整场沟通会，媒体把同一个问题换了很多种方式追问。

今天的机器人大脑，距离真正进入物理世界干活，还有多远？

蚂蚁灵波 CEO 朱兴和首席科学家沈宇军给出的判断，比市场的热度冷静得多。当前的机器人大脑，可能还没有走到 GPT-1 时刻。行业尚未迎来真正的智能涌现，技术路线也远未收敛。

过去一年，VLA、世界模型、视频动作模型等概念轮番登场。蚂蚁灵波此次一口气发布 6 款模型，但它想回答的问题更具体。数字世界里训练出来的大模型，能否直接装进机器人的身体？物理世界是否需要一套从感知、预测到行动都重新设计的模型体系？

灵波选择从物理世界的约束出发，重做这套模型体系。

01 数字世界的大模型，为什么装不进机器人的身体

沈宇军在现场讲了一个「开门见猫」的例子。

一扇不透明的玻璃门后面有一只猫。普通视觉模型可以识别门后的猫，也能准确描述画面。但机器人要向猫移动时，仅仅「看见」还不够。它需要理解玻璃门构成了物理阻隔，在门打开之前，猫处于机械臂无法触达的空间。

数字模型关注画面里有什么，机器人还要判断距离、遮挡、接触关系和可达性。语义识别正确，只完成了物理任务的第一步。

即梦、万相等视频模型服务于内容创作。用户给出一段文字或一份剧本，模型可以参考完整故事，花更多算力换取画质和连续性。

机器人面对的时间只能向前流动。它抓取杯子时，不知道下一秒是否会有人碰到桌子，也不知道杯子会不会滑动。模型只能根据当前状态预测下一步，并在传感器返回新信息后修正动作。画面是否漂亮并不重要，预测需要合理、快速，并且能够转化成动作。

团队把这条路线称为「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，服务于高频、闭环的机器人控制。

这种取舍甚至允许预测画面出现一定变形。机械臂准备抓起杯子时，模型生成的杯子可以不够清晰，只要动作方向正确。传感器会持续提供真实画面，模型再根据最新状态校准。

VLA 更容易理解人的语言意图，推理资源消耗较低，是当前更容易落地的路线。灵波用 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，今天分立的技术路线各自在解决一块拼图，未来可能逐渐汇入一个模型。

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仍未解决的单点问题。模型数量未来反而可能减少。

02 从头训练的首要代价，是一场数据长征

选择具身原生，马上会遇到第二个问题，数据从哪里来？

这个问题在现场被反复追问。十万小时够不够？百万小时能不能出现智能涌现？千万小时能否迎来机器人的 ChatGPT 时刻？

朱兴的回答很直接，千万小时可能也不够。

自动驾驶面对相对明确的交通规则和驾驶任务。通用机器人需要进入工厂、仓库和家庭，接触不同材质的物体，适配不同身体，还要处理事先无法定义的失败状态，数据分布远比单一驾驶任务复杂。

公开论文显示，LingBot-VLA 2.0 的预训练数据已经从第一代的约 2 万小时增至 6 万小时，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 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。

6万小时仍然只是起点。灵波更看重数据闭环的速度和质量。

真实数据还包括 UMI、Ego 等方式记录的人类操作过程，可以用更低成本扩充行为数据。下一阶段还要补充触觉、力觉等模态，并与第一视角视频对齐。

团队需要持续回答几个工程问题。哪些数据真正进入了训练？模型在哪类任务上失败？新的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，团队还要筛选高价值样本。自动驾驶已经经历过类似变化，早期追求上量，后期则从海量帧中找出最能改善模型的少数样本。机器人的异常和失败数据尤其昂贵，也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，是让模型提前见过不同的身体。

一脑多机真正节省的，是每换一种本体、每增加一个场景时从零训练的成本。

03 机器人大脑的商业化，先过成功率这一关

现场有媒体提到一个仓储案例。人工用叉车完成一次搬运可能只需 30 秒，机器人却要花 1 分钟甚至更久，遇到新情况还可能停下来重新判断。

朱兴把成功率放在了速度之前。机器人动作再快，连续失败几次以后，企业仍要安排人员接管，部署也很难产生经济价值。成功率稳定之后，企业才会进一步计算节拍、推理效率和单位成本。

基础模型与后训练由此形成分工。

朱兴把预训练比作培养一名基础素质很好的大学生。学生进入银行做会计依然需要职业训练。具身基础模型抬高能力上限，后训练则把模型变成生产工具。

对于机器人厂商和场景客户，后训练包含数据采集、标注、模型适配、部署和推理优化。每一个环节都会转化为成本。基础模型越聪明、见过的构型和任务越多，后训练需要补的课就越少。

通用机器人大脑的商业价值，是降低每个场景单独开发模型的投入。工厂打螺丝的机器人没有必要学会洗碗，酒店和仓库也会选择不同本体。场景决定身体，通用大脑需要横跨更多身体。

灵波已经表示正在与本体厂商推进产业落地，并探索买断、订阅和定制等不同收费方式。不过，现场没有披露可供外界验证的客户案例、收入规模和成本模型。现阶段，市场能够确认的是技术路线和生态位置，规模化商业闭环仍需等待更多项目数据。

04 灵波为什么要做这件重事

从头训练机器人大脑需要长期投入。预训练、数据基础设施、真机验证和本体适配，任何一项都很难靠小团队快速补齐。

蚂蚁给灵波提供的核心资源，包括资金、人才、训练基础设施、数据处理能力和场景生态。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，再通过本体合作验证投产能力。

这套布局也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距离，现在类比 Windows 或 Android 还太早。

观察蚂蚁灵波 2.0，模型参数和榜单只是其中一部分。更关键的指标是，它能否持续提高跨任务、跨场景和跨构型的成功率，能否把后训练成本降到客户愿意支付的水平。

数字世界的 Agent 在基础模型能力上升后迅速普及，具身智能也可能经历类似的能力外溢。只是物理世界多了一层无法回避的约束，模型做出的每一个判断，最终都要由一副真实的身体完成。

蚂蚁灵波选择提前重做这颗大脑。路线能走多远，最终还要看机器人能不能真正干活。