在近期举办的一场科技沟通会上，媒体围绕机器人大脑的发展现状与未来前景，展开了多轮深入追问。其中，一个核心问题备受关注：当前机器人大脑距离真正融入物理世界并承担实际工作，究竟还有多远？蚂蚁灵波CEO朱兴与首席科学家沈宇军给出了冷静且务实的判断——目前机器人大脑或许尚未抵达类似GPT-1的里程碑阶段，行业尚未迎来真正的智能涌现，技术路径也远未形成统一标准。
过去一年，VLA（视觉语言动作模型）、世界模型、视频动作模型等概念层出不穷，科技企业纷纷布局。蚂蚁灵波在此次活动中一次性发布了6款模型，但其核心目标并非单纯追求数量，而是试图解答一个更根本的问题：在数字世界中训练的大模型，能否直接适配到机器人实体中？物理世界是否需要一套从感知、预测到行动全流程重新设计的模型体系？
沈宇军在现场通过一个生动的案例解释了数字模型与物理世界需求的差异。他描述了一个场景：一扇不透明的玻璃门后有一只猫，普通视觉模型可以识别猫并描述画面，但当机器人试图靠近猫时，仅“看见”远远不够。它必须理解玻璃门是物理障碍，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、接触关系及可达性——语义识别正确只是完成物理任务的第一步。
与即梦、万相等服务于内容创作的视频模型不同，机器人面对的是单向流动的时间。例如，当机器人抓取杯子时，它无法预知下一秒是否会有人碰撞桌子或杯子是否会滑动。模型只能基于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，画面的美观并非关键，预测的合理性、速度以及能否转化为实际动作才是核心。因此，蚂蚁灵波团队提出了“具身原生”路线，并从头训练了LingBot-VA 2.0模型。该模型采用因果预训练、稀疏MoE（专家混合模型）和异步推理等技术，专为高频、闭环的机器人控制设计，甚至允许预测画面出现一定变形，只要动作方向正确即可。
VLA模型因其能更好地理解人类语言意图且推理资源消耗较低，被认为是当前更易落地的技术路径。蚂蚁灵波的策略是先用VLA进入场景、积累数据，再用VA（视觉动作模型）探索动态建模与未来预测。沈宇军认为，目前分立的技术路线如同拼图，未来可能逐渐融合为一个统一模型。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，未来模型数量反而可能减少。
选择“具身原生”路线后，蚂蚁灵波立即面临另一个挑战：数据从何而来？这一问题在沟通会上被反复提及。有媒体询问，十万小时数据是否足够？百万小时能否实现智能涌现？千万小时是否能迎来机器人的“ChatGPT时刻”？朱兴的回答直截了当：千万小时可能仍不够。
与自动驾驶相比，通用机器人的任务复杂度更高。自动驾驶面对的是相对明确的交通规则和驾驶场景，而通用机器人需进入工厂、仓库、家庭等不同环境，接触各类材质物体，适配不同身体构型，并处理无法预先定义的失败状态，数据分布远比单一驾驶任务复杂。公开资料显示，LingBot-VLA 2.0的预训练数据已从第一代的约2万小时增至6万小时，包括5万小时机器人轨迹和1万小时人类第一视角视频，覆盖17家厂商的20种机器人构型，动作空间也从双臂扩展至头部、腰部、移动底盘和灵巧手。然而，6万小时仅是起点，灵波更关注数据闭环的速度与质量。
真实数据还包括通过UMI、Ego等方式记录的人类操作过程，这些数据能以更低成本扩充行为库。下一阶段，团队计划补充触觉、力觉等多模态数据，并与第一视角视频对齐。同时，他们需持续解决一系列工程问题：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、训练到反馈的完整链路需要多长时间？随着数据规模扩大，筛选高价值样本成为关键。自动驾驶领域已经历过类似转变——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。
灵波的模型支持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适应不同身体，而“一脑多机”的真正价值在于降低每次更换本体或增加场景时的从零训练成本。
在沟通会上，一个仓储案例引发了讨论：人工操作叉车完成一次搬运仅需30秒，而机器人可能需要1分钟甚至更久，遇到新情况还会暂停重新判断。朱兴将成功率置于速度之前。他指出，无论机器人动作多快，若连续失败，企业仍需安排人工接管，部署便失去经济价值。只有成功率稳定后，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过程中形成分工。朱兴将预训练比作培养一名基础素质优秀的大学生，但若要进入银行从事会计工作，仍需职业训练。具身基础模型的作用是提升能力上限，而后训练则将模型转化为实际生产工具。对于机器人厂商和场景客户而言，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，每个环节都会增加成本。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小。
通用机器人大脑的商业价值在于减少每个场景单独开发模型的投入。例如，工厂中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，而场景决定身体，通用大脑需横跨更多身体类型。灵波已表示正在与本体厂商推进产业落地，并探索买断、订阅和定制等收费模式。不过，沟通会上未披露具体客户案例、收入规模或成本模型。现阶段，市场能确认的仅是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需要长期投入的工程。预训练、数据基础设施、真机验证和本体适配，任何一项都难以由小团队快速完成。蚂蚁为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。灵波在此基础上构建了从空间感知、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距离，现在类比Windows或Android为时尚早。观察蚂蚁灵波2.0，模型参数和榜单排名只是部分指标，更关键的是它能否持续提升跨任务、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愿意接受的水平。数字世界的Agent因基础模型能力提升而迅速普及，具身智能也可能经历类似的能力外溢，但物理世界的约束无法回避——模型的每一个判断，最终都需由一副真实的身体执行。蚂蚁灵波选择提前重构这颗“大脑”，而路线能否走通，最终取决于机器人能否真正承担实际工作。
