蚂蚁灵波想证明的一件事：机器人大脑正在从通用模型迁移，走向具身原生预训练的新阶段，从模型架构、数据体系到训练目标，都要面向物理世界重新设计。

作者｜周悦

编辑｜栗子

蚂蚁灵波又把技术发布变成了一场马拉松。

从7月7日到7月10日，这家蚂蚁集团旗下的具身智能公司，连续发布6个模型：LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-Video、LingBot-World 2.0和LingBot-VA 2.0。4天里，从空间感知、灵巧操作、世界模型和世界动作模型，蚂蚁灵波把机器人大脑从感知、预测到行动的关键环节，集中推到台前。

今年1月，蚂蚁灵波曾在一周内密集发布LingBot-Depth、LingBot-VLA、LingBot-World和LingBot-VA四个模型。他提到，蚂蚁灵波内部始终只有“一盘棋”，这4个模型是同一张大拼图里的不同模块。

7月10日发布会上，蚂蚁灵波CEO朱兴解释，1.0系列之后，今年上半年很重要的一件事是“模型投产”。模型用和不用差别很大，真实环境里暴露出来的问题，往往很难在实验室和Benchmark里复现，包括环境泛化、任务泛化和构型泛化。2.0系列正是结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术突破推出的。

相比1月，这次蚂蚁灵波新增了视觉和视频两个从头预训练的基座模型，也将空间感知、灵巧操作、世界模型和世界动作模型整体升级为“全栈大脑2.0”。

沈宇军把“具身原生”拆成三个更通俗的问题：机器人要“看得更清楚，想得更明白，干得更利索”。在他看来，这三件事本身就是物理世界区别于数字世界的地方。

在6个模型中，压轴发布的LingBot-VA 2.0是最核心的锚点。LingBot-VA 2.0是行业第一个具身原生预训练模型，试图让机器人不只基于当前画面反应，也把“动作之后世界会怎样变化”纳入判断。

这也是VA路线和VLA路线的关键区别，VLA更像是让机器人看见之后执行，VA则试图让机器人预测之后行动。

从1月到7月，蚂蚁灵波密集发布的不是几个孤立模型，而是一条越来越清晰的路线。它代表蚂蚁灵波想证明的一件事：机器人大脑正在从通用模型迁移，走向具身原生预训练的新阶段，从模型架构、数据体系到训练目标，都要面向物理世界重新设计。

1.“全栈大脑2.0”先要形成世界表征

机器人要真正行动，第一步不是动作，而是先形成一套关于世界的表征。

这个例子说明，数字世界只要“看见”，物理世界还要判断“摸不摸得着”。

这也是LingBot-Vision和LingBot-Depth 2.0在“全栈大脑2.0”里的位置：前者学习更稳定的边界与空间结构表征，后者把不完整的深度输入补全成更连续、更可靠的三维空间。

LingBot-Depth 2.0是这个思路的直接落点。

1月发布LingBot-Depth 1.0时，蚂蚁灵波已经在解决透明、反光等复杂场景下的空间感知问题。到了LingBot-Depth 2.0，核心变化有两点：把视觉基座换成LingBot-Vision，并把训练数据从300万扩充至1.5亿规模。

根据蚂蚁灵波团队的数据，LingBot-Depth 2.0在深度补全基准的16项测评中获得12项第一；在最难的室内大面积深度缺失场景中，深度误差较上一代减半，RMSE从0.132降至0.062；在玻璃、镜面、透明物体等传统深度相机最容易失灵的场景中表现突出。

LingBot-Depth 2.0在镜面、玻璃等困难场景中补全出完整、平整的三维结构，图片来源：蚂蚁灵波

看清空间之后，问题变成了变化。

真实世界不是静止的。传送带上的物体在移动，桌面上的杯子可能被推倒，人会突然介入，机器人自己的抓取、推动、放置，也会改变场景。

沈宇军解释，数字世界的视频生成更在意高清、想象力和创造性；但物理世界里，机器人做事前的“想象”更看重两个东西：快、合理。人并不会精确预测一杯咖啡摔倒后会洒成什么形状，但会立刻知道“它会洒一地”。

