蚂蚁灵波，用具身原生推翻机器人的大模型捷径

今年，具身智能步入第三个年头，行业的牌局和风向正发生质变。

机器人的本体，吸引了市面上绝大部分的筹码。从灵巧手、运动控制到整机设计，人形机器人不断刷新物理极限，它们不仅能登上春晚舞台，靠着行云流水的跳舞与武术表演惊艳全球，也开始被密集推向工厂、物流、零售等现实场景，进厂打工，尝试商业化落地。

真正开始面对复杂的物理世界时，机器人的瓶颈也随之浮出水面：面对动态环境、未知任务和连续交互，机器人依然高度依赖数据示教与人工微调，空有敏捷的四肢，却缺乏能走一步看一步、自主决策的大脑。

更具前瞻视野的行业从业者已经看到了这一瓶颈，并尝试打破僵局。

今年以来，大笔资金与目光正加速涌向世界模型（World Model）与机器人基础模型（Foundation Model）。有媒体统计，截至今年6月中旬，国内具身智能赛道融资约438亿元，其中超过一半资金流向了聚焦基础模型、世界模型等智能层的"大脑派"公司，而传统机器人本体公司的融资占比已不足15%。

全球科技公司也开始集体布局Physical AI——英伟达推出Cosmos世界基础模型和Isaac GR00T体系；Google DeepMind发布Gemini Robotics，探索机器人从理解物理世界到执行动作的一体化能力。

机器人大脑的重要性，正在形成越来越明确的共识。

但共识并不意味着答案已经统一。

当越来越多企业开始投入机器人基础模型，一个新的问题也随之出现：机器人的大脑，究竟应该沿着大模型的发展路径继续演进，还是应该围绕物理世界重新构建？

面对这道分水岭，行业迅速分化出两条路径。一派坚持既有大模型范式的惯性，在现有模型上修修补补、做迁移微调；另一派则坚信，物理世界与互联网的数据逻辑截然不同，从底层架构、数据到预训练目标，都必须推倒重来。

在行业走向深水区的关键节点，国内大厂率先给出了具有范式意义的答案。

7月7日至10日，蚂蚁灵波接连抛出六款大模型，升级了从视觉、空间、操作到世界模型的全栈技术层级。这不只是一次饱和式的产品迭代，更是对机器人基础模型如何构建这一底层命题的正面作答。

不仅如此，蚂蚁还提出了“具身原生（Embodied Native）”的全新技术理念，以及 7月10日压轴登场的 LingBot-VA 2.0，蚂蚁灵波正试图在具身智能的下半场，划出一条清晰的分界线。

01. 机器人进厂，暴露真正的瓶颈

本体，是过去两年的主旋律。

从本体设计、核心零部件到运动控制，行业围绕机器人运动，展开了一轮快速迭代。人形机器人从能站、能走，发展到能跑、能跳、能完成越来越复杂的动作；越来越多企业也开始走出实验室，在制造、物流、仓储、零售等场景展开试点验证，一批又一批机器人走进工厂，展示技术之外，也想创造生产力。

但当机器人真正进入真实环境，人们很快发现，机器人并没有真正理解周围的环境。

在经过大量真机示教和训练之后，它们固然能完美完成预设好的标准流程。可一旦面临持续变化的物理世界，现实就会泼下一盆冷水：传送带速度发生微调、桌面物体被无意移动、货架位置稍有偏差，甚至只是出现从未见过的障碍物，机器人都可能瞬间“卡死”。

接下来，企业需要面对的是重新采集数据、重新示教、重新训练的繁琐循环。

越是复杂、开放的场景，死记硬背带来的能力边界越容易暴露。

原因或许在于技术路线。此前行业普遍采用模仿学习（Imitation Learning）等技术路线，通过大量真机数据，让机器人学习人类做法。这种方式早期效果显著，帮助机器人跨过了产业化的第一道门槛，也让越来越多机器人开始进入真实场景。

