全球首個！「具身原生」世界動作模型來了

新智元報道

【新智元導讀】螞蟻靈波剛剛甩出全球首個「具身原生」大模型LingBot-VA 2.0，要給機器人換上一顆真正懂物理的大腦。

50分26秒。

今年，北京亦莊的半馬賽道上，一臺人形機器人沖線奪冠——比人類世界紀錄，還快了近7分鐘。

機器人的「身體」，第一次跑贏了全人類。

但畫風，說變就變。

成都商場，表演中的機器人與圍觀老人相撞，老人倒地送醫；瘋傳的視頻里，一臺機器人在餐廳失控狂舞，另一臺一腳踢中小孩。

跑贏世界冠軍的腿，配了一顆不知道「下一秒會撞到誰」的腦子。

機器人的腦子，什么時候能跟上它的腿？

7月10日，螞蟻集團旗下具身智能公司螞蟻靈波，把這塊最難的拼圖拍上了桌：LingBot-VA 2.0——行業第一個具身原生預訓練模型。

所謂「具身原生」，一句話說清楚：不是拿現成的數字世界模型做嫁接，而是從數據、訓練目標到模型架構，每一層都為「機器人在物理世界干活」而生——

從零開始，造一顆原生的機器人大腦。

這顆大腦有多能打呢？

你敢信？它現在夾薯片都不會碎。

一片薄薄的薯片，力大了捏碎，力小了夾不起來。它穩穩捏起，完好無損。（從技術報告中看出，這是一個沒有觸覺的模型，更加展現了其控制能力）

能幫你收拾桌面了。

什么在哪、先動哪個、放到哪去——它得記住整張桌子的狀態，一步步碼放整齊，而不是抓兩下就亂了套。

陪你打個小球對戰，反應速度也絲毫不差。

球在臺面上飛來撞去，軌跡瞬息萬變，它得預判落點、即時揮桿、接住反擊——這是在跟你實時過招了。

LingBot-VA 2.0剛一發布，便在x上引發熱議。

大V Shabnam Parveen 表示，這是「邁向真正具身化AI的重要一步。」

網友也對其「具身原生」這點評價很高。

想的更明白，才能干的更利索

為什么非要從頭練？

因為過去的主流路線學的是「下一幀預測」——畫面通常會怎么變。這是相關性，拿來生成視頻夠用了。

但機器人要回答的是一個更硬的問題：

如果我這樣做，世界會怎樣？

打個比方：你在Sora里生成一段「推杯子」的視頻，杯子可能很流暢地滑過去，但也可能穿過桌面或憑空消失。

可如果機器人拿這種「世界觀」去指導行動，它會真的以為手可以穿過物體，杯子可以無緣無故復原。

所以，LingBot-VA 2.0走的是因果建模：推一下物體，它會按慣性運動；抓取動作和物體狀態的變化嚴格對應。

模型學的不是「畫面會怎么變」，而是「我的動作會讓世界怎么變」。

這是機器人從被動反應走向自主決策的根基。

具體怎么練的？技術報告里藏著一個關鍵設計。

機器人有個老大難：「看到的畫面」和「要做的動作」，天生是兩套系統、說兩種語言，中間隔著一道翻譯鴻溝——看懂了，未必做得對。

LingBot-VA 2.0給模型配了個「同聲傳譯」（語義視覺-動作分詞器），把畫面和動作統統翻譯成同一種語言：世界長什么樣、手該怎么動，用同一套「詞」來表達。

妙處在這兒：一旦畫面和動作說的是同一種語言，隨便一段網上的視頻——哪怕沒有任何標注、畫面里連機器人的影子都沒有——模型也能從里面「讀」出跟動作有關的門道。

換句話說，以前機器人只能從昂貴的真機采集數據里學會控制；現在它可以把整個互聯網的視頻當預習材料，先在腦子里建好「物理直覺」，再用少量真機數據「對齊」。

邊推演，邊行動

光懂因果還不夠，還得快。

傳統機器人是「看一眼、做一次、再修正」，像新手司機只盯著眼前路況被動反應，一進動態場景就滯后。

LingBot-VA 2.0的Foresight Reasoning讓它像老司機：邊執行邊思考，持續預判后面幾秒的變化，提前調整動作。

技術報告給了一個很精妙的設計。還是拿開車打比方：手上還在過這個彎，眼睛已經瞄向下一個路口，腦子里提前把「待會兒會碰上什么」過了一遍電影。

等車真開到路口，實際路況跟預想的不一樣？不慌——立刻按眼前看到的重新調。想象歸想象，現實說了算：一邊猜、一邊對答案，永遠踩在現實的節拍上。

再加一手異步推理：看、想、動這三件事，不再排成一隊互相干等——眼睛看眼睛的，腦子想腦子的，手動手的。

機器人再也不會因為「還在想」，就錯過傳送帶上稍縱即逝的抓取時機。

想完才動，和邊想邊動，是兩個物種。

四根柱子撐起「具身原生」

架構上，LingBot-VA 2.0的技術底座由四根柱子撐起來。

第一根，全自主從頭預訓練。不是拿別人家的視頻生成模型或LLM微調，而是基于自回歸視頻模型從零開始訓練。

這避免了把雙向注意力架構強行改成因果架構時的「災難性遺忘」——你辛辛苦苦從海量數據里學到的世界知識，一改架構就全丟了。

第二根，MoE稀疏架構。它沿用LingBot-Video驗證過的MoE體系，視頻骨干總參數約130億，但推理時每個token只激活約19億參數。按需激活專家模塊，把高頻推理的成本打下來。

