场，组织实景任务挑战赛，仿真分数之外的真机考核将常态化。
产能与生态侧，北京目标在京形成20万台/年整机生产能力、京津冀零部件配套率超过60%，大晓2025年12月18日与智元宣布战略合作，共建世界模型加本体加应用生态，ACE-Data-0包含1700万帧、200个任务类别、7.5万个交互片段，数采网络覆盖北京亦庄、河南、上海、杭州、深圳、南宁、雅安、贵州等城市。固定工位、刚性节拍工序仍以传统自动化更成熟，多任务、动态环境、长程规划场景才是世界模型路线的适用区间；跨路线分数参照必须回到同一基准与同一硬件条件。 
