機器人大腦競賽升級，螞蟻靈波開源“通用大腦”

2026年被普遍視為具身智能行業“商業落地的分水嶺”。資本不再追捧實驗室里的Demo，追問變成了同一個問題：你的機器人，到底能不能在真實場景里穩定干活？

這個追問背后，是一級市場正在經歷的劇烈分化：

頭部項目的估值仍在飆升。2025年底以來，全球具身智能領域單筆過億美元的融資密集出現，“通用機器人大腦”成為資本市場的核心敘事。但另一邊，中腰部項目正在遭遇前所未有的融資寒冬。

一位FA從業者曾表達過一個觀察：“2025年之前，團隊背景好、Demo做得漂亮就能融到錢。2026年，投資人更關心有沒有落地客戶、復購率多少。”沒有真實場景驗證的項目，估值再高也拿不到新錢。

這種分化正在倒逼整個行業面對一個尷尬的現實：機器人的“小腦”和硬件在加速進化，“大腦”卻跟不上。要讓機器人在真實商場、家庭、工廠里干活，不能只是聽懂指令或完成單步動作，它需要具備空間理解、連續推理和長序列動作生成能力。當前行業最缺的，正是一個能跨本體、跨場景、跨任務的“通用大腦”。這是整個具身智能行業走向規模化落地必須跨過的門檻。

7月8日，螞蟻靈波科技宣布升級并開源具身基座模型LingBot-VLA 2.0。相比上一代，2.0版本基于更大規模的真實數據積累和模型架構升級，在空間感知、多本體泛化、全身自由度控制和長序列任務執行上實現了全面突破。在資本涌向頭部、行業急需落地驗證的時間點上，螞蟻靈波試圖回答那道門檻問題：通用大腦，能不能做得更好、成本更低、適配更快？

行業最大的瓶頸，不是硬件，是大腦

具身智能的產業化進程，正處在一個微妙的時間節點。

2025年中國具身智能市場規模已達9150億元，同比增長20.4%，分析師預測2026年將進一步增長至10904億元。一位業內人士的判斷頗具代表性：“2026年是具身智能產業化的元年，行業將進入交答卷階段。”

但答卷不好寫。原因不在于硬件。過去兩年，人形機器人、協作機械臂、四足機器人的硬件成熟度大幅提升，供應鏈成本持續下探。真正的瓶頸是卡在“大腦”上。

在復雜的真實物理世界中，缺乏高質量數據支撐的機器人往往難以實現“好用”。視覺-語言-動作模型等基礎模型在穩定性和規模化落地方面仍存在明顯短板。具身智能數據采集成本高、效率低、質量難以有效管控，這已是行業公開的痛點。

更隱蔽的瓶頸還在于“適配”。不同機器人本體之間差異巨大，每一種新構型、新場景、新任務的接入，都意味著大量的重復適配和重新訓練。一家工廠買了三臺不同品牌的機械臂，可能就需要三套不同的操作模型。這種碎片化，是具身智能規模化落地最大的隱性成本。

行業不缺能做演示的機器人，缺的是一個能讓不同形態的機器人快速獲得操作能力的通用大腦。這個通用大腦需要同時解決三個問題：第一，對不同機器人構型的兼容能力；第二，對開放場景的適應能力；第三，對長序列復雜任務的穩定執行能力。

“從大腦的角度，無論是模型能力，還是模型落地的效率成本，都急需加速升級。”螞蟻靈波在發布中這樣表述。LingBot-VLA 2.0的升級和開源，正是在這一產業背景下展開的。

四個核心升級，算清一筆落地賬

LingBot-VLA 2.0的升級核心，直指產業落地關鍵命題：這套大腦，能不能讓產業客戶以更低的成本、更高的效率，讓機器人在真實場景中穩定干活？

首先是多本體泛化升級。LingBot-VLA 2.0支持20種以上機器人構型，覆蓋了樂聚、松靈、智元、星塵、星海圖、銀河通用、realman、franka、方舟、天宮、UR、GR2、magic_gen、spirit、A2T2、zerith、非夕、青龍、宇樹等主流平臺。對產業客戶來說，不需要為每一臺不同品牌的機器人單獨開發和訓練操作模型，一套大腦就能覆蓋多種本體，適配成本大幅降低。

支撐這一能力的，是數據管線和訓練體系的升級。螞蟻靈波從9萬小時數據中清洗出5萬小時高質量真機數據，搭配1萬小時ego數據，預訓練總量達到6萬小時。重點除了數據量，還有“高質量”。在具身智能領域，數據質量直接決定后訓練效率和模型穩定性。

其次是全身自由度控制和移動能力。相比只圍繞機械臂或末端執行器完成動作生成，LingBot-VLA 2.0 支持頭部、腰部、靈巧手、底盤等全身自由度。真實場景中的復雜任務往往需要多個身體部位協同完成。例如，在貨架上取一件商品，可能需要底盤移動、腰部調整、頭部確認、靈巧手抓取，好幾個動作一氣呵成。這個升級讓模型更接近“真實干活”的狀態。

第三是后訓練與推理效率提升。產業落地不是模型訓練完成就結束，真正的難點往往發生在接入新本體、新任務和新場景時。LingBot-VLA 2.0 進一步降低后訓練門檻，推理效率較上一版本提升 3 倍，推理耗時控制在 150 毫秒以內。對開發者和產業客戶來說，這意味著模型不僅要在基座層面具備泛化能力，也要在具體部署時更快完成適配和響應。