報告中的加速數據更直觀：經過一致性蒸餾、低精度編譯、長序列注意力優化和運行時開銷壓縮四重加速，單chunk推理從927毫秒降到142毫秒，異步控制頻率從35Hz飆升到225Hz。

第三根，新一代語義VAE。傳統VAE只管「畫面壓縮還原」，不管語義和動作。

LingBot-VA 2.0的分詞器在壓縮的同時，還把視覺潛表示對齊到預訓練視覺基礎模型的語義空間——模型不光看見杯子，還「理解」杯子。

這補上了「聽懂了指令、動作卻對不上」的老短板，讓「把杯子放到架子上」真正變成一串做得完的動作。

第四根，異步Foresight推理。前面講過——邊想邊做，每一步用真實觀測重新錨定，把預測延遲徹底藏到動作執行背后。

這四根柱子不是「拼湊」，而是一套完整的工程哲學的直接體現。

執行效率拉滿，單卡就能跑

zero-shot還很渺茫，但，few-shot已經「模糊的看見」，這也是模型能力的最佳佐證。

這背后的邏輯很簡單也很硬：因為它學到的是可遷移的世界規律，不是對某個場景的死記硬背。

面對新場景只需極少量數據「對齊」，而不必重新學習。

再看速度。機器人干活，慢一拍，零件就從爪子底下溜走了。

LingBot-VA 2.0把推理效率堆到了極限——單chunk推理從927毫秒降到142毫秒，異步控制頻率從35Hz飆升到225Hz。

單次推理效率整整翻了6倍多，單卡就能跑。

這個刷新率，就是它敢在傳送帶上連續抓取的底氣。

在RoboTwin 2.0仿真基準上，LingBot-VA 2.0的平均成功率達到93.6%，優于π0.5的79.8%，也超過了前代LingBot-VA的92.2%。

更值得注意的是，干凈環境和隨機化環境的表現差距僅為0.4個百分點——模型扛得住光照變化、雜物干擾、高度擾動這些「真實世界的噪音」。

VLA和VA，1+1>2

要說清楚的是，VA不是來取代VLA的，兩者1+1>2。

VLA站在多模態大模型的肩膀上，成熟、可用，是離產業落地最近的路線——今天全球真正「進廠干活」的機器人，大多跑在VLA上。

LingBot-VLA 2.0已經用同一套權重「馴服」了20種以上機器人構型，橫跨17個主流品牌，6萬小時預訓練數據量，RTX 4090上推理只要130毫秒。

螞蟻靈波的打法是：投產一代，預研一代。

VLA在一線沉淀的數據和場景反饋，持續反哺VA迭代。

放大看，本次一口氣發布的是六大模型，構成「全棧大腦2.0」：

• 看得更清楚：從傳感器出發的原生空間智能，LingBot-Vision和LingBot-Depth 2.0是代表

• 想得更明白：從模型設計和訓練范式出發的原生架構， 代表工作是 LingBot-Video（MoE解決模型規模大和推理效率快之間的平衡）、LingBot-World 2.0（Causal Pretrain保證因果性）和今年 1 月開源的LingBot-VA 1.0（率先提出了視頻-動作模型范式）

• 干得更利索：從在物理世界中執行任務角度出發的原生數據，代表工作LingBot-VLA 2.0 產業落地反相驅動更多構型和更多自由度：數字世界模型的成功是因為有互聯網數據的積累，物理世界的數據還需要行業共建

看過往，本次發布的是LingBot 2.0，看未來，本次發布的才是真正意義上的LingBot 1.0。

大腦的競爭，才剛開始

這條路線，行業已經在用腳投票。

LingBot-VLA 2.0 已經跟樂聚、星塵、松靈、智元、星海圖、宇樹等17家廠商的 20 種構型完成適配驗證，物流分揀、零售分揀、工業上下料等真實場景已經穩步落地試點。

相比商業化，更重要的價值是穩步開啟了真正意義上的數據飛輪。

回頭看，LLM的崛起早期，一種選擇是躺平微調，一種選擇是直面預訓練探索上限，真正的贏家是后者。

具身原生預訓練的意義就在這里：機器人大腦，第一次有了屬于自己的「基模」。

本體的喧囂正在退潮，大腦的競爭剛剛開局。