记者 陈植
2026年7月10日，大脑蚂蚁集团旗下具身智能公司蚂蚁灵波正式推出业界首个具身原生世界动作模型 LingBot-VA 2.0。蚂蚁这一发布标志着机器人核心控制逻辑的灵波重大技术迭代。
摒弃“视频微调”，机器确立“原生设计”新范式
蚂蚁灵波CEO朱兴指出，人换LingBot-VA 2.0彻底跳出了行业主流的个新“视频生成模型微调”路径。该模型基于自回归架构从零开始预训练，思路专为机器人与真实环境交互的大脑核心需求——动态建模、因果预测及实时执行——进行原生设计。蚂蚁
这种设计让机器人能够在行动过程中持续理解物理环境的灵波变化，精准预测动作结果，机器并即时生成下一步指令。人换朱兴强调，个新这标志着机器人“大脑”的思路研发重心，正从“基于数字世界模型的大脑嫁接”转向“面向物理世界的原生设计”。
行业反思：纯视觉与数字模型的局限性
回顾过去一年，全球机器人研发领域经历了一次路线转向：多数企业放弃了早期的真机遥操模式，转而探索纯视觉学习方案。该方案旨在通过让机器人“观看”海量视频，直接模仿人类的感知、思考、决策与执行能力。
然而，朱兴分析认为，这种基于数字内容创作视频生成模型（Video Generation Model）微调而来的“大脑”，存在显著缺陷：
- 物理认知缺失：数字视频侧重画质与创意，缺乏真实物理环境的随机性变化及复杂的因果关系，导致机器人难以理解力学规律、物理属性及动作意图。
- 执行效率低下：由于缺乏对真实环境的深度感知，机器人在面对非固定场景时往往动作迟缓。
案例对比：
* 数字环境：机器人可在固定桌面上，精准拿起指定位置的杯子。
* 真实环境：杯子位置随机变化，机器人需通过抬头、弯腰、移动等复杂动作才能定位并抓取。由于缺乏对“感知—规划—末端执行”全链路的原生训练，传统模型在此类场景下常陷入决策瘫痪。
此外，强行将数字视频模型微调至物理场景，往往引发知识遗忘和泛化能力下降，导致机器人在完成前几个动作后，无法判断后续步骤。
技术突破：构建适配物理环境的原生基础模型
为解决上述痛点，蚂蚁灵波选择了一条更具挑战性的技术路径，构建了LingBot-VA 2.0的核心架构：
- 从头预训练：基于自回归架构，摒弃对现有数字模型的依赖。
- 全新编码器：引入语义视觉—动作分词器（Tokenizer）作为视觉编码核心。
- 因果预训练：采用严格的因果范式，强化模型对动作与环境变化关系的理解。
- 混合专家模型（MoE）：提升模型的处理效率与专业性。
- 异步推理机制：实现实时闭环控制，确保机器人能根据环境反馈即时调整策略。
未来展望：多模态融合与生态构建
朱兴坦言，要实现机器人“看得清、想得透、做得快”，高质量数据是基石。未来的研发重点将聚焦于多模态数据的引入：
- 感官扩展：从单一的视觉感知，扩展至听觉、触觉等多维度数据融合。
- 全面感知：让机器人不仅“看得见”，更能“听得懂”、“触得着”，从而更准确地感知物理环境变化。
- 因果预测升级：基于更丰富的数据，做出符合物理因果规律的动作预测与决策。
为此，蚂蚁灵波将加速构建开放的技术生态与场景生态，通过更大范畴的高质量数据采集，持续提升机器人在真实物理环境中的感知、思考、决策与应变能力，推动具身智能加速落地产业场景。