機器人大腦競賽升溫，螞蟻靈波押注“具身原生”｜甲子光年

螞蟻靈波想證明的一件事：機器人大腦正在從通用模型遷移，走向具身原生預訓練的新階段，從模型架構、數據體系到訓練目標，都要面向物理世界重新設計。

作者｜周悅

編輯｜栗子

螞蟻靈波又把技術發布變成了一場馬拉松。

從7月7日到7月10日，這家螞蟻集團旗下的具身智能公司，連續發布6個模型：LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-Video、LingBot-World 2.0和LingBot-VA 2.0。4天里，從空間感知、靈巧操作、世界模型和世界動作模型，螞蟻靈波把機器人大腦從感知、預測到行動的關鍵環節，集中推到臺前。

今年1月，螞蟻靈波曾在一周內密集發布LingBot-Depth、LingBot-VLA、LingBot-World和LingBot-VA四個模型。他提到，螞蟻靈波內部始終只有“一盤棋”，這4個模型是同一張大拼圖里的不同模塊。

7月10日發布會上，螞蟻靈波CEO朱興解釋，1.0系列之后，今年上半年很重要的一件事是“模型投產”。模型用和不用差別很大，真實環境里暴露出來的問題，往往很難在實驗室和Benchmark里復現，包括環境泛化、任務泛化和構型泛化。2.0系列正是結合上半年落地中暴露出的能力短板，以及具身原生方向上的技術突破推出的。

相比1月，這次螞蟻靈波新增了視覺和視頻兩個從頭預訓練的基座模型，也將空間感知、靈巧操作、世界模型和世界動作模型整體升級為“全棧大腦2.0”。

沈宇軍把“具身原生”拆成三個更通俗的問題：機器人要“看得更清楚，想得更明白，干得更利索”。在他看來，這三件事本身就是物理世界區別于數字世界的地方。

在6個模型中，壓軸發布的LingBot-VA 2.0是最核心的錨點。LingBot-VA 2.0是行業第一個具身原生預訓練模型，試圖讓機器人不只基于當前畫面反應，也把“動作之后世界會怎樣變化”納入判斷。

這也是VA路線和VLA路線的關鍵區別，VLA更像是讓機器人看見之后執行，VA則試圖讓機器人預測之后行動。

從1月到7月，螞蟻靈波密集發布的不是幾個孤立模型，而是一條越來越清晰的路線。它代表螞蟻靈波想證明的一件事：機器人大腦正在從通用模型遷移，走向具身原生預訓練的新階段，從模型架構、數據體系到訓練目標，都要面向物理世界重新設計。

1.“全棧大腦2.0”先要形成世界表征

機器人要真正行動，第一步不是動作，而是先形成一套關于世界的表征。

發布會上，沈宇軍用了一個內部稱為“開門見貓”的例子解釋空間感知的差異：一扇玻璃門后面有一只貓，從RGB圖像看，模型可以識別出貓；但從機器人的深度感知看，門沒打開時，貓“不應該存在”，因為機器人夠不到它。門逐漸打開，貓才應該在深度里顯現出來。

這個例子說明，數字世界只要“看見”，物理世界還要判斷“摸不摸得著”。

這也是LingBot-Vision和LingBot-Depth 2.0在“全棧大腦2.0”里的位置：前者學習更穩定的邊界與空間結構表征，后者把不完整的深度輸入補全成更連續、更可靠的三維空間。

在LingBot-Vision的技術報告里，螞蟻靈波團隊強調：視覺智能不只是識別圖像里有什么，還要從像素中恢復結構化、可度量、可行動的空間表征。很多視覺基礎模型更重視語義不變性，但在細粒度空間理解上仍然有短板。對機器人來說，幾何上的一點誤差，可能就會變成真實世界里的一次錯誤動作。

LingBot-Vision沒有只沿著“識別物體是什么”的語義路線走，而是把邊界、輪廓和幾何結構提前放進預訓練。對機器人來說，邊界不是圖像里的視覺效果，而是行動前的空間約束：哪里能過去，哪里會擋住，哪里是深度突然變化的位置。

LingBot-Depth 2.0是這個思路的直接落點。

1月發布LingBot-Depth 1.0時，螞蟻靈波已經在解決透明、反光等復雜場景下的空間感知問題。到了LingBot-Depth 2.0，核心變化有兩點：把視覺基座換成LingBot-Vision，并把訓練數據從300萬擴充至1.5億規模。

