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，面對媒體這樣說。

當天，這家成立僅一年半、團隊 200 余人的公司，發布了業界首個具身原生世界動作模型 LingBot-VA 2.0——連同此前一周密集發布的 LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-World 2.0 和 LingBot-Video，構成了“全棧大腦 2.0”的完整版圖。

在具身智能這個被認為“還沒到GPT-1.0時刻”的領域，數據瓶頸始終卡在那里，如何獲得更多數據，怎樣的路徑才是正確的，終局可能是怎樣的……過去一年多，這些一直都是業內最關注的問題。

“數字世界和物理世界的需求天然不一樣。數字世界希望畫質高、有想象力、有創造性；但物理世界更重要的是快，是合理?！痹谖浵侅`波首席科學家沈宇軍看來，用數字世界的視頻生成模型“嫁接”到物理世界的機器人控制，這恐怕并不是一條可持續、正確的道路。

“嫁接”還是“原生”關于第一性原理的路線之爭

目前，具身智能智能大腦的主流技術路線大致分為兩類：VLA（Vision-Language-Action）基于多模態大模型對當前狀態做反饋，優勢在于理解人類意圖、落地成本低；另一類是世界動作模型（WAM/VA），基于視覺生成模型做動態建模和未來預測，但國內大部分玩家仍在基于開源的數字世界視頻生成模型進行改造。

螞蟻靈波同時布局了VLA和VA兩條線，但提出了核心質疑：當數字世界的模型設計之初就沒有考慮物理世界的需求時，強行微調會帶來什么？答案是“知識遺忘”和“泛化性下降”。

螞蟻靈波首席科學家沈宇軍舉了一個內部稱為“開門見貓”的例子：一扇不透明的玻璃門后有一只貓。在數字世界的視覺理解中，貓是清晰可見的；但對機器人而言，從物理空間感知的角度，那只貓“不應該存在”——因為玻璃門擋住了，機器人夠不到它。只有當門打開，貓才應該在機器人的“世界”中逐漸顯現。

這個例子暴露出兩種模型在底層設計邏輯上的根本分歧。“我們不認為機器人是數字世界大模型的一個物理 Agent，”沈宇軍認為，“數字世界很多模型在設計時，并沒有考慮物理世界的需求。”

這是螞蟻靈波選擇“具身原生”路線的出發點：不再依賴數字世界模型的能力嫁接，而是從動態建模、因果預測、實時執行等與環境交互的原始需求出發，進行原生設計。

螞蟻靈波此次發布的具身原生世界動作模型 LingBot-VA 2.0有四大核心設計：語義視覺-動作分詞器、嚴格因果預訓練范式、MoE架構、增強異步推理機制，這些都共同指向一個成果：單卡150Hz的實時推理效率。

在具身世界模型普遍面臨執行效率低的行業痛點面前，這個數字意味著機器人可以在執行當前動作的同時，以足夠快的速度預測下一步。

數據，被忽視的暗線與被誤解的飛輪

“我們談那么多模型架構，但如果數據達不到，無論是規模、質量還是分布，模型架構都是空中樓閣?！蔽浵侅`波CEO朱興認為，當下的數據問題，是具身智能領域最殘酷的現實。

關于數據來源，螞蟻靈波首席科學家沈宇軍表示，仿真數據在固定場景中有用，但螞蟻靈波要做“通用大腦”，面對的任務不可預測，在當前物理引擎還無法完美模擬所有物理交互的情況下，螞蟻靈波選擇以互聯網數據和真機數據為主，后者又分為有本體的真機遙操數據和無本體的人類數據（如 Ego視角、UMI采集方式）。

“遙操數據很貴，但人類數據能做的事情更多，”沈宇軍說，“Ego數據的上量速度比遙操快得多，短短半年左右，就有不少家達到十萬小時量級?！?/p>

同時，螞蟻靈波CEO朱興反復強調數據的三個維度：規模、分布、質量，尤其是多模態之間的對齊?！耙舢嫴煌?，這個數據就沒用?！备匾氖?，靈波認為數據的終極形態不是靜態的“堆量”，而是動態的“飛輪”——模型在真實世界中應用、迭代，失敗的數據反饋回來重新訓練，形成一個自增強的閉環。