但随着应用范围不断扩大，真实机器人数据采集成本越来越高，并且受制于有限的规模，面对陌生环境和新任务，模型泛化能力依然受制于示教数据本身。

这也是为什么，越来越多研究者开始将筹码押在世界模型（World Model）上。

世界模型的解题思路，是赋予机器人“预测未来环境变化”的能力，并将其内化为决策逻辑。这意味着，面对瞬息万变的现实，机器人不再是机械地重复刻录好的既定动作，而是能看懂周围演变、像人类一样持续调整行为，实现真正意义上的自主迭代。

然而，如何将世界模型真正落地？如何打破现有的技术僵局？整个具身智能行业在等待一个新的范式。

02. 当行业开始重新思考机器人大脑

ChatGPT 之所以能快速进化，依赖的是互联网世界海量的文本和图片；而机器人面对的却是一个活生生的物理世界。它需要理解的是真实的物理因果——推动一个箱子会滑行多远、抓起一个纸杯用多大力度不会捏爆、机械臂移动后周围环境会产生怎样的反馈。

这些隐性的物理规律，在互联网数据中根本不存在，它高度依赖真实物理世界的交互。

依靠真机采集、遥操作示教完成的数据，不仅成本高、效率低，在规模上也远远无法与互联网数据相比。继续沿着“迁移+微调”的传统思路走下去，难度正变得越来越大。

这也是蚂蚁灵波本周正式提出“具身原生（Embodied Native）”，这一模型设计理念的背景。

在蚂蚁灵波看来，业内普遍的观点——机器人大模型在物理世界的应用分支——是完全不对的，机器人应该是全新的智能体。既然学习对象已经变了，模型的起点就必须推倒重来，与其拿着互联网大模型生搬硬套、做修修补补的迁移，不如从机器人需要完成的真实任务出发，重构一套基础模型。

具体来说，具身原生会和原本的模型理念在多个层面存在差异。

数据层面，模型学习的重点从互联网文本、图片扩展到机器人在物理世界中的视觉、动作和环境交互，让模型真正接触机器人工作的对象；训练目标层面，关注点也从生成内容转向理解动作如何影响环境变化，让模型学习物理世界中的因果关系，而不是停留在视觉相关性的预测；模型架构层面，则围绕机器人实时感知、实时推理、实时控制的需求重新组织计算方式，使模型能够满足真实机器人持续运行的要求，而不是简单沿用内容生成模型的发展范式。

这些变化看似分别作用于数据、训练和架构三个环节，本质上都围绕同一个目标，即让机器人从第一天开始，就按照物理世界的规律学习。

这正是蚂蚁灵波此番连续发布六款模型的通盘考量，从咬合紧密的三个原生技术维度出发，用“具身原生”重构机器人看、想、干的完整闭环。

首先是让机器人看得更清楚。 蚂蚁灵波从传感器出发构建原生空间智能，以 LingBot-Vision 和 LingBot-Depth 2.0 为代表，为机器人换上了适配物理世界的原生双眼。

下一步是想得更明白。 蚂蚁灵波通过原生架构重写了模型的学习范式。其中，LingBot-Video 引入 MoE 架构平衡了模型规模与推理效率，LingBot-World 2.0 则通过因果预训练（Causal Pretrain）锁定了物理合理性。而作为该架构的集大成者，压轴登场的 LingBot-VA 2.0 用一套完整的路径交出了答卷，语义分词器让视觉与动作在同一空间交融，因果预训练让模型从零理解物理世界，MoE 架构将推理成本死死压在实时控制线以下，而 Foresight Reasoning（前瞻推理）则让预测与执行并轨，不再互相等待。

最后是机器人能干得更利索，这需要原生数据来支撑。作为在物理世界执行任务的代表，LingBot-VLA 2.0 在产业落地的反向驱动下，已经开始适配更多构型与更高自由度。

从空间智能、原生架构到原生数据，六大模型环环相扣。蚂蚁灵波不仅完整覆盖了机器人感知-理解-预测-行动的完整闭环，更直面解决了数据的问题，试图用这套原生全栈，倒逼出一条产业共建的新路。

