螞蟻靈波不“嫁接”：具身大腦的原生路線與冷啟動

AGI-Signal2026.09.12 08:40 · 來自上海全文4282字00:00 / 11:56VLA 和 WAM 兩條路線，靈波都沒有選。過去一年，具身智能最熱鬧的爭論，不是某個模型的效果有多好，而是一個懸而未決的路線問題：機器人到底該走 VLA，還是走 WAM？兩種路線看似針鋒相對，內核卻指向同一個出處，都建立在數字世界的大模型之上。VLA 是視覺語言模型向動作的延伸，WAM 則把視頻生成模型搬到機器人身上。行業爭論的 VLA 和 WAM 兩條路線，靈波都沒有選。它走的是第三條，官方稱之為“具身原生”：從零訓練自己的基模。8 月，這家螞蟻集團旗下的具身智能公司宣佈啟動首輪融資。

9 月 11 日，在 2026 外灘大會，CEO 朱興與首席科學家沈宇軍在多個場合重複了一個判斷：具身智能不是數字智能的嫁接，必須基於物理真實數據。VLA 和 WAM，都是數字世界的延伸朱興對技術路線之爭的評價是，大模型廠商只有兩類工具可用，一類是多模態視覺語言模型，一類是視頻生成模型，VLA 和 WAM 不過是“在已有工具之下解機器人問題想出來的名詞”。按照沈宇軍的說法，這些路線都有點兒“過於想走捷徑了”。靈波其實自己嚐到過走捷徑的代價，它的 1.0 系列曾是微調數字世界通用視頻生成模型 Wan 的結果，硬調出來適配機器人，被朱興稱為“撞到了南牆”。

第一，數字模型有上限；第二，微調到最後，反而會破壞原模型的先驗和知識，副作用是泛化性降低。“非要讓一個數字世界模型去控機器人，特別像非要求一個男人生孩子。”朱興說。這個判斷有一個現實參照。GPT-6 出現後，業內一度討論它對具身的衝擊。朱興認為，凡是基於數字世界模型做具身任務的公司，都會覺得“很恐怖”，因為基模能力一旦躍遷，基於它的下游工作就可能失去意義，這就像兩三年前做後訓練的那撥人，會隨著基模從 60 分跳到 90 分而焦慮。靈波對路線之爭“很少討論”，朱興認為，從宏觀設想出發的爭論沒有意義，有意義的是先想清楚模型要具備什麼能力。

它把機器人抽象成三件事：從傳感器源源不斷的信息流裡提取出好的 token，完成對空間和力的理解；把這些模態信息融合進一個模型完成對齊；基於觀測給出可執行的動作。沈宇軍說，第一件事是數字世界模型沒有接觸過的，而這些正是具身玩家應該嘗試去解決的問題。7 月，靈波發佈全棧大腦 2.0，一口氣推出 6 個模型。其中最受關注的是 LingBot-VA 2.0，號稱業界首個具身原生世界動作模型。它沒有依賴任何數字世界基模，而是基於自迴歸架構從頭開始預訓練，把語義視覺動作分詞器、嚴格因果預訓練、MoE 架構和異步推理組合在一起，單卡達到 150Hz 的實時推理效率。

支撐這套路線的還有 LingBot-VLA 2.0，預訓練融入 6 萬小時真實物理數據，覆蓋 17 家廠商 20 種機器人構型。靈波把推理耗時壓到 RTX 4090 上 130 毫秒以內，並全部開源。數據顯示，截至 8 月，LingBot 系列公開倉庫累計獲得約 29.8K Stars，被畢馬威、招銀國際的研報提及，Reddit 討論 FCC 禁令時還把它列為 notable open-source AI projects 之一。從 1.0 微調 Wan 到 2.0 原生自訓，正是靈波“具身原生”從技術主張落地為全棧能力的過程。朱興說，1.

0 時代他其實就在內部啟動了更原生的研發，因為“沿著那條路走到最後，有一些門檻一定要跨過”，所以靈波選擇從現在開始跨。數據是唯一的真壁壘朱興反覆強調一個判斷，具身的核心壁壘不是模型的架構創新，而是數據。在他看來，模型範式還沒完全收斂，世界模型等能力還在演化，但一旦收斂，各家架構都會對齊，“大語言模型做上那些模型架構有什麼差別嗎”。真正拉開差距的是數據。這與自動駕駛的邏輯一脈相承。他多次用自動駕駛打比方，數據過剩之後，量的意義下降，大家爭的是 corner case，是怎麼拿到想要的那部分數據。具體到靈波，它的數據打法與多數同行不同。

朱興說，靈波很早就從買成品數據轉向定製化採集：先由模型研發定義需要什麼類型的數據、什麼分佈、覆蓋哪些場景任務，採集難度高的先試採、沉澱 SOP，再推給供應商上量。與供應商之間是流式交付，而非批量交付。他提到一個數據採集中相對關鍵的數字，原始數據到進入模型訓練的數據漏斗，可用率“從 15% 左右早就拉到 90% 以上”。“量重要，但不能只談量，更要談背後的質量和分佈。”朱興說，分佈是模型廠商最核心的 knowhow，就像煉丹的配方。他甚至對這種討論的浮躁表示不滿，行業老喜歡談千萬小時、億小時的數據，“這是沒有答案的”。在靈波的組織里，這個判斷已經內化為體系。

