已收录文章摘要，完整内容可前往原文阅读。
在 Physical AI（物理人工智能）的语境下，一个机器人或自动驾驶系统往往需要同时调动一整套模型：用 VLM 做场景理解、用视频生成模型做未来模拟、用 VLA / 世界-动作模型做动作预测。这