根據螞蟻靈波團隊的數據，LingBot-Depth 2.0在深度補全基準的16項測評中獲得12項第一；在最難的室內大面積深度缺失場景中，深度誤差較上一代減半，RMSE從0.132降至0.062；在玻璃、鏡面、透明物體等傳統深度相機最容易失靈的場景中表現突出。

LingBot-Depth 2.0在鏡面、玻璃等困難場景中補全出完整、平整的三維結構，圖片來源：螞蟻靈波

看清空間之后，問題變成了變化。

真實世界不是靜止的。傳送帶上的物體在移動，桌面上的杯子可能被推倒，人會突然介入，機器人自己的抓取、推動、放置，也會改變場景。

沈宇軍解釋，數字世界的視頻生成更在意高清、想象力和創造性；但物理世界里，機器人做事前的“想象”更看重兩個東西：快、合理。人并不會精確預測一杯咖啡摔倒后會灑成什么形狀，但會立刻知道“它會灑一地”。

LingBot-Video和LingBot-World 2.0的意義，也不在于再做兩個視頻生成模型，而是在為VA 2.0補兩塊能力。

沈宇軍提到，LingBot-Video和LingBot-World 2.0是在解決更大模型拼圖里的單點技術問題：LingBot-Video解決MoE視頻模型如何穩定訓練、提高效率，LingBot-World 2.0解決如何面向真實交互的單向預測做視頻生成。兩項技術最后都融合進了Lingbot-VA 2.0訓練里。

下一步，才是動作層：機器人如何把感知和預測轉化成真實動作，這對應LingBot-VLA 2.0和LingBot-VA 2.0。

2.機器人大腦要把預測變成動作

看清空間、理解變化之后，機器人大腦最終要回到動作。

這是LingBot-VLA 2.0和LingBot-VA 2.0在“全棧大腦2.0”里的位置：前者對應今天更成熟的落地路線，讓機器人先干起來；后者指向下一階段的視頻—動作模型路線，讓機器人在行動前多一步推演。

在今天的具身智能產業里，VLA路線的邏輯相對清楚：把視覺、語言和動作連接起來，讓機器人根據當前觀察和語言指令生成動作。過去一兩年，π0、π0.5、GR00T、OpenVLA等模型，都在推動這條路線走向更通用的機器人策略模型。

LingBot-VLA 2.0要解決的，是這條路線進入真實場景后遇到的幾個問題：本體更復雜，任務更長，動作空間也更豐富。沈宇軍提到，很多機器人demo仍停留在實驗室環境：機器人站定，桌面固定，只有雙臂在動。但真實落地時，問題會變得很細。抬手拿高處物體，頭部相機要動；彎腰拿東西，腰部要動；手臂夠不到，底盤要挪；更精細的操作，又需要靈巧手。很多需求，“你不落地，根本想不到”。

這也是LingBot-VLA 2.0從9種構型擴展到17家本體廠商、20多種構型，并增加頭部、腰部、靈巧手、底盤等自由度的原因。

螞蟻靈波披露，LingBot-VLA 2.0在預訓練階段使用約6萬小時高質量真實物理數據，其中包括5萬小時機器人軌跡和1萬小時第一視角人類視頻，覆蓋20種機器人構型。它的關鍵不只是數據規模，而是異構本體能不能被放到同一套訓練體系里。

不同機器人有不同自由度、不同相機位置、不同末端執行器。如果每換一種身體都重新采集、重新訓練，落地成本很難降下來。LingBot-VLA 2.0的價值，是嘗試把不同構型的數據納入統一訓練框架，讓模型先在預訓練階段熟悉更多身體。

LingBot-VLA 2.0支持20多種構型，圖片來源：螞蟻靈波

在長程移動操作任務上，LingBot-VLA 2.0也相較π0.5保持優勢。比如物體放入冰箱、灶臺清潔這類任務，機器人需要先移動到目標區域，再完成抓取、放置、開門、清潔等連續動作。模型能推進更多步驟，本身就是落地能力的一部分。

