海量財經(jīng) | 從零開始預(yù)訓(xùn)練，螞蟻靈波發(fā)布具身原生世界動作模型LingBot-VA 2.0

　　海報新聞首席記者 周凌峰 報道

　　7月10日，記者從螞蟻集團(tuán)獲悉，螞蟻靈波發(fā)布業(yè)界首個具身原生世界動作模型LingBot-VA 2.0。據(jù)了解，該模型的發(fā)布，標(biāo)志著機器人基礎(chǔ)模型正式從“基于數(shù)字世界模型構(gòu)建”到“面向物理世界原生設(shè)計”的關(guān)鍵轉(zhuǎn)變。它代表了具身智能發(fā)展的一種關(guān)鍵路線選擇：機器人“大腦”不再依托數(shù)字世界模型能力的“嫁接”，而是從動態(tài)建模、因果預(yù)測、實時執(zhí)行等與環(huán)境交互的原始需求出發(fā)，進(jìn)行原生設(shè)計。

　　得益于具身原生架構(gòu)，LingBot-VA 2.0在真機測試中表現(xiàn)出了出色的執(zhí)行速度和泛化能力。以下面這個視頻為例，在不依賴任何外部拍攝設(shè)備的情況下，機器人就可以完成與人類的多輪隨機對打。

螞蟻靈波發(fā)布具身原生世界動作模型LingBot-VA 2.0（受訪者供圖）

　　記者注意到，今年以來，世界模型與具身智能怎么融合一直是各方關(guān)注的焦點。以終為始，從物理世界的“控制執(zhí)行”需求出發(fā)，就需要持續(xù)符合因果規(guī)律的“預(yù)測能力”。機器人要面對的是一個連續(xù)變化的真實世界，不僅要針對當(dāng)前情況作出反應(yīng)，還要理解一個動作會引發(fā)怎樣的環(huán)境變化，并據(jù)此決定下一步動作。當(dāng)前行業(yè)主流路線大多依托面向數(shù)字內(nèi)容創(chuàng)作的視頻生成模型，再通過微調(diào)的方式適配機器人控制任務(wù)。

　　然而內(nèi)容創(chuàng)作和機器人控制有著不同的出發(fā)點，內(nèi)容創(chuàng)作更在意畫質(zhì)和創(chuàng)意，機器人控制則更在意執(zhí)行效率和預(yù)測的合理性。上述這些不同導(dǎo)致數(shù)字世界的視頻模型和物理世界的視頻動作模型在設(shè)計之初就有各自的能力側(cè)重點，強行“微調(diào)”把前者適配成后者會帶來知識遺忘、泛化性下降等副作用。

　　螞蟻集團(tuán)工作人員表示，LingBot-VA 2.0選擇直面問題，探索一條更艱難的路——基于自回歸架構(gòu)從頭開始預(yù)訓(xùn)練，通過四大核心設(shè)計構(gòu)建原生基模。

　　首先，模型引入語義視覺-動作分詞器（Tokenizer）作為全新的視覺編碼器，在視覺壓縮過程中加入了語義與動作信息的對齊，使模型在后續(xù)的訓(xùn)練中更容易把“理解指令”轉(zhuǎn)化為“完成動作”，有助于指令跟隨與提升動作精度。其次，模型采用嚴(yán)格的因果預(yù)訓(xùn)練范式，讓模型從訓(xùn)練一開始就使用自回歸架構(gòu)，確保視覺預(yù)測和動作生成完全遵循單向時間順序。第三，引入MoE 架構(gòu)，在不犧牲推理效率的前提下有效擴大了模型容量，在性能和效率之間取得平衡。最后，通過增強的異步推理機制實現(xiàn)實時閉環(huán)控制，在機器人執(zhí)行動作的同時預(yù)測未來狀態(tài)，并利用最新真實觀測不斷校正下一步?jīng)Q策?；谶@些設(shè)計，在行業(yè)普遍面臨的具身世界模型執(zhí)行效率低這一問題上，LingBot-VA 2.0給出了單卡150Hz實時推理效率的答卷。

　　從“干活”的角度出發(fā)，機器人需要“看得更清楚”“想得更明白”“干得更利索”。本周，螞蟻靈波已經(jīng)連續(xù)發(fā)布和開源了多款模型，包括面向空間感知的LingBot-Vision和LingBot-Depth 2.0、面向“一腦多機”的動作模型LingBot-VLA2.0、面向?qū)崟r交互的LingBot-World2.0和面向更高推理效率的視頻生成基模 LingBot-Video。上述模型代表著螞蟻靈波在持續(xù)探索具身原生需要的細(xì)分方向能力，而LingBot-VA 2.0作為集大成者扮演了收官之作的角色，也正式開啟了具身原生新階段。

　　“一方面靈波將持續(xù)探索具身智能新上限，另一方面也將加速構(gòu)建開放的技術(shù)生態(tài)和場景生態(tài)，助力機器人加速走向產(chǎn)業(yè)場景。”螞蟻靈波CEO朱興對記者說。

　　據(jù)悉，螞蟻靈波將于7月17日至20日在2026世界人工智能大會（WAIC）期間，全面展示全棧大腦2.0落地場景的能力。

責(zé)編：遲　斌

審簽：曲欣萍