03. 具身原生改变了机器人学习世界的方式

提出一个概念并不难，难的是如何实践这个概念，如何把概念转化为机器人学习范式。LingBot-VA 2.0 正是这一理念最完整的一次实践。

机器人如何学习，是LingBot-VA 2.0首先改变的。

过去，大多数机器人模型建立在已有LLM或通用视频模型基础上，通过迁移学习逐步适配机器人任务。LingBot-VA 2.0则选择了不同的路径——从头预训练（Full Pre-training），以自回归视频生成模型为基础，让模型直接学习机器人与物理世界交互过程中产生的数据和规律。对于机器人而言，这意味着它直接从真实世界中的环境、动作与反馈学习。

学习对象发生变化之后，模型学习的目标也随之发生变化。

传统视频模型往往是在预测下一帧画面，这和机器人的行动目标并不一致。因此，LingBot-VA 2.0进一步将学习重点放在动作与环境变化之间的因果关系，让模型理解动作如何改变世界，而不仅仅是观察世界如何变化。同时引入 foresight reasoning，让机器人在执行动作过程中持续预测未来状态，并根据新的环境变化不断调整决策。对于动态抓取、桌面交互、连续操作等任务而言，机器人也能够根据环境变化持续修正自己的行为。

为了支撑这种能力，模型本身也需要围绕机器人运行方式重新设计。

机器人不像内容生成模型那样可以等待数秒完成推理，它需要持续观察、持续推理、持续执行。围绕这一特点，LingBot-VA 2.0采用了MoE架构，在保证模型能力的同时提升推理效率；同时引入异步推理机制，将环境观察、模型推理和动作输出解耦并行，使机器人能够边推理、边执行，而不会因为等待模型计算完成而错失最佳操作时机。这些设计最终服务于同一个目标——让机器人能够真正运行在实时、持续变化的物理环境中。

最后被重新打通的，是机器人从理解任务到完成动作之间的链路。

长期以来，机器人领域一直存在一道典型鸿沟：模型能够理解语言指令，却无法稳定地将语义映射为准确动作。LingBot-VA 2.0通过新一代VAE进一步强化语义与Action之间的对齐能力，使"理解"和"执行"建立更加直接的联系，让机器人不仅知道任务是什么，也能够更加准确地完成任务。

从头预训练、因果建模、MoE与异步推理，以及新一代VAE，看似对应四项不同的技术创新，本质上却指向同一个目标：让机器人摆脱对既有动作的简单复现，真正学会理解物理世界，并在不断变化的环境中自主完成任务。

这种改变最终也体现在模型能力上。LingBot-VA 2.0在新场景下仅需少量数据即可完成后训练适配，并能够支持动态抓取、桌面对抗、连续操作等复杂任务，在面对陌生环境时展现出更强的泛化能力。

04. 关于"机器人大脑"的讨论，才刚刚开始

回头来看，蚂蚁灵波提出"具身原生"的时间点，并非偶然。

过去两年，机器人行业完成了本体能力的快速迭代，越来越多机器人开始进入真实场景；与此同时，行业也逐渐意识到，决定机器人能力上限的，是机器人能否将一次次真实交互沉淀为可复用的智能，能否跨机器人、跨任务、跨场景持续学习和泛化。

这背后，还存在一个目前没被发现的问题：机器人没有属于自己的互联网。

与大语言模型可以依靠海量互联网数据持续扩展能力不同，机器人获取真实交互数据的成本始终高昂，数据规模天然受限。如果这一问题无法突破，机器人能力的增长速度终将受到制约。也正因如此，围绕预训练方式、世界模型、机器人基础模型展开的新一轮探索，正在成为行业新的竞争焦点。

在这样的背景下，"具身原生"的价值，并不仅仅在于提出了一个新的技术概念，更在于它尝试回答一个更底层的问题：当学习对象从互联网变成物理世界，机器人基础模型是否也应该拥有一套属于自己的设计范式。

从这个角度来看，LingBot-VA 2.0代表着蚂蚁灵波第一次系统性展示了另一条具身智能的发展路径——从感知、预测到行动，从模型训练到系统架构，都围绕机器人如何理解和学习物理世界展开。

这条路线是否会成为未来行业的主流，现在下结论仍为时尚早。但每一次技术范式切换，都始于行业开始重新讨论一个基础问题。

今天，当机器人行业都开始关注、讨论、争议大脑的路线的时候，蚂蚁灵波已经率先给出了自己的答案。