李飞飞、吴佳俊再联手，打破世界模型和机器人动作的「巴别塔」
产业动态
来源：雷峰网发布时间待核实
视觉轨迹充当“同声传译”，让世界模型和机器人动作真正“同频对话”。 作者丨幸丽娟 编辑丨岑 峰 日前，一篇叫做《TrAct: Bridging Robot Control and Visual Prediction with Visual Tracks》的论文悄然上线 arXiv。论文署名中出现了两个大家很熟悉的名字——李飞飞、吴佳俊。 论文链接：https://arxiv.org/html/2608.24101v1 熟悉具身智能圈的人都知道，这两个名字放在一起，分量不轻。 李飞飞是世界模型“空间智能”方向的旗帜人物，而刚刚领完 IJCAI 2026 计算机与思想奖的吴佳俊，则是这一领域最核心的研究者之一。 这两位长期合作的学术战友，最近在具身智能领域动作频频。就在一个月前，他们刚与 ControlNet 作者张吕敏等十余位学者共同发表了《Masked Visual Actions for Unified World Modeling》，把机器人动作渲染成像素轨迹，喂给视频世界模型。 但对于他们而言，之前的尝试或许还不够彻底。 世界模型能看懂机器人动作了，但机器人动作那一侧的问题还卡着…