从端到端黑盒到可审计接口：AI系统如何重构具身控制、长程记忆与世界模型架构？

当机器人、智能体或问答系统出错时，企业真正需要的往往不是一个更大的端到端模型，而是能够回答“它在何时、依据什么、经过哪一步作出决定”的中间接口。2026年9月7日至10日公开的几项研究，分别从世界模型、具身控制和长程记忆切入，呈现出一个共同方向：把原本隐含在模型内部的状态、计划、动作和证据拆出来，变成可观测、可重放、可验证的工程对象。它们并不意味着成熟的商业系统已经完成模块化，但说明“中间接口”正在成为下一代 AI 架构值得重点评估的设计选择。

从“直接生成结果”转向“生成可检查的中间状态”

端到端黑盒架构的优势很明确：数据路径短，训练和推理链路相对统一，在任务边界清晰、反馈密集的场景中可以获得较高的开发效率。但它也把多个问题压缩到同一个输出函数中：

• 当前观测如何被理解；
• 历史信息保留了什么；
• 下一步动作为何被选择；
• 环境状态是否发生了未观测变化；
• 输出是否符合业务规则或安全约束。

一旦结果错误，工程团队通常只能通过日志、输入回放或重新运行模型来定位原因，而很难直接检查一个稳定的中间变量。

模块化架构并不是简单地把模型拆成更多服务，而是明确规定模块之间交换什么信息。例如：

1. 世界状态接口：记录实体、属性、关系和状态转移规则；
2. 语义动作接口：将高层意图表达为可执行、可验证的动作或动作序列；
3. 记忆与计划接口：把历史经验转化为当前任务可用的计划依据；
4. 证据接口：保存回答对应的原始来源、定位信息和引用范围；
5. 执行反馈接口：记录动作是否执行、环境是否响应以及状态是否偏离预测。

这些接口带来的收益是可观测性、可调试性和约束能力，代价则是接口设计、数据同步、延迟控制和故障隔离都变得更加复杂。

具身智能：语义动作接口把“想做什么”和“怎么执行”分开

机器人控制最容易暴露端到端黑盒的局限。高层模型可能理解“把易碎物品放到左侧托盘”，但真正的控制系统还需要处理目标识别、抓取姿态、碰撞约束、动作持续时间以及执行失败后的恢复。

因此，具身系统中的关键中间层，不一定是自然语言本身，而可以是结构化的语义动作接口。它应至少包含：

这种接口可以让高层模型负责任务分解，让低层控制器负责轨迹和执行安全。模型说“将杯子移动到托盘”，控制器再把它转换成连续轨迹；如果抓取失败，系统可以重新执行抓取子程序，而不必重新生成完整任务。

OpenWAM 的研究动机与此相近。论文指出，现有世界—动作模型往往将生成骨干、视觉表示、架构、信息流、推理过程和训练数据紧密耦合，难以判断究竟是哪项设计影响了结果。其提出的 OpenWAM 将相关设计空间拆分为可组合模块，试图把世界—动作模型预训练转化为更可控的实验体系。

这里的重点不在于“模块越多越好”，而在于能否建立稳定的责任边界。企业评估机器人方案时，应要求供应商说明：

• 高层决策输出是否具有固定 schema；
• 动作是否支持幂等、撤销和重试；
• 失败时能否定位到感知、规划、控制或执行反馈；
• 是否可以保存完整轨迹并在仿真环境中重放；
• 安全约束是在模型外部强制执行，还是仅依赖提示词和训练行为。

世界模型：从生成画面转向维护可查询的环境状态

视频生成式世界模型擅长产生视觉上连贯的未来画面，但“看起来合理”不等于“状态持续正确”。长时间交互中，系统还需要知道：

• 某个物体是否仍然存在；
• 物体是否离开了当前视野；
• 一个属性是否已经发生变化；
• 两个实体之间的关系是否被动作改变；
• 某条规则是否应当继续生效。

Programmable World Model 直接针对这一问题提出架构：将世界状态演化与视觉观测生成解耦。根据论文摘要，代理将自然语言指令转换为可执行程序，由程序指定实体状态和状态转移规则；轻量引擎负责维护显式、持久的全局世界状态，其中还包括画面外实体和非视觉属性，再将状态用于视觉生成。