LingBot-Video和LingBot-World 2.0的意义，也不在于再做两个视频生成模型，而是在为VA 2.0补两块能力。

沈宇军提到，LingBot-Video和LingBot-World 2.0是在解决更大模型拼图里的单点技术问题：LingBot-Video解决MoE视频模型如何稳定训练、提高效率，LingBot-World 2.0解决如何面向真实交互的单向预测做视频生成。两项技术最后都融合进了Lingbot-VA 2.0训练里。

下一步，才是动作层：机器人如何把感知和预测转化成真实动作，这对应LingBot-VLA 2.0和LingBot-VA 2.0。

2.机器人大脑要把预测变成动作

看清空间、理解变化之后，机器人大脑最终要回到动作。

这是LingBot-VLA 2.0和LingBot-VA 2.0在“全栈大脑2.0”里的位置：前者对应今天更成熟的落地路线，让机器人先干起来；后者指向下一阶段的视频—动作模型路线，让机器人在行动前多一步推演。

在今天的具身智能产业里，VLA路线的逻辑相对清楚：把视觉、语言和动作连接起来，让机器人根据当前观察和语言指令生成动作。过去一两年，π0、π0.5、GR00T、OpenVLA等模型，都在推动这条路线走向更通用的机器人策略模型。

LingBot-VLA 2.0要解决的，是这条路线进入真实场景后遇到的几个问题：本体更复杂，任务更长，动作空间也更丰富。沈宇军提到，很多机器人demo仍停留在实验室环境：机器人站定，桌面固定，只有双臂在动。但真实落地时，问题会变得很细。抬手拿高处物体，头部相机要动；弯腰拿东西，腰部要动；手臂够不到，底盘要挪；更精细的操作，又需要灵巧手。很多需求，“你不落地，根本想不到”。

这也是LingBot-VLA 2.0从9种构型扩展到17家本体厂商、20多种构型，并增加头部、腰部、灵巧手、底盘等自由度的原因。

蚂蚁灵波披露，LingBot-VLA 2.0在预训练阶段使用约6万小时高质量真实物理数据，其中包括5万小时机器人轨迹和1万小时第一视角人类视频，覆盖20种机器人构型。它的关键不只是数据规模，而是异构本体能不能被放到同一套训练体系里。

不同机器人有不同自由度、不同相机位置、不同末端执行器。如果每换一种身体都重新采集、重新训练，落地成本很难降下来。LingBot-VLA 2.0的价值，是尝试把不同构型的数据纳入统一训练框架，让模型先在预训练阶段熟悉更多身体。

LingBot-VLA 2.0支持20多种构型，图片来源：蚂蚁灵波

在长程移动操作任务上，LingBot-VLA 2.0也相较π0.5保持优势。比如物体放入冰箱、灶台清洁这类任务，机器人需要先移动到目标区域，再完成抓取、放置、开门、清洁等连续动作。模型能推进更多步骤，本身就是落地能力的一部分。

VLA 2.0也开始补齐“预测”能力。简单说，VLA 2.0仍然以“看见之后执行”为主，但它已经开始学习动作之后的空间变化和时间演化。

不过，VLA仍然有边界。它的主线仍然是从观察到动作。在更动态、更长程、更不确定的任务里，机器人还需要进一步理解：这个动作做出去之后，世界会怎样变。

这就是Lingbot-VA 2.0要回答的问题，如果说VLA的关键词是执行，VA的关键词则是推演。

VA不只生成动作，也预测未来世界状态。机器人既要知道“现在该怎么做”，也要判断“这样做之后会发生什么”。这也是为什么 LingBot-VA 2.0被放在这轮发布的最后：它指向蚂蚁灵波对下一阶段机器人大脑的判断。

