螞蟻，為何狂卷具身智能？

投生態(tài)、造本體、做大腦。

AIX財經(jīng)（AIXcaijing）原創(chuàng)

作者 | 王漢星

編輯 | 魏佳

一家過去二十年都被外界習慣性歸入“金融科技”的公司，最近頻繁地和具身智能這個詞綁在一起。

七月初，螞蟻集團旗下的螞蟻靈波用四天時間連續(xù)發(fā)布六款具身智能大模型，覆蓋視覺、視頻、空間感知、靈巧操作、世界模型和世界動作模型（WAM）等多個方向，這是這家公司半年內(nèi)的第二次密集發(fā)布相關模型。

螞蟻對具身智能的布局，其實已經(jīng)鋪開一年多。早在2024年4月，螞蟻就砸下數(shù)億元投資了視頻生成大模型公司愛詩科技，視頻生成是世界模型這條技術路線的底座，這筆投資也被視作螞蟻在具身智能“大腦”方向的第一次布局。同年12月，螞蟻成立全資子公司螞蟻靈波專注具身智能業(yè)務，2025年9月，螞蟻靈波推出首款服務機器人Robbyant R1。從產(chǎn)業(yè)鏈上的整機、靈巧手到大腦基座，幾乎都能看到螞蟻的身影。

而螞蟻進入的這條賽道，正是過去兩年AI領域最火熱的方向之一。頭部本體公司的融資節(jié)奏幾乎按月更新，估值一路走高，硬件形態(tài)在逐漸趨同，但大腦到底該怎么做，行業(yè)里還沒有統(tǒng)一答案。互聯(lián)網(wǎng)大廠、機器人本體公司、創(chuàng)業(yè)公司陸續(xù)下場，技術主張各有不同，有的押VLA，有的押世界模型，螞蟻靈波則選擇了比較少見的多路線并行的打法。

不過，外界的疑問也不少。

螞蟻過去二十多年的發(fā)展一直圍繞支付寶這個超級APP展開，先做支付，再做金融，然后延伸到醫(yī)療健康，機器人硬件不是它的傳統(tǒng)領域，具身大腦更是需要長周期的算力、人才和數(shù)據(jù)投入。

一家做慣了輕資產(chǎn)、快周轉生意的公司，為什么愿意押注一個短期看不到回報、競爭又異常激烈的賽道？更何況，在具身智能領域，螞蟻既沒有相關經(jīng)驗，也沒有先發(fā)優(yōu)勢，它真的能夠后來居上嗎？

01.螞蟻做具身：投生態(tài)、造本體、做大腦

螞蟻的具身智能路徑可以分成三個階段，投資生態(tài)、造本體、做大腦，三步之間時間上有重疊，但重心的遷移路徑很清晰。

最先啟動的是投資。

翻一遍這兩年螞蟻投過的機器人公司會發(fā)現(xiàn)，它幾乎不錯過任何一個環(huán)節(jié)的頭部選手，其中有中游本體廠商宇樹科技、星海圖，也有上游關鍵零部件比如做靈巧手的靈心巧手。先通過投資建立初步的產(chǎn)業(yè)生態(tài)，也是科技互聯(lián)網(wǎng)大廠最熟悉的方式。

僅僅做投資顯然不能滿足螞蟻的野心。2024年12月，螞蟻在上海張江注冊了全資子公司螞蟻靈波科技，公司成立后的第一個動作是在2025年9月推出首款服務機器人產(chǎn)品Robbyant R1。R1的定位是家庭服務，可以被用于取菜、烹飪、清潔等標準化服務場景。

但放在去年9月這個時間節(jié)點，機器人本體市場的競爭已經(jīng)非常激烈，全年出貨量超過1萬臺，頭部本體公司一年能賣出四五千臺機器人，在這樣的背景下，螞蟻選擇把重心移向具身大腦。

