虽然2026年被业界普遍视为具身智能的“元年”，但在机器人真正融入现实应用的过程中，技术层面仍需面对两大核心挑战：模型泛化能力的突破与高效部署的实现。理想的“具身智能”，应是能够自主决策与行动的通用机器人，其根本在于对物理世界的深度理解与交互能力。

近日，作为蚂蚁集团开拓具身智能与机器人业务的关键载体，张江“模力社区”的重要成员——蚂蚁灵波科技，在四天内接连开源发布了四款具身智能核心模型，分别是空间感知模型LingBot-Depth、具身大模型LingBot-VLA、世界模型LingBot-World以及具身世界模型LingBot-VA，为整个行业的发展提供了至关重要的智能基座能力。

LingBot-Depth是一款面向真实场景的深度补全模型，其核心突破在于让机器人真正“看清”三维物理空间。据悉，蚂蚁灵波科技已与奥比中光达成战略合作，未来将基于LingBot-Depth模型共同推出新一代深度相机，依托对方提供的芯片级3D数据，通过技术与生态的协同共创，为机器人在各行各业复杂场景中的应用落地，提供坚实可靠的技术支撑。

作为面向真实机器人操控场景的“智能基座”，LingBot-VLA实现了跨本体、跨任务的强大泛化能力。该模型在上海交通大学开源的具身评测基准GM-100测试与RobotWin 2.0仿真基准测评中，性能表现全面超越了标杆模型Pi0.5，实现了从虚拟仿真到现实落地的全方位性能领先。此次开源不仅释放了模型权重，更同步提供了包含数据处理、高效微调及自动化评估在内的全套代码库。此举大大缩短了模型训练与适配周期，有效降低了商业化落地的算力与时间门槛，帮助开发者能够以更低的成本快速适配自身场景，模型的实用性因此获得了显著提升。

LingBot-World则是一个专为构建交互式世界模型而设计的开源框架，致力于提供高保真度、可控制且逻辑一致的物理仿真环境。通过从大规模游戏环境中学习物理规律与因果关系，LingBot-World实现了与生成世界的实时交互。在视频质量、动态逼真度、长时序一致性与交互能力等关键指标上，该框架均展现出业界领先的性能，为具身智能、自动驾驶及游戏开发等领域，提供了一个高保真、高动态、可实时操控的“数字演练场”。其在效果上媲美谷歌世界模型Genie3。该模型发布首日即登陆海外平台X的科技话题热度榜单首位，引发了海外开发社区的广泛讨论，随后，谷歌也宣布了发布其在线世界模型平台的消息。

LingBot-VA是全球首个自回归视频-动作世界模型，它将大规模视频生成模型与机器人控制技术深度融合。该模型在预测并生成“下一时刻世界状态”的同时，能直接推导并输出对应的机器人动作序列，从而让机器人能够像人类一样“边思考、边行动”。在真实机器人评测中，LingBot-VA展现出对复杂物理交互的出色适应能力。面对多项高难度任务挑战，仅需30至50条真实机器人演示数据即可完成高效适配，且任务成功率相较于业界标杆Pi0.5平均提升了20%。

随着蚂蚁灵波科技系列模型相继发布，蚂蚁集团的AGI战略实现了从数字世界到物理智能的关键延伸，这标志着其“基础模型-通用应用-实体交互”的全栈技术路径已然清晰。蚂蚁集团表示，正通过InclusionAI社区将其旗下基础大模型“百灵”、具身智能“灵波”等模型全面开源，旨在与全球开发者及行业伙伴共建生态，共同探索通用人工智能的发展潜力。

上观号作者：浦东观察