本體廠向上，大模型廠向下，螞蟻靈波VLA2.0搶到機(jī)器人“大腦入口”

智東西
作者 江宇
編輯 漠影

當(dāng)下，具身智能行業(yè)正在進(jìn)行一場(chǎng)關(guān)于利潤率的無聲戰(zhàn)爭(zhēng)。

過去兩年，資本密集涌入機(jī)器人本體和核心零部件環(huán)節(jié)，試圖復(fù)制智能手機(jī)時(shí)代的供應(yīng)鏈降本邏輯。據(jù)智東西不完全統(tǒng)計(jì)，目前行業(yè)內(nèi)26家估值百億元的獨(dú)角獸企業(yè)中，至少有9家聚焦硬件及本體。

表面上，本體廠正在通過規(guī)模化量產(chǎn)、供應(yīng)鏈整合和核心零部件自研，持續(xù)壓低機(jī)器人成本，爭(zhēng)奪更高的硬件利潤率。

不過，當(dāng)一臺(tái)臺(tái)機(jī)器人被送進(jìn)工廠、商超、藥房和實(shí)驗(yàn)場(chǎng)景后，另一個(gè)更現(xiàn)實(shí)的問題浮出水面：由于缺乏統(tǒng)一、可復(fù)用的能力底座，不同本體、不同任務(wù)、不同場(chǎng)景之間，依然需要大量軟件工程師到現(xiàn)場(chǎng)進(jìn)行低效“特調(diào)”。

硬件降本省下來的利潤，轉(zhuǎn)眼就可能被高昂的非標(biāo)軟件工程成本吞噬。

這也是具身智能產(chǎn)業(yè)眼下面臨的關(guān)鍵矛盾：本體廠不想只做沒有“大腦”的硬件代工廠，通用大模型巨頭急于尋找進(jìn)入物理世界的入口，而異軍突起的夾在中間的垂直具身大腦玩家，則必須證明自己不是一次性交付的外包工具，而是能沉淀數(shù)據(jù)、模型和生態(tài)的基礎(chǔ)層。

7月8日，螞蟻靈波開源新一代具身基座模型LingBot-VLA 2.00，原生支持20種主流構(gòu)型并打通全身控制。

除開源惠及具身產(chǎn)業(yè)與開發(fā)者生態(tài)之外，這是一次極具戰(zhàn)略性的卡位：螞蟻靈波搶先把自己做成行業(yè)公用的標(biāo)準(zhǔn)化能力層，讓不同本體、不同場(chǎng)景、不同任務(wù)都能接入同一套具身大腦，從而在硬件廠、大模型公司與集成商之間，拿下一個(gè)讓產(chǎn)業(yè)鏈無法繞開的生態(tài)位置。

一、機(jī)器人硬件在降本，算法部署還停在“手工時(shí)代”

具身智能這輪熱潮里，硬件端的降本曲線已經(jīng)率先跑出來。

以人形機(jī)器人為例，頭部廠商正通過電機(jī)、減速器、傳感器、結(jié)構(gòu)件等環(huán)節(jié)的供應(yīng)鏈整合，把過去動(dòng)輒數(shù)十萬元甚至上百萬元的機(jī)器人價(jià)格持續(xù)壓低。

SemiAnalysis此前拆解宇樹G1后測(cè)算，其毛利率可維持在67%左右，這說明部分頭部玩家已經(jīng)具備接近消費(fèi)電子式的降本能力。

硬件越來越便宜，意味著機(jī)器人更容易進(jìn)入真實(shí)場(chǎng)景。但機(jī)器人進(jìn)場(chǎng)之后，真正決定它能否穩(wěn)定干活的，仍然是背后的“大腦”。

SemiAnalysis也提到，即便機(jī)器人已經(jīng)在部分物流、搬運(yùn)等場(chǎng)景中接近經(jīng)濟(jì)可行，部署環(huán)節(jié)仍然受限于具身模型能力。換句話說，本體可以更便宜地送到現(xiàn)場(chǎng)，但讓它理解環(huán)境、完成任務(wù)、適應(yīng)變化的模型能力，還沒有跟上硬件降本的速度。