最后是空間感知增強。2.0版本默認融合了LingBot-Depth 空間感知能力，讓機器人在生成動作前獲得更充分的三維空間理解。在真實物理世界中，操作失敗經常不是因為指令理解錯了，而是對空間關系判斷失誤，尤其是遇到透明、反光、密集、細小等復雜場景。抓取位置偏了幾厘米，放置角度差了幾度，任務就失敗了。空間感知能力的升級，直接提升了操作決策的穩定性。

此外，LingBot-VLA 2.0 還增加了動態建模能力，可以預測未來深度與語義特征，讓模型不僅理解“當前看到什么”，也能更好判斷“任務接下來會如何演化”。這對長序列任務尤其關鍵，因為真實場景中的機器人執行不是一次性動作，而是連續觀察、決策和調整。

這些技術升級落到產業層面，就是三筆實打實的賬。

第一筆，適配成本。支持20種以上機器人構型，產業客戶不需要為不同品牌、不同形態的機器人重復投入模型訓練成本。一套大腦，多種本體通用，這是降低具身智能規模化部署邊際成本的關鍵一步。

第二筆，接入效率。后訓練門檻進一步降低，推理效率環比提升三倍，推理耗時控制在150毫秒以內。這個反應速度已逼近人類直覺反應的閾值。一個新場景、新任務的適配周期可以從幾個月壓縮到幾周甚至幾天，直接決定了具身智能能不能真正進入商業閉環。

第三筆，任務穩定性。基于上海交通大學GM-100評測體系，LingBot-VLA 2.0在雙臂操作任務上取得了新的能力突破，并在長程移動操作任務上與Pi0.5、GR00T 1.7等業界領先模型進行了對比驗證。空間感知增強、全身自由度控制、MoE架構、未來深度預測，這些能力疊加在一起，最終落在一個點上：機器人在真實復雜場景中執行長序列任務的穩定性顯著提升。而穩定性是規模化落地的前提。

“大腦競賽”，比的是誰能真正落地

如果把時間線拉長來看，具身智能行業正在經歷一場從“炫技”到“務實”的轉變。

2024年之前，行業的主旋律是“能做出來”。人形機器人能走路了，機械臂能抓取了，大家都覺得很興奮。2025年開始，主旋律變成了“能落下去”。2026年，這個轉變正在加速。行業不再需要更多能做Demo的機器人，需要的是一個能讓機器人真正在物理世界里干活的“通用大腦”。

圍繞這個“通用大腦”，一場激烈的競賽已經打響。

海外方面，Physical Intelligence在2025年11月完成6億美元B輪融資，投后估值56億美元，亞馬遜創始人貝索斯持續跟投，OpenAI作為早期股東參與投資。其推出的π模型走的是“通用機器人基礎模型”路線，試圖用一套模型驅動多種機器人完成復雜操作任務。

Figure在2025年9月完成超10億美元C輪融資，投后估值達390億美元；公司早在 2025年2月便宣布終止與OpenAI的合作，轉向自研端到端AI模型Helix，搭建自有機器人智能體系。

Skild AI在2026年1月獲得軟銀領投的14億美元C輪融資，投后估值超140億美元，企業聚焦通用世界模型研發，核心能力是讓機器人在真實物理環境中實現零樣本任務泛化。

國內同樣熱鬧。星塵智能在2025年推出Astribot S1后，持續強調“從數據到模型到本體”的全棧自研路線。智元機器人在2025年發布“啟元大模型”，走的是“模型定義硬件”的路徑。銀河通用則在2026年初宣布完成新一輪融資，繼續押注“通用操作能力+多場景落地”的雙輪策略。各家路線不同，但目標一致：把機器人大腦做成可規模化部署的產品，而不只是實驗室里的論文。

資金涌入的密集程度，反映出一個共識正在形成：具身智能的下一階段，硬件不再是壁壘，大腦才是。誰先做出能跨本體、跨場景、穩定執行長序列任務的通用模型，誰就拿到了下一張船票。

螞蟻靈波選擇在這個時間點開源LingBot 2.0系列，包括本文重點介紹的LingBot-VLA 2.0，本身也釋放了這一賽道信號。聚焦通用大腦，讓更多本體廠商和開發者能夠基于這套通用大腦做二次開發和場景適配，搭建了一個生態。同時，螞蟻靈波聯合本體廠商、生態客戶一起在零售、物流、工業等多場景開啟商業落地測試。

這些動作放在一起看，螞蟻靈波正在做的事很明確：用一套通用大腦，解決具身智能規模化落地中最難的“適配”問題，然后通過開源和生態合作，加速這個進程。

縱觀當前產業發展，具身智能的規模化落地，正從“能不能做”走向“能不能用、能不能規模化用”。

LingBot-VLA 2.0的升級和開源，給出了螞蟻靈波的解法。20 種以上構型只是起點，真正的答案要看后續在客戶現場中的適配周期、任務穩定性和部署成本。這顆大腦能不能真正撐起具身智能的規模化落地，接下來的商業測試會給出答案。

P.S. 一個值得繼續觀察的信號是，螞蟻靈波今年 1 月曾密集開源空間感知、VLA 基座和世界模型相關成果。此次 LingBot-VLA 2.0 發布后，它的具身智能模型棧又補上了關鍵一環。接下來，世界模型方向是否會迎來新動作，可能會成為外界關注的下一個問題。