蚂蚁灵波CEO朱兴和首席科学家沈宇军在近期沟通会上，对当前机器人大脑的发展阶段给出了冷静评估。他们判断，行业尚未迎来真正的智能涌现，可能还没有走到GPT-1时刻，技术路线也远未收敛。这一表态为过去一年VLA、世界模型等概念轮番登场的热潮，泼了一盆冷水。
蚂蚁灵波此次一口气发布了6款模型，但其核心意图并非堆砌数量，而是试图回答一个更根本的问题：在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？灵波的答案是，物理世界需要一套从感知、预测到行动都重新设计的模型体系。
沈宇军用一个“开门见猫”的例子解释了其中关键。一扇不透明的玻璃门后有只猫，普通视觉模型能识别并描述画面，但机器人若想靠近猫，仅“看见”远远不够。它必须理解玻璃门构成了物理阻隔，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，机器人还需判断距离、遮挡、接触关系和可达性。语义识别正确，只是物理任务的第一步。
服务于内容创作的视频模型，可以花更多算力换取画质和连续性，但机器人面对的时间只能向前流动。它抓取杯子时，无法预知下一秒是否有人碰桌子或杯子滑动，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。画面是否漂亮不重要，预测需要合理、快速，并能转化为动作。灵波将这条路线称为“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，只要动作方向正确，传感器会持续提供真实画面进行校准。
选择具身原生路线，立刻面临数据难题。朱兴直言，千万小时数据可能也不够。自动驾驶面对相对明确的交通规则和单一任务，而通用机器人需进入工厂、仓库和家庭，接触不同材质物体，适配不同身体，处理无法预先定义的失败状态，数据分布远比驾驶任务复杂。公开论文显示，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。但6万小时仍只是起点，团队更看重数据闭环的速度与质量，未来还需补充触觉、力觉等模态，并与第一视角视频对齐。
在商业化层面，朱兴把成功率放在速度之前。现场有媒体提到，人工用叉车搬运一次可能只需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。朱兴认为，机器人动作再快，若连续失败几次，企业仍需安排人员接管，部署便难以产生经济价值。只有成功率稳定后，企业才会进一步计算节拍、推理效率和单位成本。他将预训练比作培养一名基础素质良好的大学生，进入银行做会计仍需职业训练。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。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。
蚂蚁为灵波提供了资金、人才、训练基础设施、数据处理能力和场景生态等核心资源。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。这套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为时过早。
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。