Ant Group’s Robbyant Unveils LingBot-VA 2.0: A Causal Video-Action Model Built Natively for Physical AI

螞蟻集團旗下專注於具身智慧（Embodied AI）的研發團隊 Robbyant，近日正式發表 LingBot-VA 2.0，宣稱這是業界第一個原生於具身智慧的基礎模型。該模型被定義為一種視訊動作基礎模型（video-action foundation model），目標在於賦予通用型機器人操作能力，讓機器人能夠直接從視覺資料中學習並執行物理世界的任務。不同於目前多數視訊動作模型的做法，LingBot-VA 2.0 的研發團隊強調他們是從零開始預訓練整個模型堆疊，使其完全為「具身」環境所設計，而非像常見的技術路線那樣，將現成的視訊生成器拿來微調後再附加動作模組。

這項設計理念的差異，直接影響模型在真實世界中的泛化能力與因果推理表現。根據 Robbyant 團隊的技術說明，現有大部分視訊動作模型其實是將兩套原本為數位內容創作而開發的組件直接拼湊使用：第一組是面向重建的變分自編碼器（reconstruction-oriented VAE），第二組則是雙向視訊擴散骨幹（bidirectional video-diffusion backbone），並在其上外掛一個動作模組。這種疊床架屋的架構，儘管在模擬或特定示範任務中能運作，卻會衍生出三個關鍵限制。

團隊雖未在初步公開資料中詳列這三項限制的具體內涵，但業界分析普遍認為，這類依賴數位內容生成模型的作法，往往無法有效捕捉物理世界中的因果關係、動作連續性以及物件間的互動邏輯。舉例而言，重建導向的 VAE 優先追求畫面像素的還原度，而非動作背後的物理意義；雙向擴散骨幹雖然擅長生成流暢的視訊片段，但對動作指令與視覺結果之間的因果鏈條缺乏本質理解。LingBot-VA 2.0 之所以稱為「因果視訊動作模型」，正是為了從根本上解決這些痛點。LingBot-VA 2.0 的研發邏輯，是將「視訊理解」與「動作生成」兩項任務在模型內部深度耦合，而不是各自獨立訓練後再拼接。

研究團隊從骨架設計、訓練資料的取樣策略到損失函數的定義，全部圍繞著「機器人需要在真實環境中根據視覺輸入產生物理動作」這個核心目標。這使得模型從預訓練階段就開始學習視訊中的時序因果關係，以及動作如何改變環境狀態。這種「原生於具身」的設計，對於通用機器人操作的實現具有重要意義。傳統的機器人學習往往需要針對每一種任務蒐集大量示範資料，且模型很難將學到的技能遷移到新的場景或物件上。LingBot-VA 2.0 作為一個基礎模型，目標是讓機器人在看到一段人類操作或環境變化的視訊後，便能直接推理出相對應的動作序列，而不必針對每個新任務重新訓練。這正是物理 AI 領域近年來極力追求的「泛化操作能力」。

Robbyant 團隊在發布時表示，他們希望透過 LingBot-VA 2.0，為機器人產業提供一個真正能夠理解物理世界因果邏輯的起點。相較於目前市場上許多基於大型語言模型或多模態模型改裝而成的機器人操控方案，LingBot-VA 2.0 更強調視訊與動作之間的直接因果映射，而非單純透過語言指令間接驅動。值得注意的是，Robbyant 本身是螞蟻集團在具身 AI 領域的重要布局。螞蟻集團過去以金融科技與數位支付聞名，但近年持續加大對人工智慧底層技術的投入，尤其關注 AI 與物理世界互動的應用場景。從 LingBot-VA 2.

0 的定位來看，螞蟻集團並不滿足於僅在數位世界中發展 AI，而是希望將模型能力延伸到機器人、自動化設備等實體載體上。目前關於 LingBot-VA 2.0 的完整技術論文與評測數據尚未全面公開，但 Robbyant 團隊已經透露，該模型在標準機器人操作基準測試中展現出優於傳統微調方法的因果推理能力，特別是在面對未見過的物體組合或環境變化時，成功執行任務的穩定性有顯著提升。隨著後續更多細節釋出，業界將能進一步檢視這個「第一個原生具身基礎模型」的實際表現。在物理 AI 競賽逐漸升溫的當下，LingBot-VA 2.0 的出現無疑為市場帶來了新的技術路線選擇。

不同於沿用數位內容生成架構的主流做法，Robbyant 選擇從頭打造一個真正為機器人操作而生的視訊動作模型，這不僅考驗研發團隊對具身智慧本質的理解，也將影響整個產業對於基礎模型設計方向的思考。