越南赌上国运，复刻中国20年前的基建奇迹！
整场相同会，媒体把同一个问题换了许多种方法追问 。今天的机械人大脑，距离真正进入物理世界干活，另有多远？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 。目今的机械人大脑，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 。已往一年，VLA、世界模型、视频行动模型等看法轮番登场 。蚂蚁灵波此次一口气宣布 6 款模型，但它想回覆的问题更具体 。数字世界里训练出来的大模型，能否直接装进机械人的身体？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，为什么装不进机械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 。但机械人要向猫移动时，仅仅「看见」还不敷 。它需要理解玻璃门组成了物理阻隔，在门翻开之前，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，机械人还要判断距离、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、万相等视频模型效劳于内容创作 。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 � ；等嗣娑缘氖奔渲荒芟蚯傲鞫� 。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 。模型只能凭据目今状态预测下一步，并在传感器返回新信息后修正行动 � ；媸欠衿敛⒉恢匾�，预测需要合理、快速，并且能够转化成行动 。团队把这条路线称为「具身原生」，并重新训练 LingBot-VA 2.0 。果真技术论文显示，该模型接纳因果预训练、稀疏 MoE 和异步推理等设计，效劳于高频、闭环的机械人控制 。这种取舍甚至允许预测画面泛起一定变形 � ；当圩急缸テ鸨邮�，模型生成的杯子可以不敷清晰，只要行动偏向正确 。传感器会连续提供真实画面，模型再凭据最新状态校准 。VLA 更容易理解人的语言意图，推理资源消耗较低，是目今更容易落地的路线 。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，灵波宣布 6 款模型，更像是在拆解机械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 重新训练的首要价钱，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？这个问题在现场被重复追问 。十万小时够不敷？百万小时能不可泛起智能涌现？千万小时能否迎来机械人的 ChatGPT 时刻？朱兴的回覆很直接，千万小时可能也不敷 。自动驾驶面对相对明确的交通规则和驾驶任务 。通用机械人需要进入工厂、货仓和家庭，接触差别材质的物体，适配差别身体，还要处理事先无法界说的失败状态，数据漫衍远比简单驾驶任务庞大 。果真论文显示，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 万小时机械人轨迹和 1 万小时第一视角人类视频，笼罩 17 家厂商的 20 种机械人构型 。行动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 等方法纪录的人类操作历程，可以用更低本钱扩充行为数据 。下一阶段还要增补触觉、力觉等模态，并与第一视角视频对齐 。团队需要连续回覆几个工程问题 。哪些数据真正进入了训练？模型在哪类任务上失败？新的收罗任务能否快速笼罩能力缺口？从收罗、处理、训练到反响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革，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 � ；等说囊斐：褪О苁萦绕涮诠�，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，是让模型提前见过差别的身体 。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本钱 。 03 机械人大脑的商业化，先过乐成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，机械人却要花 1 分钟甚至更久，遇到新情况还可能停下来重新判断 。朱兴把乐成率放在了速度之前 � ；等诵卸倏�，连续失败频频以后，企业仍要安排人员接管，安排也很难爆发经济价值 。乐成率稳定之后，企业才会进一步盘算节拍、推理效率和单位本钱 � ；∧Ｐ陀牒笱盗酚纱诵紊矸止� 。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，后训练则把模型酿成生产工具 。关于机械人厂商和场景客户，后训练包括数据收罗、标注、模型适配、安排和推理优化 。每一个环节都会转化为本钱 � ；∧Ｐ驮街腔邸⒓墓剐秃腿挝裨蕉�，后训练需要补的课就越少 。通用机械人大脑的商业价值，是降低每个场景单独开发模型的投入 。工厂打螺丝的机械人没有须要学会洗碗，酒店和货仓也会选择差别本体 。场景决定身体，通用大脑需要横跨更多身体 。灵波已经体现正在与本体厂商推进工业落地，并探索买断、订阅和定制等差别收费方法 。不过，现场没有披露可供外界验证的客户案例、收入规模和本钱模型 。现阶段，市场能够确认的是技术路线和生态位置，规� ；桃当栈啡孕杵诖嘞钅渴� 。 04 灵波为什么要做这件重事重新训练机械人大脑需要恒久投入 。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 。蚂蚁给灵波提供的焦点资源，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，再通过本体相助验证投产能力 。这套结构也反应了蚂蚁对工业花样的判断 。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 � ；等司嗬氪蠊婺＝爰彝ト杂泻艹ぞ嗬�，现在类比 Windows 或 Android 还太早 。视察蚂蚁灵波 2.0，模型参数和榜单只是其中一部分 。更要害的指标是，它能否连续提高跨任务、跨场景和跨构型的乐成率，能否把后训练本钱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，最终还要看机械人能不可真正干活 。