北京
記者 陳植
2026年7月10日，螞蟻集團旗下具身智能公司——螞蟻靈波發布業界首個具身原生世界動作模型LingBot-VA 2.0。
螞蟻靈波CEO朱興向記者透露，LingBot-VA 2.0不再沿用行業常見的“視頻生成模型微調”路線，而是基于自回歸架構從零開始預訓練，圍繞動態建模、因果預測、實時執行等機器人與真實環境交互的核心需求進行原生設計，從而讓機器人能在行動中持續理解真實物理環境變化，預測動作結果并生成下一步動作。
朱興表示，這意味著機器人“大腦”研發，正從“基于數字世界模型構建”轉向“物理世界原生設計”。它也給具身智能機器人發展帶來一種關鍵路線選擇，即機器人“大腦”不再依托數字世界模型能力的“嫁接”，而是從與真實物理環境交互的原始需求出發，進行原生設計。
這也是機器人“大腦”研發思路的又一次轉向。
去年，全球機器人“大腦”研發企業紛紛放棄此前依賴的真機遙操路徑，轉而探索純視覺學習方案。所謂純視覺學習方案，就是給機器人“大腦”觀看海量視頻，讓它直接學習人類動作與智慧，從而讓機器人能像“人類”一樣的感知、思考、決策與執行。
但是，這種學習方式令機器人“大腦”依然缺乏對物理真實世界的力學規律、物理屬性和動作意圖的理解，導致機器人“大腦”執行效率低下與機器人動作遲緩。
朱興告訴記者，究其原因，是當前機器人“大腦”研發的主流路線，是依托面向數字內容創作的視頻生成模型，通過微調方式適配機器人控制任務。但是，數字內容創作更在意畫質與創意，缺乏真實物理環境的隨機性變化與各種因果關系的相互影響，難以滿足機器人控制任務在執行效率與動作預測合理性等方面的高要求。
他向記者舉例說，通過向數字內容創作的視頻生成模型“學習”，機器人可以在一個方位固定的桌面上，拿起放在桌面指定位置的杯子。在真實物理環境下，這個杯子時常被人放在其他位置，機器人或需抬頭、彎腰、上前幾步才能看到杯子并伸手拿起。但是，由于機器人“大腦”此前缺乏對真實物理環境的感知—規劃—末端執行等方面的訓練，就不知道該采取哪些動作。
為了解決這個挑戰，部分機器人“大腦”研發企業嘗試通過強行“微調”，將基于數字內容創作的視頻模型調整為基于真實物理環境的視頻動作模型，此舉反而令機器人“大腦”出現知識遺忘、泛化性下降等問題——它剛做完若干個動作，就不知道下一個動作該做什么。
這讓朱興意識到，機器人面對的是一個連續變化的物理真實環境，其“大腦”不僅要針對當前情況做出合理反應，還要理解一個動作會造成哪些環境變化，據此決定下一步合理動作。
朱興表示，螞蟻靈波決定探索一條更艱難的技術研發路徑——基于自回歸架構從頭開始預訓練，引入語義視覺—動作分詞器（Tokenizer）作為全新的視覺編碼器，采用嚴格的因果預訓練范式，構建混合專家模型（MoE）架構，增強異步推理機制實現實時閉環控制，構建起適配真實物理環境的機器人“大腦”原生基礎模型，進而形成LingBot-VA 2.0。
但是，要讓機器人“大腦”看得更明白、想得清楚，干得更利索，還需要大量高質量數據的支撐。
朱興坦言，未來機器人“大腦”基于真實物理環境的訓練，還需引入聽覺、觸覺等多維度多模態數據，讓機器人除了“看得清”，還得“聽得懂”“觸得著”，更全面地感知真實物理環境的各種變化，做出更符合因果規律的動作預測，以及下一步正確動作。因此，螞蟻靈波將加速構建開放的技術生態和場景生態，助力機器人更快走向產業場景，通過更大范疇采集高質量數據，持續提升機器人“大腦”在真實物理環境里的感知、思考、決策與應變能力。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