从行业路线看，VLA和VA也对应着两种演进方向。

一条是以π0、π0.5、GR00T、OpenVLA等为代表的VLA路线。它继承视觉语言模型的语义理解能力，把观察、语言和动作直接连接起来，优势是成熟、直接、离真实落地更近。

另一条是VA/WAM，也就是视频动作模型或世界动作模型。DreamZero、Cosmos Policy、LingBot-VA都在这条线上。它们把视频预测、世界模型引入机器人控制，把未来场景演化作为动作生成的一部分。

不过，沈宇军并不认为VA和VLA是二选一。他表示，VLA是当前更容易落地的主流路线，VA/WAM补上了动态建模和未来预测；但未来不会是“VA或者VLA的天下”，而会出现一个“1+1>2”的新模型。在他看来，现在很多所谓技术路线之争，本质上只是不同团队在解决不同的单点技术问题。

LingBot-VA 2.0的重点，在于“原生”。“原生”的关键不只是从头训练，而是把动作问题提前放进预训练。

过去很多视频—动作模型，是先有通用视频生成，再接机器人动作模块。LingBot-VA 2.0试图反过来，从视觉编码、训练目标、模型结构到推理机制都围绕机器人控制重做。

具体来说，视觉状态和潜在动作被放进同一个语义空间，模型按单向时间顺序学习世界如何演化，MoE用来平衡容量和推理成本，异步推理则让机器人执行当前动作时并行预测下一步，再用真实观察把预测拉回现实。这套设计试图回答世界动作模型最常被质疑的问题：既然要推演未来，机器人能不能来得及反应。

对VA路线来说，最容易被质疑的是推理延迟。LingBot-VA 2.0技术报告显示，LingBot-VA 2.0的推理时间从927ms/chunk降至142ms/chunk，异步控制频率从35Hz提升至225Hz，实现了6.5倍的端到端加速。

在真实世界评测中，LingBot-VA 2.0覆盖了水果分拣、笔具收纳、抽屉整理和托盘递送四类日常操作任务。每个任务只用了20条遥操作示教数据，训练出的却是一个可以同时处理多类任务的通用策略模型，而不是一个任务配一个专项模型。结果显示，它在最终成功率和任务推进度上都超过了π0.5和上一代LingBot-VA。

但这些数字更重要的意义，不在于单次刷新榜单，而在于证明一件事：VA路线如果要进入真实机器人，不能只会“想”，还必须足够快，能够在闭环控制里跑起来。

Lingbot-VLA 2.0让机器人先在真实场景里干起来。Lingbot-VA 2.0则把动作生成往前推了一步：机器人不只基于当前画面反应，也开始把未来世界变化纳入行动，并在真实反馈中不断校正。

3.落地真正贵的是迁移

具身智能进入落地阶段后，最贵的往往不是单次Demo，而是迁移。

换一个本体，动作空间要重新对齐；换一个场景，物体、光照、遮挡、流程都会变化；换一个客户，数据采集、后训练、评测和部署调试又要重新来一遍。每个客户都要重新跑一遍，显然是不可持续的事情。

这也是蚂蚁灵波强调“全栈大脑2.0”的背景。

它要解决的，不只是某个模型能力够不够强，而是感知、预测、动作和数据能不能沉淀成一套可复用的能力。

朱兴强调，预训练解决上限，后训练托底下限。真正交付到客户现场，仍然要考虑数据怎么采、怎么标、训练效率跟不跟得上、部署效果好不好、推理效率够不够。这些最终都会变成客户成本。基模能力越强，后训练成本才越有机会下降。