2026年1月，螞蟻靈波開源了四款具身大模型：LingBot-Depth、LingBot-VLA、LingBot-World、LingBot-VA。從模型的命名上能大致看出它的技術路線分別覆蓋了深度感知、VLA、世界模型、以及世界動作模型。

VLA和世界模型是當前具身智能大腦的兩大流派。VLA，全稱視覺-語言-行動模型，核心思路是把攝像頭看到的畫面、聽到的語言指令，直接映射為機器人的物理動作。它的優(yōu)點是反應快、延遲低、執(zhí)行能力強，缺點是缺乏對環(huán)境的深層理解，泛化能力有天花板。

另一派是世界模型，強調(diào)機器人對物理世界的理解、預測和模擬能力。機器人在動手之前，先在“腦子”里推演一遍，再決定怎么動。世界模型的想象空間更大，但對算力、數(shù)據(jù)和訓練方法的要求也更苛刻，短期內(nèi)很難像VLA那樣直接落地。

螞蟻靈波選擇了雙線并進。LingBot-VLA走的是VLA路線，基座是視覺-語言模型（VLM），LingBot-VA走的是世界模型路線，基座是視頻生成模型（VideoGen）。兩套系統(tǒng)的訓練數(shù)據(jù)完全共享，只是基座不同。

在開源四款模型的半年后，螞蟻靈波又發(fā)布了升級版的六款模型。相比1月份的四款，7月這一波先對此前的四款模型做了2.0的升級版，多出來的兩款模型是LingBot-Vision和LingBot-Video，兩個都是從零預訓練的基座模型，代表螞蟻開始搭建自己的視覺和視頻底座。

這六款具身大模型中，Vision、Video、Depth偏技術底座，VLA和World代表兩種技術路線，而VA2.0被稱為行業(yè)首個具身原生世界動作模型，簡單來說它在原有的執(zhí)行基礎上，可以持續(xù)判斷“世界接下來會如何變化”，并同步生成下一步動作，是目前世界模型在具身智能領域應用里比較常見的一種方式。

回看在具身智能上的一連串布局，螞蟻把自己的AGI目標拆成了兩個層面：數(shù)字智能和物理智能。數(shù)字智能這一側，底層是自研的百靈大模型，應用層則是AI支付寶、螞蟻阿福和靈光。

物理智能這一側，螞蟻靈波是核心執(zhí)行主體，具身大腦和本體的研發(fā)都放在這家子公司。

兩者共同服務于一個更大的目標：讓螞蟻在AI時代繼續(xù)掌握用戶入口，同時保留對基礎模型和下一代交互形態(tài)的控制力。

02.主業(yè)見頂，螞蟻到物理世界找增量

螞蟻做具身智能，最直接的背景是戰(zhàn)略重心發(fā)生了變化。

早在2023年，螞蟻提出了“AI First”的集團戰(zhàn)略，具身智能被納入螞蟻的AI敘事，其實是一個自然的路徑展開。

螞蟻靈波首席科學家沈宇軍曾表示，螞蟻過去做的是生活相關的服務，過去在數(shù)字世界積累，未來要更好地服務用戶肯定會進入到物理世界。

具身智能是目前AI落地物理世界的一個重要入口。

再往下一層，還有技術底座的復用問題。螞蟻過去在支付、金融領域的探索，讓它在圖計算、機器學習等技術上有比較深厚的積累，只不過過往這些能力常常被“金融科技”這個標簽遮住。

這些能力單拿出來講都不夠性感，但在具身智能大腦領域，大規(guī)模數(shù)據(jù)處理、多模態(tài)融合、復雜決策、分布式訓練與螞蟻過往的技術積累有很多可以相互關聯(lián)的地方。

從這個角度理解，螞蟻下場做具身大腦并不是從零開始，更像是把過去在數(shù)字世界里練出來的手藝，試圖往物理世界里遷移一遍。

不過技術復用只是理論上說得通，能不能落成實踐是另一回事。

一位長期跟蹤具身智能行業(yè)的投資人告訴「AIX財經(jīng)」，從他看過的BP里，近期入場的具身大腦創(chuàng)業(yè)公司預訓練數(shù)據(jù)量普遍都是10萬小時起步，靈波此前透露的LingBot-VLA2.0預訓練數(shù)據(jù)大約是6萬小時，這個數(shù)字沒有明顯優(yōu)勢。

