World Action Models（WAMs）让 embodied agent 能够回答一个比“下一步做什么”更基础的问题：如果采取某个 intervention，物理世界可能发生什么。但现有系统的预测变量、action space、controller、dataset 和 runtime 往往各自成套，能力很难跨平台复用，实验结果也难以积累。 这篇 roadmap 将长期目标定义为 embodied brain：它理解 multimodal physical context、比较候选 intervention，并输出 intended state transition 或 capability request，而不是直接绑定某台机器人的 actuator command。随后由 physical harness 完成工具选择、控制适配、执行验证和 trace 记录。核心主张是，模型、harness、data/task contracts 与 closed-loop post-training 必须共同演进，physical intelligence 才能从单个 demo 变成可持续改进的系统能力。
1. 扩展瓶颈不只在模型大小
更多参数和更多 trajectory 可以增强模型能力，却不会自动统一不同机器人的坐标系、控制频率、action semantics 和 evaluation protocol。 论文把这些问题归纳为三组相互牵连的缺口：model and representation gap、objective and standardization gap，以及 ecosystem and systems gap。它们之所以需要一起处理，是因为 representation 决定哪些结果可被监督，评价标准决定哪些经验可信，系统接口又决定这些经验能否被其他组件继续利用。
2. WAM 提供 consequence，embodied brain 形成 intent
WAM 的关键并不在输出必须是 video、geometry 还是 latent，而在于它能否显式提供与决策有关的 consequence：某个 action 或 tool call 会带来怎样的状态变化，预测在哪个 horizon 和 reference frame 下成立，以及不确定性和适用条件是什么。 Embodied brain 的范围更大。它整合观察、任务和候选 intervention，形成可被下游执行系统理解的 intent。当前 WAM 可以视为这种 predictive capability 的 prototype，但并不等同于完整的 embodied brain，也不预设未来只能采用某一种架构。
3. Physical harness 把通用推理落到具体 embodiment
从 intent 到执行之间不能靠隐式约定。Physical harness 负责解析 capability，连接 tool model 与 controller，处理 embodiment-specific constraints，并检查执行结果。 这种分工不是简单追求模块化，而是为了让失败能够定位：问题究竟来自 physical reasoning、action grounding、controller，还是环境本身。只要责任边界可检查，端到端训练仍然可以使用；关键是中间语义不能再次被藏回不可比较的系统实现里。
4. Key Insight：让 interaction 变成可复用的经验
真实 interaction 的价值不只是一条成功率记录。论文提出用 Embodiment、Task 与 Trace Cards 保存任务条件、转换过程、执行状态、verifier 输出和最终结果，再通过分层 evaluation 决定哪些 trace 可以进入 closed-loop post-training。 这条路线把“模型自己从经验中学习”落到可操作的系统问题上：先让每次 interaction 的语义和责任可追溯，再谈规模化积累。对 open-world physical intelligence 而言，共享 contract 不是外围工程，而是模型能力能够跨任务、工具和 embodiment 生长的前提。
English Summary
This roadmap argues that scaling physical intelligence requires more than larger models or more robot trajectories. Existing action-centric and predictive systems expose incompatible action spaces, variables, datasets, and runtimes, which makes capabilities difficult to compare, reuse, and improve cumulatively.
Core Idea
A World Action Model exposes decision-relevant consequences of candidate interventions. The broader embodied brain reasons over multimodal physical context and communicates an intended state transition or capability request. A physical harness grounds that intent into tools and controllers, verifies execution, and records the outcome.
Why This Matters
Separating general physical reasoning from embodiment-specific execution makes model roles, failures, and interfaces independently testable. Shared prediction, task, and trace contracts also turn heterogeneous interactions into comparable training and evaluation records.
Practical Takeaway
Open-world physical intelligence is a co-evolution problem. Brain models, harnesses, tools, data construction, evaluation, and closed-loop post-training must improve through explicit interfaces; otherwise, scaling produces larger isolated systems rather than reusable intelligence.