VLA 2.0也開始補齊“預測”能力。簡單說，VLA 2.0仍然以“看見之后執行”為主，但它已經開始學習動作之后的空間變化和時間演化。

不過，VLA仍然有邊界。它的主線仍然是從觀察到動作。在更動態、更長程、更不確定的任務里，機器人還需要進一步理解：這個動作做出去之后，世界會怎樣變。

這就是Lingbot-VA 2.0要回答的問題，如果說VLA的關鍵詞是執行，VA的關鍵詞則是推演。

VA不只生成動作，也預測未來世界狀態。機器人既要知道“現在該怎么做”，也要判斷“這樣做之后會發生什么”。這也是為什么 LingBot-VA 2.0被放在這輪發布的最后：它指向螞蟻靈波對下一階段機器人大腦的判斷。

從行業路線看，VLA和VA也對應著兩種演進方向。

一條是以π0、π0.5、GR00T、OpenVLA等為代表的VLA路線。它繼承視覺語言模型的語義理解能力，把觀察、語言和動作直接連接起來，優勢是成熟、直接、離真實落地更近。

另一條是VA/WAM，也就是視頻動作模型或世界動作模型。DreamZero、Cosmos Policy、LingBot-VA都在這條線上。它們把視頻預測、世界模型引入機器人控制，把未來場景演化作為動作生成的一部分。

不過，沈宇軍并不認為VA和VLA是二選一。他表示，VLA是當前更容易落地的主流路線，VA/WAM補上了動態建模和未來預測；但未來不會是“VA或者VLA的天下”，而會出現一個“1+1>2”的新模型。在他看來，現在很多所謂技術路線之爭，本質上只是不同團隊在解決不同的單點技術問題。

LingBot-VA 2.0的重點，在于“原生”。“原生”的關鍵不只是從頭訓練，而是把動作問題提前放進預訓練。

過去很多視頻—動作模型，是先有通用視頻生成，再接機器人動作模塊。LingBot-VA 2.0試圖反過來，從視覺編碼、訓練目標、模型結構到推理機制都圍繞機器人控制重做。

具體來說，視覺狀態和潛在動作被放進同一個語義空間，模型按單向時間順序學習世界如何演化，MoE用來平衡容量和推理成本，異步推理則讓機器人執行當前動作時并行預測下一步，再用真實觀察把預測拉回現實。這套設計試圖回答世界動作模型最常被質疑的問題：既然要推演未來，機器人能不能來得及反應。

對VA路線來說，最容易被質疑的是推理延遲。LingBot-VA 2.0技術報告顯示，LingBot-VA 2.0的推理時間從927ms/chunk降至142ms/chunk，異步控制頻率從35Hz提升至225Hz，實現了6.5倍的端到端加速。

在真實世界評測中，LingBot-VA 2.0覆蓋了水果分揀、筆具收納、抽屜整理和托盤遞送四類日常操作任務。每個任務只用了20條遙操作示教數據，訓練出的卻是一個可以同時處理多類任務的通用策略模型，而不是一個任務配一個專項模型。結果顯示，它在最終成功率和任務推進度上都超過了π0.5和上一代LingBot-VA。

但這些數字更重要的意義，不在于單次刷新榜單，而在于證明一件事：VA路線如果要進入真實機器人，不能只會“想”，還必須足夠快，能夠在閉環控制里跑起來。

Lingbot-VLA 2.0讓機器人先在真實場景里干起來。Lingbot-VA 2.0則把動作生成往前推了一步：機器人不只基于當前畫面反應，也開始把未來世界變化納入行動，并在真實反饋中不斷校正。

3.落地真正貴的是遷移

具身智能進入落地階段后，最貴的往往不是單次Demo，而是遷移。

換一個本體，動作空間要重新對齊；換一個場景，物體、光照、遮擋、流程都會變化；換一個客戶，數據采集、后訓練、評測和部署調試又要重新來一遍。每個客戶都要重新跑一遍，顯然是不可持續的事情。

這也是螞蟻靈波強調“全棧大腦2.0”的背景。

它要解決的，不只是某個模型能力夠不夠強，而是感知、預測、動作和數據能不能沉淀成一套可復用的能力。

朱興強調，預訓練解決上限，后訓練托底下限。真正交付到客戶現場，仍然要考慮數據怎么采、怎么標、訓練效率跟不跟得上、部署效果好不好、推理效率夠不夠。這些最終都會變成客戶成本。基模能力越強，后訓練成本才越有機會下降。