數(shù)據(jù)規(guī)模在具身智能的當前階段是硬門檻，螞蟻在這一點上并沒有跑在最前面。

事實上，除了服務于集團的整體AI戰(zhàn)略和技術延伸外，具身智能還有一重更簡單的身份是幫助螞蟻打開增長的天花板。

近年來隨著競爭和監(jiān)管環(huán)境的變化，螞蟻的金融科技主業(yè)增長天花板逐步顯現(xiàn)，螞蟻開始把更多的精力放在生活服務和健康領域。

去年年底，螞蟻集團CEO韓歆毅發(fā)布全員信，宣布升級組織架構，將原“數(shù)字醫(yī)療健康事業(yè)部”升級為“健康事業(yè)群”，并將加速推動醫(yī)療健康業(yè)務成為戰(zhàn)略支柱板塊。

可以預見的是，在老齡化社會里，AI助手不僅要解決問診這一個問題，最終還要有實體，陪伴、送藥、康復、看護，這些是純軟件解不了的問題，沈宇軍說未來要更好地服務用戶肯定會進入到物理世界，這是業(yè)務的自然延伸。

由此可見，具身智能對螞蟻而言，是把主業(yè)延伸到線下場景的一個技術工具，本質(zhì)上是老業(yè)務的一次形態(tài)升級。

這套邏輯聽起來自洽，但同樣面臨挑戰(zhàn)。具身智能本身是一個需要長期、大量資金、算力和人才投入的行業(yè)，螞蟻在AI戰(zhàn)線上要做的事情已經(jīng)很多，有基座大模型、支付寶AI化、螞蟻阿福、靈光、健康AI、全球化，每一塊都在燒錢，有多少精力和資源能分給具身智能是個未知數(shù)。

靈波更像是一個大廠內(nèi)部項目，這在順境里是優(yōu)勢，資源來自集團，不必為了融資對外講故事。但遭遇長周期的技術不確定性時，則意味著它的命運并不完全取決于自己，而取決于螞蟻在集團層面還愿意給它多長的耐心。

03.面臨三類對手，螞蟻的機會有多大？

在具身智能這個還沒有跑出真正頭部的市場，螞蟻的對手大致可以分成三類：其他互聯(lián)網(wǎng)大廠、專門做本體的硬件公司、以及聚焦于大腦的創(chuàng)業(yè)公司。

先看第一類，也就是和螞蟻同一量級的大廠。阿里在通義體系下推出了Qwen-Robot，但產(chǎn)品定位更偏平臺工具，它給機器人廠商提供多模態(tài)基礎模型，本身并不做本體，也不深入到具身大腦的操作層。

騰訊的Robotics X研究院走的是“云+投資”路線，云端能力對外輸出，把大腦以及算力賣給機器人公司；華為CloudRobo同樣以云端為主，把機器人接入華為云生態(tài)；京東和美團在具身機器人上采取的是重投資、輕自研的策略，京東更看重物流場景，美團更看重外賣配送。

放在這張地圖上看，螞蟻靈波的位置有點特殊。它是唯一一家同時押注大腦基座、世界模型和本體落地的大廠。

第二類是硬件本體公司，宇樹、智元、銀河通用、星動紀元、樂聚等。這一批公司在本體上的能力顯著強于螞蟻靈波。它們中的大部分也在自研大腦，只不過很多還處在早期階段。

并且這些本體廠商中也有不少與螞蟻有合作關系，除了螞蟻直接參與投資的宇樹、星海圖，今年6月，樂聚機器人官宣旗下KUAVO 4 Pro（夸父）已經(jīng)完成了LingBot-VLA的后訓練適配，并且圍繞GM-100評測體系里的95個真實操作場景做了系統(tǒng)性的真機測評。