這就帶來了一個(gè)被行業(yè)長期低估的隱性成本：每出現(xiàn)一個(gè)新構(gòu)型、新場(chǎng)景或新任務(wù)，往往都需要重新采集數(shù)據(jù)、重新訓(xùn)練模型、重新進(jìn)行現(xiàn)場(chǎng)對(duì)齊。AI落地并沒有天然變成軟件復(fù)制，而是變成了重度依賴工程師的人力項(xiàng)目。

這就是具身智能的“手工時(shí)代”。

在實(shí)驗(yàn)室里，一個(gè)機(jī)器人完成一次演示已經(jīng)不算稀奇；難的是把同一套能力復(fù)制到另一臺(tái)機(jī)器人、另一個(gè)門店、另一條產(chǎn)線、另一批商品上，還能保持穩(wěn)定效果。

如果視覺、語言與動(dòng)作相結(jié)合的VLA模型無法做到“一次訓(xùn)練，多處部署”，具身智能在商業(yè)化上仍是一個(gè)低毛利的生意。

LingBot-VLA 2.0切入的正是這個(gè)問題。它要解決的是同一套具身操作能力能不能跨越不同構(gòu)型、不同任務(wù)和不同場(chǎng)景遷移。

為了做到這一點(diǎn)，模型不能只在單一機(jī)械臂、單一任務(wù)或固定場(chǎng)景中表現(xiàn)更好，而要同時(shí)補(bǔ)上幾塊能力短板：既要理解不同機(jī)器人構(gòu)型本體之間的差異，也要覆蓋更復(fù)雜的動(dòng)作空間，還要能對(duì)動(dòng)態(tài)物理環(huán)境中的后續(xù)變化做出預(yù)判。

這背后的產(chǎn)業(yè)意義，是用一套標(biāo)準(zhǔn)化算法能力，對(duì)齊分散的機(jī)器人硬件和應(yīng)用場(chǎng)景，減少對(duì)非標(biāo)工程交付的依賴。

二、支持20種以上構(gòu)型，模型能力先要跨過“構(gòu)型差異”

要成為行業(yè)公用的“大腦”，第一道門檻就是克服機(jī)器人本體的碎片化。

今天的機(jī)器人行業(yè)并不存在統(tǒng)一形態(tài)。有人做人形機(jī)器人，有人做雙臂機(jī)器人，有人做單臂機(jī)械臂，有人做輪式雙臂機(jī)器人，還有廠商在探索靈巧手、腰部、頭部、底盤等更多自由度組合。

對(duì)本體廠來說，模型適配效率直接影響產(chǎn)品迭代速度；對(duì)客戶來說，跨本體能力決定了項(xiàng)目驗(yàn)證周期，以及未來替換硬件時(shí)的靈活性。

LingBot-VLA 2.0這次升級(jí)中，跨構(gòu)型支持被放在了核心位置。

其預(yù)訓(xùn)練數(shù)據(jù)便覆蓋了20種機(jī)器人構(gòu)型，包括單臂、雙臂、移動(dòng)機(jī)器人平臺(tái)，以及搭載靈巧手或夾爪的不同形態(tài)。其數(shù)據(jù)集包含F(xiàn)ranka、Flexiv Rizon 4、AgileX Cobot Magic、Galaxea R1Pro/R1Lite、Realman Rs-02、Astribot S1、Leju KUAVO、Unitree G1、Fourier GR-2、AgiBot A2等平臺(tái)。

20+種構(gòu)型的意義，不只是平臺(tái)數(shù)量變多了。更關(guān)鍵的是，它把不同機(jī)械結(jié)構(gòu)、自由度配置、傳感器條件和執(zhí)行方式納入同一套訓(xùn)練體系，檢驗(yàn)?zāi)Ｐ湍芊癜巡僮髂芰w移到更多機(jī)器人形態(tài)上。

為此，LingBot-VLA 2.0采用了統(tǒng)一動(dòng)作表示，把不同構(gòu)型的控制信號(hào)映射到一個(gè)55維規(guī)范向量中，其中包括手臂關(guān)節(jié)位置、末端執(zhí)行器位姿、夾爪、手部關(guān)節(jié)、腰部、頭部和移動(dòng)信號(hào)等不同組成部分。