“失敗的數據的價值，在某種程度上可能更高，”朱興認為，“這個行業真正的數據跑通，就應該是有真實數據的應用類數據反饋回來?！?/p>

這也體現在靈波從零搭建的數據閉環系統上，核心優化指標是“latency”——從數據采集、處理、訓練到反饋的完整鏈路周期?！拔覀儾皇侵豢磾祿?，而是通過模型訓練的結果反向推動數據要怎么弄，這個環路整個是通的?！?/p>

Scaling Law的曙光當行業還在GPT-0.5時刻

當下的具身智能行業，具身智能大腦還沒有達到大語言模型GPT-1.0時刻的水平，智能涌現尚未發生，這是行業共識。

不過，螞蟻靈波同時透露了一個令人振奮的信號：在靈波 2.0 系列的模型探索中，已經看到了Scaling Law的苗頭。

在大語言模型的發展歷程中，Scaling Law——即模型性能隨計算量、數據量和參數量的增加而可預測地提升——是智能涌現的前兆。如果具身智能大腦也開始呈現類似的規律，那意味著這個領域可能正在接近一個關鍵的拐點。

“過去一兩年，具身智能的小腦和硬件進展非常快，相比小腦的進展，大腦的進展是慢的?！敝炫d打了個比方：人可能從樹上下來之后，四肢一開始不是站直的，現在隨著大腦的發展，反向重新定義小腦和身體——“那應該是未來幾年我們也會看到的事情?！?/p>

據了解，目前螞蟻靈波的模型已支持17家廠商20種機器人構型，預訓練階段已經“見過”這些構型對應的真實數據，這意味著客戶在后訓練階段的成本可以顯著降低。

同時朱興也坦承，從模型到真正的商業落地，后訓練仍是不可逾越的環節，且技術門檻極高。靈波的商業化路徑呈現“抓兩頭”的特征：一頭是 Research 牽引，持續探索模型上限；另一頭是落地，包括與本體聯盟伙伴在倉儲、服務、工業等場景的投產。

終局之問，一個模型還是多個模型？

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

這么多模型，具身智能大腦的發展，最終到底是一個通用模型，還是多個專用模型？

“從螞蟻靈波的視角，我們最終可能只有一個模型?！鄙蛴钴娬J為，今天螞蟻靈波發布多個模型，是因為每個模型解決一個具體的技術問題——LingBot-Video解決 MoE訓練穩定性問題，LingBot-World 2.0 解決雙向預測到單向預測的轉換問題……現在大家看起來好像是有很多所謂的技術路線之爭，但每一個“技術路線”解決的是一個具體的技術問題。當這些技術問題被解了之后，慢慢的會融合到一個更好的模型里面去。

不過，這個時間表還存在不確定性，因為其不不來自模型本身，還有硬件的迭代周期。“迭代一款模型可能需要3個月，而迭代一款硬件可能至少要一年時間。”物理世界的周期與模型開發的周期天然不匹配，這也是具身智能領域獨有的約束條件。

“物理世界更重要的，不僅是快，還要合理?！鄙蛴钴娬f，這確實是一條更艱難的道路，需要更高的研發成本、更長的驗證周期、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候，最終還是必須退回來，自己開發。

當行業主流還在用數字世界的視頻生成模型做“微創新”時，螞蟻靈波選擇從零開始，預訓練一個為物理世界原生設計的模型；當大家都在討論十萬小時、百萬小時的數據量時，靈波更關注數據的質量、分布和閉環效率；當 VLA 和 VA 兩條路線被塑造成非此即彼的選擇時，靈波認為它們終將融合為一個更完整的智能體。

“具身原生是我們認為長期正確的方向，我們在這個方向延長線上不斷往前，日拱一卒。”螞蟻靈波CEO朱興說，一方面要持續探索具身智能新上限，另一方面也將加速構建開放的技術生態和場景生態，助力機器人加速走向產業場景。

據了解，2026年7月17日至20日WAIC 世界人工智能大會期間，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。