到7月，螞蟻公開的數(shù)據(jù)是LingBot-VLA 2.0已經(jīng)適配了17個品牌20種構型，這些品牌包括樂聚、智元、星塵智能、宇樹、松靈、星海圖、銀河通用、睿爾曼、Franka、方舟、北京人形、傅利葉、魔法原子、千尋、零次方、非夕和青龍，構型上同時包括了單臂與雙臂，雙足與輪式等多種形態(tài)。

第三類競爭對手主要是聚焦于大腦的創(chuàng)業(yè)公司，比如深度機智、它石智航等。

與這一類公司的競爭優(yōu)劣勢很難直接比較，一位具身智能大腦相關從業(yè)者告訴「AIX財經(jīng)」，現(xiàn)在具身大腦創(chuàng)業(yè)公司還停留在講故事階段，每個人都有自己的技術路線主張，沒有統(tǒng)一評測標準。它不像本體，可以拉出來跑一段展示運動能力，大腦的能力很難可視化。

評測標準的缺失讓這個行業(yè)更難有共識。大語言模型有一整套多層次的評測生態(tài)，行業(yè)內(nèi)共識度高。盡管已有公司在布局，但具身智能大腦到目前為止還沒有類似的評測基準，場景不一樣、任務不一樣，測試結果天差地別，也就沒有一把行業(yè)公認的尺子來量。

把三類對手放在一起看，靈波的優(yōu)劣勢明顯。

它最確定的優(yōu)勢是資源。螞蟻的算力體系、AI Infra，以及百靈團隊的積累，靈波都可以直接復用，這是創(chuàng)業(yè)公司短期內(nèi)難以具備的條件。其次是它在產(chǎn)業(yè)鏈中的位置相對中立。靈波雖然也做本體，但R1的出貨規(guī)模有限，還不足以對任何一家本體廠商構成實質(zhì)威脅，這讓它向十幾家廠商開放模型時不必面對“幫對手養(yǎng)大腦”的顧慮。第三是開源的程度，權重、代碼、后訓練工具鏈、評測集全部放出，在技術標準尚未定型的階段，這是把自己變成公共底座最直接的路徑。

但短板也不少。

在本體環(huán)節(jié)，宇樹、智元、銀河通用等公司在硬件工程、供應鏈和量產(chǎn)上已積累數(shù)年，靈波的機器人目前更接近驗證模型的載體，距離走量尚有距離。在數(shù)據(jù)環(huán)節(jié)，靈波真機數(shù)據(jù)主要依賴生態(tài)伙伴供給。一旦本體廠商開始認真自研大腦，供給隨時可能收緊，并和靈波形成競爭關系。

與大廠同行的關系則更微妙。靈波對內(nèi)要在螞蟻的整個AI版圖里爭奪資源，對外僅阿里系就有多個具身智能條線各自為戰(zhàn)，包括千問的Qwen-Robot、高德的世界模型。靈波在訓練數(shù)據(jù)和模型能力層面的差異究竟能否形成護城河，眼下尚無定論。

此外，技術路線的不確定性也是懸在所有玩家頭上的一把劍。今天看，VLA和世界模型的融合聽起來是個合理方向，但融合怎么融、以什么比例融、融到什么程度算成功，沒有標準答案。

螞蟻押的這個方向不一定就是最優(yōu)解，它可能是對的，也可能被別的路線甩開，這是這個階段所有玩家都要面對的共同風險。

眼下的螞蟻靈波更像一張面向未來的期權，它讓螞蟻不至于錯過物理智能的入口，也讓公司有機會把二十年積累的數(shù)字服務能力帶到屏幕之外。但最終要看機器人是否真的走進家庭、醫(yī)院和商業(yè)空間，也要看這些機器人在需要“大腦”時，會不會選擇螞蟻。

*題圖及文中配圖均來源于螞蟻靈波官網(wǎng)。