這相當(dāng)于為不同機(jī)器人建立了一套共同的“動(dòng)作語言”。

在這個(gè)基礎(chǔ)上，模型才能在面對(duì)不同構(gòu)型時(shí)，在統(tǒng)一動(dòng)作空間中學(xué)習(xí)不同形態(tài)之間可遷移的操作規(guī)律。

從產(chǎn)業(yè)角度看，跨構(gòu)型泛化能力決定了VLA模型的服務(wù)半徑。LingBot-VLA 2.0把多構(gòu)型支持作為核心升級(jí)，背后指向的正是更低適配成本和更高部署效率。

三、全身協(xié)同與時(shí)序預(yù)測(cè)：接管復(fù)雜物理環(huán)境的硬性指標(biāo)

真實(shí)物理世界里的任務(wù)，往往需要機(jī)器人調(diào)動(dòng)整個(gè)身體一起完成。所以，具身大腦必須啃下“動(dòng)態(tài)交互”這塊硬骨頭。

在零售分揀、物流分揀、工業(yè)操作等場(chǎng)景中，機(jī)器人可能需要先移動(dòng)到目標(biāo)位置，再調(diào)整視角識(shí)別物體，隨后伸手抓取、放置、開關(guān)門、清潔或搬運(yùn)。整個(gè)過程包含移動(dòng)、觀察、操作、反饋和修正，任何一個(gè)環(huán)節(jié)出錯(cuò)，都會(huì)影響最終任務(wù)完成。

LingBot-VLA 2.0這次把動(dòng)作空間從雙臂平臺(tái)進(jìn)一步擴(kuò)展到全身自由度，支持頭部、腰部、末端執(zhí)行器、移動(dòng)底盤和靈巧手等控制信號(hào)。其系統(tǒng)能夠處理手臂、末端執(zhí)行器、夾爪、移動(dòng)底盤、腰部、頭部、手部等不同動(dòng)作維度。

這意味著，機(jī)器人執(zhí)行任務(wù)時(shí)可以更自然地完成感知、移動(dòng)與操作的協(xié)同。

除了動(dòng)作空間，另一個(gè)關(guān)鍵升級(jí)是時(shí)序預(yù)測(cè)。

過去不少VLA模型更偏向反饋式執(zhí)行：模型根據(jù)當(dāng)前畫面和語言指令生成下一步動(dòng)作。但真實(shí)環(huán)境是動(dòng)態(tài)的，物體可能移動(dòng)，空間關(guān)系可能變化，機(jī)器人自己的動(dòng)作也會(huì)改變下一幀看到的世界。

如果模型只理解“當(dāng)前看到什么”，就容易在長序列任務(wù)中出現(xiàn)反應(yīng)滯后、動(dòng)作中斷或執(zhí)行偏移。

LingBot-VLA 2.0引入了未來預(yù)測(cè)機(jī)制，把未來狀態(tài)預(yù)測(cè)作為代理任務(wù)。具體來說，它通過LingBot-Depth提供幾何線索，通過DINO-Video提供語義和時(shí)序信息，讓模型預(yù)測(cè)未來時(shí)刻的深度表示和視頻特征，從而更好理解場(chǎng)景演進(jìn)和動(dòng)作后果。

通俗來說，機(jī)器人不只是看見眼前的畫面，還要提前判斷“接下來可能會(huì)發(fā)生什么”。

這類前瞻式時(shí)序理解，對(duì)長序列任務(wù)尤其重要。比如機(jī)器人要把物品放進(jìn)冰箱，任務(wù)并不只是“抓取”和“放置”，還包括移動(dòng)到廚房臺(tái)面、把物體放進(jìn)籃子、移動(dòng)到冰箱前、打開冰箱門、逐個(gè)放入物體、關(guān)閉冰箱門等一連串動(dòng)作。

