具身智能“原生”覺醒：螞蟻靈波為何選擇一條更難的路？｜2026 WAIC

“物理智能的問題，還是要回到物理智能本身去解決。”7月10日，自稱不善言辭的螞蟻靈波CEO朱興，面對(duì)媒體這樣說。

當(dāng)天，這家成立僅一年半、團(tuán)隊(duì) 200 余人的公司，發(fā)布了業(yè)界首個(gè)具身原生世界動(dòng)作模型 LingBot-VA 2.0——連同此前一周密集發(fā)布的 LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-World 2.0 和 LingBot-Video，構(gòu)成了“全棧大腦 2.0”的完整版圖。

在具身智能這個(gè)被認(rèn)為“還沒到GPT-1.0時(shí)刻”的領(lǐng)域，數(shù)據(jù)瓶頸始終卡在那里，如何獲得更多數(shù)據(jù)，怎樣的路徑才是正確的，終局可能是怎樣的……過去一年多，這些一直都是業(yè)內(nèi)最關(guān)注的問題。

“數(shù)字世界和物理世界的需求天然不一樣。數(shù)字世界希望畫質(zhì)高、有想象力、有創(chuàng)造性；但物理世界更重要的是快，是合理。”在螞蟻靈波首席科學(xué)家沈宇軍看來(lái)，用數(shù)字世界的視頻生成模型“嫁接”到物理世界的機(jī)器人控制，這恐怕并不是一條可持續(xù)、正確的道路。

“嫁接”還是“原生”關(guān)于第一性原理的路線之爭(zhēng)

目前，具身智能智能大腦的主流技術(shù)路線大致分為兩類：VLA（Vision-Language-Action）基于多模態(tài)大模型對(duì)當(dāng)前狀態(tài)做反饋，優(yōu)勢(shì)在于理解人類意圖、落地成本低；另一類是世界動(dòng)作模型（WAM/VA），基于視覺生成模型做動(dòng)態(tài)建模和未來(lái)預(yù)測(cè)，但國(guó)內(nèi)大部分玩家仍在基于開源的數(shù)字世界視頻生成模型進(jìn)行改造。

螞蟻靈波同時(shí)布局了VLA和VA兩條線，但提出了核心質(zhì)疑：當(dāng)數(shù)字世界的模型設(shè)計(jì)之初就沒有考慮物理世界的需求時(shí)，強(qiáng)行微調(diào)會(huì)帶來(lái)什么？答案是“知識(shí)遺忘”和“泛化性下降”。

螞蟻靈波首席科學(xué)家沈宇軍舉了一個(gè)內(nèi)部稱為“開門見貓”的例子：一扇不透明的玻璃門后有一只貓。在數(shù)字世界的視覺理解中，貓是清晰可見的；但對(duì)機(jī)器人而言，從物理空間感知的角度，那只貓“不應(yīng)該存在”——因?yàn)椴ＡчT擋住了，機(jī)器人夠不到它。只有當(dāng)門打開，貓才應(yīng)該在機(jī)器人的“世界”中逐漸顯現(xiàn)。

這個(gè)例子暴露出兩種模型在底層設(shè)計(jì)邏輯上的根本分歧。“我們不認(rèn)為機(jī)器人是數(shù)字世界大模型的一個(gè)物理 Agent，”沈宇軍認(rèn)為，“數(shù)字世界很多模型在設(shè)計(jì)時(shí)，并沒有考慮物理世界的需求。”

這是螞蟻靈波選擇“具身原生”路線的出發(fā)點(diǎn)：不再依賴數(shù)字世界模型的能力嫁接，而是從動(dòng)態(tài)建模、因果預(yù)測(cè)、實(shí)時(shí)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(jì)。

螞蟻靈波此次發(fā)布的具身原生世界動(dòng)作模型 LingBot-VA 2.0有四大核心設(shè)計(jì)：語(yǔ)義視覺-動(dòng)作分詞器、嚴(yán)格因果預(yù)訓(xùn)練范式、MoE架構(gòu)、增強(qiáng)異步推理機(jī)制，這些都共同指向一個(gè)成果：?jiǎn)慰?50Hz的實(shí)時(shí)推理效率。

在具身世界模型普遍面臨執(zhí)行效率低的行業(yè)痛點(diǎn)面前，這個(gè)數(shù)字意味著機(jī)器人可以在執(zhí)行當(dāng)前動(dòng)作的同時(shí)，以足夠快的速度預(yù)測(cè)下一步。

