LLM 已开始内化视觉-语言-动作（VLA）与世界模型（WM）

当 LLM 足够强就没 VLA 和 WM 什么事了，GPT 可以在 Blender 里创造一个世界。

VLA 和 WM 试图解决的是 robotic manipulation 的问题。LLM 建 3D 模型的能力再强，也做不到实时输出 policy。另外，在 latent space 中做 planning 和 rollout，会比在重构的高维空间更容易，也更 robust。

不看好。LLM control robots 之前就有人做了，现在突然引爆就很奇怪；再说大小脑架构已经是共识，光靠大脑肯定不够。

感觉 WM 那些诡异的技术路线已经没有意义了。

越来越感觉这个，LLM 后续大概率会内化 VLA。

WM 是什么？

最终都是缝合怪。可以去拉一下 H3 拆一下，看看里面缝合了多少模型。

co-design 是正确的。

VLA 本身就是 LLM + action token 吧。