從產業位置看，螞蟻靈波想做的不是某一種機器人本體。

今年1月，沈宇軍接受「甲子光年」采訪時就提到，機器人形態很難由一種構型通吃所有場景，螞蟻靈波更傾向于做適配不同身體的通用大腦。半年后，這個定位更清楚：所謂通用大腦，核心不是讓一個模型包打天下，而是讓一套模型能力盡可能在不同本體、不同任務和不同場景之間復用。

沈宇軍進一步解釋，本體不是由大腦選擇，而是由場景選擇。不同場景會需要不同機器人身體，靈波要覆蓋更多場景，就必須覆蓋更多本體。通用大腦的價值，是在構型泛化和任務泛化兩個維度上降低后訓練成本。

LingBot-VLA 2.0已經支持17家機器人廠商的20多種構型。適配數量只是一方面，螞蟻靈波團隊也在也在嘗試降低跨本體遷移的成本，把不同身體的數據可以進入同一套訓練體系，不同動作空間可以被映射到統一接口，讓不同機器人也能復用同一套大腦能力。

空間感知層的落地，則體現在螞蟻靈波和奧比中光的合作里。

LingBot-Depth 2.0已通過奧比中光深度視覺實驗室專業認證。后續，奧比中光將推出集成LingBot-Depth最新模型能力的SDK產品，供機器人客戶在端側使用；并計劃于年底推出集成LingBot-Depth商業版的一體化相機產品，實現“3D相機+空間感知能力”的一體化交付。

這類合作比模型發布本身更靠近產業鏈。它意味著螞蟻靈波的模型能力，開始進入傳感器、端側SDK、數據采集設備和機器人硬件鏈路。對具身智能公司來說，模型只有進入真實設備和真實客戶流程，才會持續獲得新的數據和反饋。

場景側也在推進。螞蟻靈波已經攜手樂聚、鈦虎等本體伙伴，以及國大藥房、隆盛等客戶伙伴，在零售分揀、物流分揀、工業等場景開啟商業落地測試；同時聯合簡智科技等數據聯盟伙伴，共建標準化數據體系。

這背后還有一條更暗的線：數據。

朱興提到，做具身基模不能只看數據規模，還要看分布和質量，尤其是多模態之間是否對齊。數據如果起不來，無論是規模、質量還是分布，模型架構都容易變成“空中樓閣”。“訓練模型像煉丹，最核心的配方就是數據配方”。

沈宇軍則把數據閉環拆得更細：采集、處理、送給模型訓練，訓練結果再反饋到采集端。這個環路的核心指標是延遲（latency），也就是從發現問題到反饋采集側需要多久。靈波自己搭了數據基礎設施，并通過模型訓練結果反向推動數據應該怎么采、怎么處理。

這也是螞蟻靈波反復強調“具身原生”的原因。

機器人面對的是物理世界，包括邊界、深度、接觸、延遲、失敗、修正等等要素。它不僅要在一次演示里成功，還要在反復部署中變得更穩。沈宇軍說，“具身原生，講起來是個態度，做起來是個能力。”

為了這條路，螞蟻靈波團隊分別攻了MoE訓練、因果訓練、以邊緣為中心的視覺預訓練等問題，而這些方向在數字世界里并沒有現成經驗可照搬。

LingBot-VA 2.0被放在最后發布，正是因為它代表螞蟻靈波對下一階段的判斷。作為行業第一個具身原生預訓練模型，LingBot-VA 2.0背后對應的是一條更前沿的路線：機器人大腦不能長期停留在“通用模型+機器人動作模塊”的階段，而要圍繞物理世界重新設計預訓練目標、數據體系和模型架構。

當然，這條路線還需要繼續驗證，但這次發布已經釋放出一個明確信號：螞蟻靈波想強調的，不只是某個模型指標，而是機器人大腦變成可復用、可遷移、可持續學習的系統能力。

如果 VLA 2.0 能持續降低跨本體落地成本， Depth 2.0 能進入傳感器和數據采集鏈路， VA 2.0 能在動態任務中證明 “ 預測后行動 ” 的價值，螞蟻靈波爭奪的就不只是某個模型發布窗口，而是具身智能產業鏈里的智能層位置。

（封面圖來源：AI生成）