數(shù)據(jù)，被忽視的暗線與被誤解的飛輪

“我們談那么多模型架構(gòu)，但如果數(shù)據(jù)達(dá)不到，無(wú)論是規(guī)模、質(zhì)量還是分布，模型架構(gòu)都是空中樓閣。”螞蟻靈波CEO朱興認(rèn)為，當(dāng)下的數(shù)據(jù)問題，是具身智能領(lǐng)域最殘酷的現(xiàn)實(shí)。

關(guān)于數(shù)據(jù)來(lái)源，螞蟻靈波首席科學(xué)家沈宇軍表示，仿真數(shù)據(jù)在固定場(chǎng)景中有用，但螞蟻靈波要做“通用大腦”，面對(duì)的任務(wù)不可預(yù)測(cè)，在當(dāng)前物理引擎還無(wú)法完美模擬所有物理交互的情況下，螞蟻靈波選擇以互聯(lián)網(wǎng)數(shù)據(jù)和真機(jī)數(shù)據(jù)為主，后者又分為有本體的真機(jī)遙操數(shù)據(jù)和無(wú)本體的人類數(shù)據(jù)（如 Ego視角、UMI采集方式）。

“遙操數(shù)據(jù)很貴，但人類數(shù)據(jù)能做的事情更多，”沈宇軍說，“Ego數(shù)據(jù)的上量速度比遙操快得多，短短半年左右，就有不少家達(dá)到十萬(wàn)小時(shí)量級(jí)。”

同時(shí)，螞蟻靈波CEO朱興反復(fù)強(qiáng)調(diào)數(shù)據(jù)的三個(gè)維度：規(guī)模、分布、質(zhì)量，尤其是多模態(tài)之間的對(duì)齊。“音畫不同步，這個(gè)數(shù)據(jù)就沒用。”更重要的是，靈波認(rèn)為數(shù)據(jù)的終極形態(tài)不是靜態(tài)的“堆量”，而是動(dòng)態(tài)的“飛輪”——模型在真實(shí)世界中應(yīng)用、迭代，失敗的數(shù)據(jù)反饋回來(lái)重新訓(xùn)練，形成一個(gè)自增強(qiáng)的閉環(huán)。

“失敗的數(shù)據(jù)的價(jià)值，在某種程度上可能更高，”朱興認(rèn)為，“這個(gè)行業(yè)真正的數(shù)據(jù)跑通，就應(yīng)該是有真實(shí)數(shù)據(jù)的應(yīng)用類數(shù)據(jù)反饋回來(lái)。”

這也體現(xiàn)在靈波從零搭建的數(shù)據(jù)閉環(huán)系統(tǒng)上，核心優(yōu)化指標(biāo)是“l(fā)atency”——從數(shù)據(jù)采集、處理、訓(xùn)練到反饋的完整鏈路周期。“我們不是只看數(shù)據(jù)量，而是通過模型訓(xùn)練的結(jié)果反向推動(dòng)數(shù)據(jù)要怎么弄，這個(gè)環(huán)路整個(gè)是通的。”

Scaling Law的曙光當(dāng)行業(yè)還在GPT-0.5時(shí)刻

當(dāng)下的具身智能行業(yè)，具身智能大腦還沒有達(dá)到大語(yǔ)言模型GPT-1.0時(shí)刻的水平，智能涌現(xiàn)尚未發(fā)生，這是行業(yè)共識(shí)。

不過，螞蟻靈波同時(shí)透露了一個(gè)令人振奮的信號(hào)：在靈波 2.0 系列的模型探索中，已經(jīng)看到了Scaling Law的苗頭。

在大語(yǔ)言模型的發(fā)展歷程中，Scaling Law——即模型性能隨計(jì)算量、數(shù)據(jù)量和參數(shù)量的增加而可預(yù)測(cè)地提升——是智能涌現(xiàn)的前兆。如果具身智能大腦也開始呈現(xiàn)類似的規(guī)律，那意味著這個(gè)領(lǐng)域可能正在接近一個(gè)關(guān)鍵的拐點(diǎn)。

“過去一兩年，具身智能的小腦和硬件進(jìn)展非常快，相比小腦的進(jìn)展，大腦的進(jìn)展是慢的。”朱興打了個(gè)比方：人可能從樹上下來(lái)之后，四肢一開始不是站直的，現(xiàn)在隨著大腦的發(fā)展，反向重新定義小腦和身體——“那應(yīng)該是未來(lái)幾年我們也會(huì)看到的事情。”

