在近期一场备受瞩目的沟通会上，媒体围绕机器人大脑的发展现状与前景，从多个角度展开追问。其中，一个核心问题备受关注：当下机器人大脑距离真正投身物理世界执行任务，究竟还有多远？蚂蚁灵波的CEO朱兴与首席科学家沈宇军给出了冷静且务实的判断，他们认为当前机器人大脑的发展程度，或许尚未达到类似GPT-1的阶段，行业尚未迎来真正的智能涌现，技术路线也处于多元探索、尚未统一的态势。
过去一年，机器人领域概念层出不穷，VLA、世界模型、视频动作模型等纷纷登场。蚂蚁灵波在此次活动中一口气发布了6款模型，不过其目标并非单纯追求模型数量，而是聚焦于解决更具体的问题：数字世界训练出的大模型能否直接适配机器人身体？物理世界是否需要一套从感知、预测到行动全新设计的模型体系？灵波选择从物理世界的实际约束出发，重新构建这套模型体系。
沈宇军现场分享的“开门见猫”案例，生动地说明了数字世界大模型与机器人需求的差异。一扇不透明的玻璃门后有只猫，普通视觉模型能识别猫并描述画面，但机器人要接近猫时，仅“看见”远远不够。它必须理解玻璃门是物理阻碍，在门打开前，猫处于机械臂无法触及的空间。数字模型关注画面内容，而机器人还需判断距离、遮挡、接触关系以及可达性，语义识别正确只是完成物理任务的第一步。
像即梦、万相等视频模型主要服务于内容创作，用户提供文字或剧本后，模型可参考完整故事，投入更多算力提升画质和连续性。但机器人面对的是实时变化的世界，时间单向流动。它抓取杯子时，无法预知下一秒是否有人碰桌子或杯子是否滑动，只能依据当前状态预测下一步动作，并在传感器反馈新信息后及时修正。对机器人而言，画面美观并非关键，预测需合理、迅速且能转化为实际行动。灵波团队将这种路线命名为“具身原生”，并从头训练LingBot-VA 2.0。公开技术论文显示，该模型采用因果预训练、稀疏MoE和异步推理等设计，以满足高频、闭环的机器人控制需求。这种设计甚至允许预测画面有一定变形，只要机械臂动作方向正确即可，传感器会持续提供真实画面供模型校准。
VLA路线在理解人类语言意图方面更具优势，且推理资源消耗较低，是目前更容易落地的方案。灵波采用VLA进入场景、检验数据，再用VA探索动态建模和未来预测。沈宇军认为，当前分立的技术路线如同拼图，未来可能汇聚成一个统一模型。从这个角度看，灵波发布6款模型，更像是在拆解机器人大脑尚未解决的单点问题，未来模型数量或许会减少。
选择“具身原生”路线，数据问题随即成为关键挑战。沟通会上，这一问题被媒体反复提及：十万小时数据够不够？百万小时能否出现智能涌现？千万小时能否迎来机器人的“ChatGPT时刻”？朱兴直言，千万小时可能仍不足够。与自动驾驶相对明确的交通规则和驾驶任务不同，通用机器人需进入工厂、仓库、家庭等多样场景，接触不同材质物体，适配不同身体，还要处理无法预定义的失败状态，数据分布远比单一驾驶任务复杂。
公开论文显示，LingBot-VLA 2.0的预训练数据从第一代的约2万小时增至6万小时，涵盖5万小时机器人轨迹和1万小时第一视角人类视频，覆盖17家厂商的20种机器人构型，动作空间也从双臂扩展到头部、腰部、移动底盘和灵巧手。然而，6万小时仅是起点，灵波更看重数据闭环的速度和质量。真实数据还包括通过UMI、Ego等方式记录的人类操作过程，可低成本扩充行为数据。下一阶段还需补充触觉、力觉等模态，并与第一视角视频对齐。团队需持续解决多个工程问题：哪些数据真正用于训练？模型在哪些任务上失败？新采集任务能否快速覆盖能力缺口？从采集、处理、训练到反馈的链路需要多长时间？数据规模扩大后，还需筛选高价值样本。自动驾驶领域已出现类似变化，早期追求数据量，后期则从海量帧中筛选最能改善模型的少数样本。机器人的异常和失败数据尤为珍贵，更可能决定模型能否处理长尾问题。灵波支持20种构型，厂商接入后仍需围绕具体任务进行后训练，预训练的作用是让模型提前熟悉不同身体。
在机器人大脑的商业化进程中，成功率是首要考量因素。现场有媒体提及仓储案例：人工用叉车搬运一次仅需30秒，机器人却需1分钟甚至更久，遇到新情况还可能停下重新判断。朱兴将成功率置于速度之前，他认为机器人动作再快，若连续失败，企业仍需安排人员接管，部署难以产生经济价值。只有成功率稳定，企业才会进一步关注节拍、推理效率和单位成本。基础模型与后训练在此形成分工，朱兴将预训练比作培养基础素质优秀的大学生，进入银行做会计仍需职业训练。具身基础模型提升能力上限，后训练则将模型转化为生产工具。对于机器人厂商和场景客户，后训练涉及数据采集、标注、模型适配、部署和推理优化等环节，每个环节都产生成本。基础模型越智能、见过的构型和任务越多，后训练的工作量就越少。通用机器人大脑的商业价值在于降低每个场景单独开发模型的投入，工厂打螺丝的机器人无需学会洗碗，酒店和仓库也会选择不同本体，场景决定身体，通用大脑需适配更多身体。
灵波已表示正与本体厂商推进产业落地，探索买断、订阅和定制等收费模式。不过，现场未披露客户案例、收入规模和成本模型等可供外界验证的信息。目前，市场能确认的是灵波的技术路线和生态位置，规模化商业闭环仍需更多项目数据支撑。
从头训练机器人大脑是一项长期且艰巨的任务，预训练、数据基础设施、真机验证和本体适配等环节，任何一项都难以靠小团队快速完成。蚂蚁为灵波提供了资金、人才、训练基础设施、数据处理能力和场景生态等核心资源。灵波在此基础上搭建从空间感知、视频生成、交互世界模型到VLA、VA的全栈模型体系，并通过本体合作验证投产能力。这一布局反映了蚂蚁对产业格局的判断：具身智能仍处于类似“百模大战”的早期阶段，未来可能收敛为少数几家通用基础模型提供商。机器人距离大规模进入家庭仍有很长路要走，现在类比Windows或Android为时尚早。观察蚂蚁灵波2.0，模型参数和榜单只是部分指标，更关键的是能否持续提高跨任务、跨场景和跨构型的成功率，以及能否将后训练成本降至客户可接受的水平。数字世界的Agent在基础模型能力提升后迅速普及，具身智能也可能经历类似的能力外溢，只是物理世界多了真实身体的约束，模型的每个判断最终都要由真实身体执行，蚂蚁灵波选择提前重构这颗大脑，其路线能否走通，最终取决于机器人能否真正胜任工作。