在其技術(shù)報(bào)告中，LingBot-VLA 2.0在兩個(gè)長程移動(dòng)操作任務(wù)上與π0.5進(jìn)行了對(duì)比：一個(gè)是在Astribot S1上完成“冰箱分揀”，另一個(gè)是在Cobot Magic-ARX X5上完成“清潔爐灶”。每個(gè)任務(wù)分別在域內(nèi)和域外設(shè)置下進(jìn)行15次獨(dú)立測(cè)試。

▲冰箱分揀

▲清潔爐灶

結(jié)果顯示，在域內(nèi)設(shè)置下，LingBot-VLA 2.0在冰箱分揀任務(wù)中取得77.1的任務(wù)進(jìn)度分和60.0%的成功率，在爐灶清潔任務(wù)中取得84.3的任務(wù)進(jìn)度分和66.7%的成功率，均領(lǐng)先π0.5。在域外設(shè)置下，LingBot-VLA 2.0同樣保持優(yōu)勢(shì)。

可見，在更接近真實(shí)應(yīng)用的長鏈條任務(wù)中，LingBot-VLA 2.0具備更強(qiáng)的任務(wù)推進(jìn)能力和跨構(gòu)型泛化能力。

四、6萬小時(shí)數(shù)據(jù)和130毫秒延遲，支撐生態(tài)閉環(huán)

對(duì)具身基座公司來說，模型開源只是第一步。

更關(guān)鍵的是，能不能讓更多本體和場(chǎng)景接入，再把真實(shí)任務(wù)中的交互數(shù)據(jù)沉淀回來，形成“部署—數(shù)據(jù)回流—模型進(jìn)化”的生態(tài)閉環(huán)。

行業(yè)不止缺數(shù)據(jù)，更缺能夠真實(shí)反映物理交互規(guī)律的高質(zhì)量數(shù)據(jù)。

螞蟻靈波從9萬小時(shí)數(shù)據(jù)中清洗出5萬小時(shí)高質(zhì)量真機(jī)數(shù)據(jù)，并從2萬小時(shí)第一視角視頻中提煉出1萬小時(shí)有效數(shù)據(jù)。

這種對(duì)真機(jī)物理規(guī)律的篩選和提純，決定了機(jī)器人大腦后訓(xùn)練質(zhì)量的下限。

數(shù)據(jù)之外，商業(yè)落地還要算另一筆賬：時(shí)間和算力。

基于架構(gòu)更新，LingBot-VLA 2.0同步開源的高效后訓(xùn)練版本在RTX 4090上將推理耗時(shí)壓縮至130毫秒以內(nèi)。

只有算得平時(shí)間賬和算力賬，本體廠、集成商和場(chǎng)景方才有可能把VLA模型真正納入實(shí)際部署流程。

而開源的直接意義，則是進(jìn)一步降低本體廠、開發(fā)者和場(chǎng)景方的接入門檻。

螞蟻靈波向開發(fā)者、本體廠開放模型權(quán)重與代碼，并攜手樂聚、國大藥房等生態(tài)伙伴開展商業(yè)落地測(cè)試，推動(dòng)LingBot-VLA 2.0作為標(biāo)準(zhǔn)能力層嵌入零售、物流等真實(shí)高頻場(chǎng)景。

在數(shù)據(jù)體系上，螞蟻靈波還聯(lián)合簡(jiǎn)智科技等生態(tài)伙伴共建標(biāo)準(zhǔn)化數(shù)據(jù)體系，將真實(shí)場(chǎng)景中的交互數(shù)據(jù)重新納入模型迭代。

機(jī)器人產(chǎn)業(yè)正在進(jìn)入能力復(fù)用與規(guī)模部署并重的新階段。

隨著更多機(jī)器人完成部署、更多真實(shí)數(shù)據(jù)持續(xù)回流，具身智能“部署—數(shù)據(jù)回流—模型進(jìn)化”的產(chǎn)業(yè)閉環(huán)有望逐步建立。

這場(chǎng)關(guān)于通用具身大腦的卡位戰(zhàn)，已然打響。而決定勝負(fù)的，或?qū)⑷Q于誰能在足夠多的真實(shí)場(chǎng)景中跑通數(shù)據(jù)飛輪、建立生態(tài)閉環(huán)。