據(jù)了解，目前螞蟻靈波的模型已支持17家廠商20種機(jī)器人構(gòu)型，預(yù)訓(xùn)練階段已經(jīng)“見過”這些構(gòu)型對(duì)應(yīng)的真實(shí)數(shù)據(jù)，這意味著客戶在后訓(xùn)練階段的成本可以顯著降低。

同時(shí)朱興也坦承，從模型到真正的商業(yè)落地，后訓(xùn)練仍是不可逾越的環(huán)節(jié)，且技術(shù)門檻極高。靈波的商業(yè)化路徑呈現(xiàn)“抓兩頭”的特征：一頭是 Research 牽引，持續(xù)探索模型上限；另一頭是落地，包括與本體聯(lián)盟伙伴在倉(cāng)儲(chǔ)、服務(wù)、工業(yè)等場(chǎng)景的投產(chǎn)。

終局之問，一個(gè)模型還是多個(gè)模型？

從2025年底發(fā)布1.0系列，到2026年7月密集發(fā)布6款2.0模型，螞蟻靈波用不到一年時(shí)間完成了10款模型的迭代。

這么多模型，具身智能大腦的發(fā)展，最終到底是一個(gè)通用模型，還是多個(gè)專用模型？

“從螞蟻靈波的視角，我們最終可能只有一個(gè)模型。”沈宇軍認(rèn)為，今天螞蟻靈波發(fā)布多個(gè)模型，是因?yàn)槊總€(gè)模型解決一個(gè)具體的技術(shù)問題——LingBot-Video解決 MoE訓(xùn)練穩(wěn)定性問題，LingBot-World 2.0 解決雙向預(yù)測(cè)到單向預(yù)測(cè)的轉(zhuǎn)換問題……現(xiàn)在大家看起來(lái)好像是有很多所謂的技術(shù)路線之爭(zhēng)，但每一個(gè)“技術(shù)路線”解決的是一個(gè)具體的技術(shù)問題。當(dāng)這些技術(shù)問題被解了之后，慢慢的會(huì)融合到一個(gè)更好的模型里面去。

不過，這個(gè)時(shí)間表還存在不確定性，因?yàn)槠洳徊粊?lái)自模型本身，還有硬件的迭代周期。“迭代一款模型可能需要3個(gè)月，而迭代一款硬件可能至少要一年時(shí)間。”物理世界的周期與模型開發(fā)的周期天然不匹配，這也是具身智能領(lǐng)域獨(dú)有的約束條件。

“物理世界更重要的，不僅是快，還要合理。”沈宇軍說，這確實(shí)是一條更艱難的道路，需要更高的研發(fā)成本、更長(zhǎng)的驗(yàn)證周期、更大的不確定性。具身智能尚處在“非常早期”，如果僅依賴視頻生成模型，速度看上去是快的，但如果接不上需求，有一天走到死路的時(shí)候，最終還是必須退回來(lái)，自己開發(fā)。

當(dāng)行業(yè)主流還在用數(shù)字世界的視頻生成模型做“微創(chuàng)新”時(shí)，螞蟻靈波選擇從零開始，預(yù)訓(xùn)練一個(gè)為物理世界原生設(shè)計(jì)的模型；當(dāng)大家都在討論十萬(wàn)小時(shí)、百萬(wàn)小時(shí)的數(shù)據(jù)量時(shí)，靈波更關(guān)注數(shù)據(jù)的質(zhì)量、分布和閉環(huán)效率；當(dāng) VLA 和 VA 兩條路線被塑造成非此即彼的選擇時(shí)，靈波認(rèn)為它們終將融合為一個(gè)更完整的智能體。

“具身原生是我們認(rèn)為長(zhǎng)期正確的方向，我們?cè)谶@個(gè)方向延長(zhǎng)線上不斷往前，日拱一卒。”螞蟻靈波CEO朱興說，一方面要持續(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(chǎng)景生態(tài)，助力機(jī)器人加速走向產(chǎn)業(yè)場(chǎng)景。

據(jù)了解，2026年7月17日至20日WAIC 世界人工智能大會(huì)期間，在上海世博展覽館，螞蟻靈波將全面展示全棧大腦 2.0 的落地能力。