首席數據科學家黃用韜來自智駕行業，耕耘十年，專門負責把靈波的數據從採集到進入訓練的整個效率做出來。數據在靈波不是採購部門，而是研發的核心 knowhow。市場切分是理解靈波戰略的另一把鑰匙。在外灘大會展區，靈波展示的落地場景有兩個：一個是國大藥房的機器人智慧藥房，一個是工業上下料。藥房是靈波最看重的樣本。朱興表示，藥房是很典型的生活服務場景，一是要跟人接觸，二是要解決人機安全問題，三是 SKU 泛化程度高，幾千個 SKU 裡棉籤、膏藥、生活物品都有。這恰好是靈波“2B2C”定位的試驗場，介於嚴格 To B 和 To C 之間，是機器人進家庭之前的前哨。

“我們不是搞無人藥房，是把機器人投放到藥房裡面。”朱興說。目前上海國大藥房東靖路門店的機器人，可以在不改造貨架的前提下，接單、導航、識別藥品、抓取並送回，單次取藥平均不到 3 分鐘，覆蓋超過 150 種常見藥品。夜間單人值守時，機器人分擔了高頻的找藥取藥，藥師保留專業核對和合規把關。這個選擇與螞蟻的基因高度一致。朱興早年做過擔保交易、掃碼支付、醫療健康，螞蟻過去、現在和未來重視具身智能，核心原因在於生活服務在下一個物理智能時代繞不過去的橋樑，就是具身智能。靈波切入生活服務，為的是將來能與螞蟻積累的用戶、場景和數據“會師”。

“哪怕打童工，也該幹活了”在 其中一場圓桌談論環節，朱興被問到具身應該繼續練內功還是直接幹活，他的回答是：“哪怕打童工，也該幹活了。”朱興對具身所處階段有清醒的判斷，整體仍處於“童年狀態”，大家如此關注數據，無非是想在實驗室裡灌更多數據讓它冷啟動。但兒童需要在真實環境中學習，機器人也一樣，“不然它學習不完整”。不過“幹活”有條件。朱興給了有限落地的三個約束：環境不能太開放，這壓縮了泛化挑戰；任務不能太長程，因為太長程異常過多，主流的模仿學習最怕沒見過的異常；成本要能算過賬。這三條決定了一個場景能不能規模化複製。

基於此，他的時間判斷比行業激進派更謹慎，也比悲觀派更樂觀：今年下半年到明後年，在任務複雜度不高的情況下，工業、物流和生活服務裡的一部分場景，“應該能夠快速地有一定規模化的落地”。商業化節奏上，靈波刻意保持克制。朱興說，不會為了一個更好看的收入數字過度推進商業化，那不可持續，也會浪費團隊精力。但剋制不等於不做，“只有付費的商業化，才能迎接更真實的考驗”。他給出兩個期待的指數級變化：一是真實模型驅動幹活的機器人數量，二是後訓練和數據的成本，在相同真實場景任務上指數級下降。靈波的戰略邊界也是相對清晰的，即只做機器人大腦，輸出閉源基模加工具鏈，不碰本體的規模化出貨。

朱興反覆用“何德何能”來框定自己的能力邊界：靈波不做大規模數據採集產能，不做本體量產，不控制供應鏈成本。它把基模給到樂聚這樣的本體廠商，開放工具鏈，後者反過來把數據迴流給靈波，形成正循環。樂聚已經基於 LingBot-VLA 2.0 發佈了自己的模型並開源。這與螞蟻靈波自研 R 系列機器人並不矛盾。朱興解釋，R 系列一方面承載研發需要，因為模型需要數據、數據是硬件生產的，軟硬一體是研發的自然要求；另一方面，螞蟻集團的核心業務沉澱都在生活服務，靈波需要一個合適的本體更早探索生活服務，重點是通行避障複雜和安全的考量，“這不是當前產業主流的出貨場景”。

他明確表態，工業、物流等出貨場景，靈波不碰，只提供基模加工具鏈。生態夥伴不必擔心競爭關係，“我們何德何能把所有都做得非常領先，我認為上帝不會這麼眷顧靈波的”。一個正在收斂的賽道一個判斷是，機器人大腦正在成為獨立產業層。獨立公司已經出現，Skild AI 以百億美元級估值融資，Physical Intelligence 拿到 56 億美元估值，FieldAI 連續兩輪 4.05 億美元。資本購買的不是當前出貨量，而是模型跨本體複用的平臺價值。本體廠商也在把大腦提到核心層。宇樹科技在 42.02 億元的募投規劃裡，拿出 20.

22 億元投模型研發，佔全部募投資金的 48%，招股書坦承自研大模型尚未規模化應用。瓶頸不在身體，在大腦。朱興的判斷與這個趨勢一致。他認為具身正處在“百模大戰”的剛剛開始，未來會像大模型一樣收斂為幾家。“具身也會走向幾家為主，未來一定是收斂的格局。”對於融資是“缺錢”的猜測，他回應，公司融資一是為了容納核心人才和未來增量高級人才的激勵機制，這是很多大廠拆分 AI 業務的重要考量；二是提升靈波作為獨立公司的治理水平，遵循董事會和 CEO 負責制。在他看來，這而是“長坡厚雪”的必要準備。

螞蟻靈波選擇了一條更艱難的原生路線，它的未來取決於一個無法迴避的問題：具身智能能否像靈波相信的那樣，靠物理真實數據，從零長出一個不屬於數字世界的大腦。這家公司給出了它的答案，而驗證這個答案，需要穿越多個週期。（本文首發APP，作者 | AGI-Signal，編輯 | 秦聰慧）