这类设计将“世界模型”从单纯的预测器推进为一种可编程状态机。对工程系统而言，价值主要体现在三点。

1. 状态可以独立检查

视觉输出出现异常时，开发者可以先检查状态表和状态转移规则，而不是只观察生成画面。例如，若系统把一个物体错误地显示在原位置，可以区分是状态没有更新，还是状态正确但渲染过程出错。

2. 规则可以在模型之外执行

涉及库存、生产流程或安全区域时，关键约束不应完全寄托在生成模型的概率输出上。可编程规则可以作为确定性校验层，阻止不符合条件的状态转移。

3. 画面外信息能够持续存在

在真实机器人或数字孪生系统中，当前摄像头没有看到某个实体，并不代表它从世界中消失。显式全局状态有助于减少“离开视野即忘记”的问题。

但这也引入新的风险：自然语言到程序的转换可能出错，状态规则之间可能冲突，状态引擎与真实环境之间可能产生延迟。因此，部署时应关注状态更新延迟、状态一致性、规则冲突率、离屏实体召回率，以及错误状态是否支持回滚。

长程记忆：不要让执行器反复吞下全部历史

复杂机器人任务通常不是马尔可夫过程。当前画面可能不足以判断下一步行动，系统还需要知道此前发生过什么、哪些尝试失败过，以及任务已经完成到哪一步。

Memory as Plans: World-Action Modeling with Memory-Grounded Planning 将这一问题拆成两个阶段：基于记忆的规划与计划条件下的执行。论文摘要指出，MaP-WAM 使用长期多模态情景上下文作为规划阶段的证据，而不是让执行器反复接收全部历史；其核心做法是将记忆表示为已完成的计划。

这种“记忆即计划”的设计，解决的是历史覆盖与执行效率之间的矛盾。若每次动作都拼接完整视频、图像和语言历史，计算开销会持续增长，且执行器可能被无关细节干扰。若只保留语言摘要，又可能丢失关键视觉证据。将历史首先用于规划，可以把大量原始记忆压缩为当前任务所需的计划，同时保留必要的证据引用。

它对智能体工程的影响包括：

• 记忆检索从“相似文本”转向“相关经历”：检索目标不仅是关键词，还包括任务阶段、失败原因和环境条件；
• 执行器输入更加稳定：执行器主要接收当前状态与计划，而非不断扩大的历史窗口；
• 计划可以被单独评估：可以检查计划是否覆盖前置条件、是否存在冲突步骤；
• 失败恢复更容易设计：系统可以回到某个计划节点，而不是从头重新生成。

不过，计划并不是记忆的完整替代品。对于精细操作，原始视觉证据仍可能决定抓取点、物体朝向或障碍物位置。企业采购时应要求系统同时提供计划摘要与证据索引，并测量记忆压缩后关键细节的保留率，而不能只比较上下文长度或平均响应时间。

引证审计：知识问答也需要“证据接口”

具身系统要审计动作，知识问答系统则要审计回答依据。两者面对的对象不同，但工程原则一致：不要只保存最终输出，还要保存中间证据链。

一个可审计的问答接口至少应记录：

1. 用户问题及其版本；
2. 检索到的文档、时间和权限范围；
3. 文档中的具体片段或页码定位；
4. 模型对证据的归纳关系；
5. 最终回答中的每个关键断言；
6. 引用是否真正支持该断言；
7. 信息缺失、来源冲突或超出证据范围的部分。

这与普通的“回答后附几个链接”不同。链接只能证明系统访问过某个页面，不能证明页面支持回答中的全部判断。严格引证审计应把断言、证据片段和引用位置建立可追踪关系，并允许审计人员重放当时的检索结果。