从产业位置看，蚂蚁灵波想做的不是某一种机器人本体。

今年1月，沈宇军接受「甲子光年」采访时就提到，机器人形态很难由一种构型通吃所有场景，蚂蚁灵波更倾向于做适配不同身体的通用大脑。半年后，这个定位更清楚：所谓通用大脑，核心不是让一个模型包打天下，而是让一套模型能力尽可能在不同本体、不同任务和不同场景之间复用。

沈宇军进一步解释，本体不是由大脑选择，而是由场景选择。不同场景会需要不同机器人身体，灵波要覆盖更多场景，就必须覆盖更多本体。通用大脑的价值，是在构型泛化和任务泛化两个维度上降低后训练成本。

LingBot-VLA 2.0已经支持17家机器人厂商的20多种构型。适配数量只是一方面，蚂蚁灵波团队也在也在尝试降低跨本体迁移的成本，把不同身体的数据可以进入同一套训练体系，不同动作空间可以被映射到统一接口，让不同机器人也能复用同一套大脑能力。

空间感知层的落地，则体现在蚂蚁灵波和奥比中光的合作里。

LingBot-Depth 2.0已通过奥比中光深度视觉实验室专业认证。后续，奥比中光将推出集成LingBot-Depth最新模型能力的SDK产品，供机器人客户在端侧使用；并计划于年底推出集成LingBot-Depth商业版的一体化相机产品，实现“3D相机+空间感知能力”的一体化交付。

这类合作比模型发布本身更靠近产业链。它意味着蚂蚁灵波的模型能力，开始进入传感器、端侧SDK、数据采集设备和机器人硬件链路。对具身智能公司来说，模型只有进入真实设备和真实客户流程，才会持续获得新的数据和反馈。

场景侧也在推进。蚂蚁灵波已经携手乐聚、钛虎等本体伙伴，以及国大药房、隆盛等客户伙伴，在零售分拣、物流分拣、工业等场景开启商业落地测试；同时联合简智科技等数据联盟伙伴，共建标准化数据体系。

这背后还有一条更暗的线：数据。

朱兴提到，做具身基模不能只看数据规模，还要看分布和质量，尤其是多模态之间是否对齐。数据如果起不来，无论是规模、质量还是分布，模型架构都容易变成“空中楼阁”。“训练模型像炼丹，最核心的配方就是数据配方”。

沈宇军则把数据闭环拆得更细：采集、处理、送给模型训练，训练结果再反馈到采集端。这个环路的核心指标是延迟（latency），也就是从发现问题到反馈采集侧需要多久。灵波自己搭了数据基础设施，并通过模型训练结果反向推动数据应该怎么采、怎么处理。

这也是蚂蚁灵波反复强调“具身原生”的原因。

机器人面对的是物理世界，包括边界、深度、接触、延迟、失败、修正等等要素。它不仅要在一次演示里成功，还要在反复部署中变得更稳。沈宇军说，“具身原生，讲起来是个态度，做起来是个能力。”

为了这条路，蚂蚁灵波团队分别攻了MoE训练、因果训练、以边缘为中心的视觉预训练等问题，而这些方向在数字世界里并没有现成经验可照搬。

LingBot-VA 2.0被放在最后发布，正是因为它代表蚂蚁灵波对下一阶段的判断。作为行业第一个具身原生预训练模型，LingBot-VA 2.0背后对应的是一条更前沿的路线：机器人大脑不能长期停留在“通用模型+机器人动作模块”的阶段，而要围绕物理世界重新设计预训练目标、数据体系和模型架构。

当然，这条路线还需要继续验证，但这次发布已经释放出一个明确信号：蚂蚁灵波想强调的，不只是某个模型指标，而是机器人大脑变成可复用、可迁移、可持续学习的系统能力。

如果VLA 2.0能持续降低跨本体落地成本，Depth 2.0能进入传感器和数据采集链路，VA 2.0能在动态任务中证明“预测后行动”的价值，蚂蚁灵波争夺的就不只是某个模型发布窗口，而是具身智能产业链里的智能层位置。

（封面图来源：AI生成）