界面新闻记者 | 佘晓晨
界面新闻编辑 | 刘方远
蚂蚁灵波第一次被大众关注到是在2025年2月。密集的招聘信息曾让这家大厂旗下的具身智能公司出现在公众视野。今年以来，其频繁公布模型的研究成果，公司的战略也逐步清晰。
上周五，蚂蚁灵波发布业界首个具身原生世界动作模型LingBot-VA 2.0。得益于具身原生架构，LingBot-VA 2.0在真机测试中体现了较为出色的执行速度和泛化能力。例如，在不依赖任何外部拍摄设备的情况下，机器人就可以完成与人类的多轮随机对打。
LingBot-VA 2.0代表了一种关键的路线选择：基于自回归架构从头开始预训练。在发布之际，蚂蚁灵波CEO朱兴、首席科学家沈宇军首次面向界面新闻等媒体，深度探讨了蚂蚁灵波的技术路线选择和战略规划等问题。
蚂蚁灵波在具身智能生态中的定位是通用大脑公司，解决机器人的泛化性问题。沈宇军在接受界面新闻等媒体采访时称，蚂蚁灵波在2025年初就已经确定“做大脑”。他们的判断是，这是离机器人落地差的最重要的一环。
上海蚂蚁灵波科技成立于2024年底，但在此之前，沈宇军已经开始带领团队做一些具身智能相关的技术探索。朱兴总结，2025年上半年，蚂蚁灵波大量的工作还是做团队搭建、数据准备等。今年1月，蚂蚁灵波发布首个开源空间感知模型LingBot-Depth 1.0，发布1.0之后，公司上半年的一个重要工作是模型投产；而在发布2.0之后，蚂蚁灵波第一次喊出“具身原生”的口号。
所谓具身原生路线，就是完全自研模型训练，不再依赖数字世界的模型能力。
在上述技术主张下，蚂蚁灵波的做法和大部分行业公司有所区别。他们认为，数字世界里的很多需求和物理世界不一样——因此团队从数字世界的模型里面吸取一些能力，强化一些物理需要的能力，舍弃一些物理不需要的能力，对模型架构做更全面的升级，用互联网数据和真机数据从头开始做一遍训练。
具身智能行业处于早期阶段，大脑领域的技术路线也尚未收敛。行业的两大路线是VLA（视觉-语言-动作模型）或者VA（视觉-动作模型）或者WAM（世界-动作模型）。前者已受到较多认可，优点在于基于多模态模型，能理解人说话的意图，并且推理过程消耗的资源较少，落地成本也就更低。
但从去年3月开始，蚂蚁灵波团队意识到，多模态模型本身在预测方面有欠缺，但机器人要在物理世界中干活，预测也很重要。所以他们决定解决这个问题，直到今年1月发布了VA（视觉-动作）模型。有了动态的建模，模型就有对未来的预测。
基于现有问题，蚂蚁灵波的核心判断是，第一，从需求的角度出发，数字世界的模型天然不是非常适配机器人。第二，蚂蚁灵波希望设计一个更适配机器人的模型，把它训练出来。他们想让机器人既具备理解能力，又具备生成能力，但现在数字世界还没有这样一个开源的模型能够提供给机器人使用。沈宇军称，这是蚂蚁灵波和其他玩家的最大差异。
因此在技术路线上，蚂蚁灵波并没有明显的偏好。甚至他们认为，未来上述两种路线一定会结合，出现一个1+1>2、或者把VA和VLA结合到一起的更好的模型。至于如何结合，蚂蚁灵波也在探索之中。
在确定模型架构的逻辑之后，蚂蚁灵波需要攻克的一个底层问题还是数据。这是当下被公认的、影响具身智能发展的关键。朱兴向界面新闻等媒体强调，“数据起不来，无论是规模、质量还是分布，模型架构都是空中楼阁。”
不过，这同样需要长时间的投入。
具身原生的路线决定了蚂蚁灵波既需要产品数据，也需要定制化采集的数据，而蚂蚁灵波的数据主张是更相信真实数据的价值。
朱兴总结，从正常数据生产的角度，数据的采集方式的确在快速升级，从近期的Ego、UMI这两种数据采集方案的变化来看，采集效率越来越高，这意味着真机数据的成本快速下降。但是从物理智能的需要来看，这样的数据量远远不够。他表示，模型本身在真实世界里的应用和迭代也非常关键，行业真正的数据跑通，需要应用类的真实数据反馈。
于是有了蚂蚁灵波今年的一系列动作。据了解，蚂蚁灵波联合简智科技等数据联盟生态伙伴，共建标准化数据体系。
在大厂的体系之中，蚂蚁灵波的优势是有蚂蚁集团的人才、资金和资源等多方面的积累和支持。此前，蚂蚁已在具身智能赛道投资了星海图、宇树科技、灵心巧手等多家公司。
但无论是从数据需求还是竞争占位角度而言，蚂蚁灵波的脚步都不能停留在实验室。此前公司已和乐聚、钛虎等生态本体厂商，以及国大药房、隆盛等公司，在零售分拣、物流分拣、工业等落地场景开启全面商业落地测试。朱兴表示，未来蚂蚁灵波的模型能力可以通过商业化的方式提供给广泛的具身智能客户，甚至是做大脑的客户。
在即将到来的2026世界人工智能大会期间，蚂蚁灵波将展示全栈大脑 2.0 落地场景的能力。值得一提的是，朱兴多次在采访中强调，具身智能还处在一个非常非常早期的阶段，技术尚未收敛。从这一点来说，大厂和创业公司的机会和挑战是平等的。
热门跟贴