在企业知识库、政策解读、金融研究和采购决策中，这一接口尤其重要。系统可以允许生成式模型表达自然语言，但必须在输出前后增加确定性检查，例如：

• 每个可核验断言是否存在证据；
• 证据发布时间是否满足业务时效要求；
• 引用内容是否与断言主题一致；
• 是否把推测写成事实；
• 多来源冲突是否被明确标注；
• 文档权限和敏感信息是否被正确处理。

需要注意的是，当前给出的论文资料主要集中于世界模型、世界—动作模型和长程记忆，并未提供一篇专门讨论企业知识问答引证审计的论文。因此，引证审计在这里应被视为从“可审计中间接口”原则延伸出的工程架构，而不能被表述为上述论文已经验证的统一方案。

四类接口的共同价值与不同代价

这说明模块化并不自动带来更强泛化能力。它首先改善的是系统的可解释操作面：开发者能够看到更多状态，企业能够增加更多策略控制，测试人员能够重放更多中间步骤。至于最终任务成功率，仍取决于数据质量、模型能力、传感器条件、执行环境和接口本身的正确性。

企业评估时应优先看哪些指标

企业不应只比较模型参数量、演示效果或单次任务成功率。对于可审计AI架构，更有价值的是以下指标。

可控性指标

• 结构化动作或计划的格式合规率；
• 约束规则拦截错误动作的成功率；
• 状态更新与真实环境的同步延迟；
• 计划修改是否只影响局部节点；
• 是否支持人工审批、暂停和回滚。

调试成本指标

• 从错误结果定位到具体模块所需时间；
• 失败轨迹是否能够完整重放；
• 是否能区分感知、记忆、规划、执行和证据错误；
• 更换单个模块后是否需要重新训练整个系统；
• 日志、状态和证据的存储成本。

泛化与稳定性指标

• 在未见过的实体、布局和任务组合上的表现；
• 长时间运行后的状态漂移；
• 记忆压缩后关键视觉细节的保留率；
• 规则变化或知识库更新后的适应时间；
• 面对冲突信息时的拒答和标注能力。

部署条件指标

• 推理链路中的端到端延迟；
• 本地部署与云端部署对网络的依赖；
• 状态引擎、向量库、日志系统和模型服务的资源需求；
• 多租户环境下的权限隔离；
• 版本升级后能否复现历史结果；
• 设备故障或模型不可用时的降级方案。

其中，“可回放”应成为采购验收中的硬指标。一个系统如果只能展示最终回答或最终动作，却不能还原当时的状态、计划、证据和执行反馈，就很难满足高风险业务的责任追踪要求。

端到端黑盒仍有适用场景

中间接口不是对端到端模型的全面否定。在动作空间简单、反馈频繁、失败代价较低的场景中，端到端模型可能拥有更短的工程链路和更好的平均性能。对于需要快速验证的原型，过早引入完整状态机、记忆层和审计系统，也可能造成不必要的开发负担。

更现实的选择是按风险分层：

• 低风险、短流程任务，可以保留较强的端到端路径；
• 中风险任务，应增加结构化动作和执行反馈；
• 长时序、强约束任务，应引入显式状态、计划和可回滚节点；
• 高合规知识应用，应将证据链和版本审计置于生成模型之外；
• 涉及人身、资产或生产安全的场景，关键规则应由确定性控制层执行。

从这个角度看，下一代架构的核心并不是“纯黑盒”或“纯模块化”二选一，而是决定哪些环节必须被外显、哪些环节可以继续交给模型学习。越接近风险边界的输出，越需要稳定的中间表示和可验证接口。

截至2026年9月10日，相关论文更像是在展示一组正在成形的工程方向，而不是已经统一的产业标准。它们共同提示企业：评估AI系统时，问题不应止于“模型能不能完成任务”，还应继续追问“模型以什么状态完成、能否解释中间步骤、错误能否重放、规则能否介入、证据能否核验”。当这些问题被纳入架构设计，中间接口才会真正从研究论文中的模块，转变为可审计AI架构的工程核心。