凯明格资讯网蚂蚁灵波，为什么要从头训练机器人大脑
在近期的蚂蚁灵波沟通会上，媒体围绕同一个核心问题反复追问：当下的训练机器人大脑，距离真正进入物理世界执行任务还有多远？机器
面对市场的热度，蚂蚁灵波 CEO 朱兴与首席科学家沈宇军给出了更为冷静的蚂蚁灵波判断：目前的机器人大脑尚未迎来真正的“GPT-1 时刻”。行业既未出现实质性的训练智能涌现，技术路线也远未收敛。机器
过去一年，蚂蚁灵波VLA（视觉-语言-动作）、训练世界模型、机器视频动作模型等概念层出不穷。蚂蚁灵波蚂蚁灵波此次一口气发布 6 款模型，训练但其核心诉求更为具体：数字世界中训练出的机器大模型，能否直接移植到机器人躯体中？蚂蚁灵波物理世界是否需要一套从感知、预测到行动全面重构的训练模型体系？
灵波的答案是肯定的，并选择从物理世界的机器约束出发，重新构建这套模型体系。
01 数字大模型为何难以直接“装进”机器人身体？
沈宇军在现场通过一个“开门见猫”的案例揭示了差异：
- 数字视角：一扇不透明玻璃门后有一只猫。普通视觉模型能识别猫并描述画面。
- 物理视角：机器人若要接近猫，仅“看见”是不够的。它必须理解玻璃门是物理阻隔，在开门前，猫处于机械臂不可达的空间。
数字模型关注“画面里有什么”，而机器人必须判断距离、遮挡、接触关系及可达性。语义识别正确，仅完成了物理任务的第一步。
此外，应用场景的根本差异决定了模型设计的不同：
* 内容创作模型（如即梦、万相）：服务于用户输入的文字或剧本，可参考完整故事，用算力换取画质和连续性。
* 机器人模型：时间只能向前流动。抓取杯子时，模型无法预知下一秒是否有人碰桌或杯子滑动。它只能基于当前状态预测下一步，并在传感器反馈新信息后修正动作。画面美观无关紧要，关键在于预测的合理性、速度及动作转化的可行性。
为此，团队提出了“具身原生”路线，并从头训练 LingBot-VA 2.0。据公开技术论文，该模型采用因果预训练、稀疏 MoE（混合专家）和异步推理等设计，专为高频、闭环的机器人控制打造。
这种设计甚至允许预测画面出现一定变形。例如，机械臂抓取杯子时，生成的杯子图像可以模糊，只要动作方向正确。传感器会持续提供真实画面，模型据此校准。
目前，VLA 因易于理解人类语言意图且推理资源消耗低，是更易于落地的路线。灵波的策略是：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，当前分立的技术路线各自解决部分拼图，未来可能汇入单一模型。因此，灵波发布 6 款模型，实则是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。
02 具身原生的首要代价：一场数据长征
选择具身原生路线，首要挑战在于数据从哪里来？
现场关于数据规模的追问不断：十万小时够吗？百万小时能否引发智能涌现？千万小时能否迎来机器人的 ChatGPT 时刻？
朱兴的回答直截了当：千万小时可能也不够。
- 复杂度差异：自动驾驶面对相对明确的交通规则和任务；通用机器人需进入工厂、仓库和家庭，接触不同材质，适配不同身体，并处理无法预定义的失败状态。其数据分布远比单一驾驶任务复杂。
据公开论文，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，其中包括：
* 5 万小时机器人轨迹
* 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
* 动作空间从双臂扩展至头部、腰部、移动底盘和灵巧手
6 万小时仅是起点。灵波更看重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，以低成本扩充行为数据。下一阶段将补充触觉、力觉等模态，并与第一视角视频对齐。
团队需持续解决以下工程问题：
1. 哪些数据真正进入了训练？
2. 模型在哪些任务上失败？
3. 新采集任务能否快速覆盖能力缺口？
4. 从采集、处理、训练到反馈的链路周期多长？
随着数据规模扩大，筛选高价值样本成为关键。自动驾驶行业已经历从“追求上量”到“从海量帧中找出改善模型的关键少数样本”的转变。机器人的异常和失败数据尤为昂贵，却更可能决定模型处理长尾问题的能力。
灵波支持 20 种构型，厂商接入后仍需针对具体任务进行后训练。预训练的核心价值在于让模型“提前见过不同的身体”，从而真正实现“一脑多机”，节省每次更换本体或增加场景时的从零训练成本。
03 商业化门槛：先过“成功率”这一关
媒体曾提及一个仓储案例：人工用叉车搬运一次仅需 30 秒，机器人却需 1 分钟甚至更久，遇新情况还会停顿重新判断。
对此，朱兴强调：成功率优先于速度。机器人动作再快，若连续失败导致企业需人工接管，部署便无法产生经济价值。只有在成功率稳定后，企业才会进一步计算节拍、推理效率和单位成本。
由此，基础模型与后训练形成明确分工：
- 预训练（培养大学生）：抬高能力上限，让模型具备基础素质。
- 后训练（职业训练）：将模型转化为生产工具。
对于机器人厂商和场景客户，后训练涵盖数据采集、标注、模型适配、部署和推理优化，每一环节均转化为成本。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，在于降低每个场景单独开发模型的投入。工厂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。场景决定身体，通用大脑需横跨更多身体。
目前，灵波正与本体厂商推进产业落地，探索买断、订阅和定制等收费模式。尽管现场未披露可验证的客户案例、收入规模和成本模型，但市场已确认其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支撑。
04 灵波为何坚持做这件“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，任何一项都难以由小团队快速补齐。
蚂蚁为灵波提供的核心资源包括：资金、人才、训练基础设施、数据处理能力及场景生态。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，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长路，此时类比 Windows 或 Android 为时过早。
观察蚂蚁灵波 2.0，模型参数和榜单仅是表象。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？能否将后训练成本降至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。但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，最终取决于机器人能否真正干活。
