2026年7月10日，蚂蚁集团旗下具身智能公司——蚂蚁灵波，正式向外界发布了业界首个具身原生世界动作模型LingBot-VA 2.0。这一举措，在整个行业看来，带有几分“反常识”的色彩。

为什么这么说呢？目前，大多数同行在构建机器人“大脑”时，选择了一条相对省力的路径：直接拿现成的视频生成模型，稍加微调，改造为机器人控制任务。但蚂蚁灵波从根源上改变了思路——不再依赖数字世界里的“老司机带路”，而是基于自回归架构，从零开始进行预训练。CEO朱兴透露，LingBot-VA 2.0围绕动态建模、因果预测、实时执行这些机器人与真实环境交互的核心需求，进行了原生设计。简单来说，就是让机器人在行动中持续理解物理世界的变化，一边执行一边预测结果，再决定下一步如何行动。

这意味着机器人“大脑”的研发方向，正在经历一次关键转向：从“数字世界模型的嫁接”转向“物理世界的原生设计”。这不仅是技术路线上的选择，更是对“机器人到底该如何学习”这一根本问题的深度回答。

回顾去年，整个行业刚经历了一次大转向——大家都放弃了依赖真机遥操的路径，转而拥抱纯视觉学习方案。所谓纯视觉学习，就是给机器人“大脑”喂食海量视频，让它直接模仿人类动作。听起来很美好，但实际效果如何？机器人动作迟缓、执行效率低下，因为它在数字视频里看到的画面，与真实物理环境完全是两码事。机器人缺乏对力学规律、物理属性、动作意图的理解，就像一个人只看过无数遍游泳教学视频，却从未下过水——理论上知道怎么划水，一进水里照样扑腾。

朱兴用一个很形象的例子说明：如果机器人通过数字视频模型学习，它可能只会在一个桌面固定的位置拿起杯子。但真实世界里，杯子可能被随手放在别处，机器人需要抬头、弯腰、上前几步才能看到并伸手去拿。然而它的“大脑”根本没训练过这种“感知—规划—末端执行”的完整链条，自然就茫然无措了。

有些企业尝试通过强行“微调”来补救，把数字内容创作模型调整为真实环境模型。结果呢？反而出现了知识遗忘、泛化性下降的问题——刚做完几个动作，下一个动作该做什么就忘了。这就像让一个只会写诗的人去写代码，硬改只会让两边都搞砸。

正是这些困境，促使蚂蚁灵波决定走一条更艰难的路：基于自回归架构从头预训练。他们引入语义视觉—动作分词器作为全新的视觉编码器，采用严格的因果预训练范式，构建混合专家模型架构，并增强异步推理机制实现实时闭环控制。最终，这套体系形成了LingBot-VA 2.0。它不再是“数字世界里的学霸”，而是从物理世界的原始需求出发，真正理解“手碰到杯子会怎样”“杯子移动后桌面会怎样”这些因果链。

当然，要让机器人“看得更明白、想得更清楚、干得更利索”，光有模型架构还不够，还需要大量高质量数据的支撑。朱兴坦言，未来的训练必须引入听觉、触觉等多维度多模态数据，让机器人除了“看得清”，还能“听得懂”“触得着”。只有更全面地感知真实物理环境的变化，才能做出更符合因果规律的动作预测。因此，蚂蚁灵波正在加速构建开放的技术生态和场景生态，推动机器人更快走向产业场景，通过更大范围、更高质量的数据采集，持续提升机器人在真实物理环境里的感知、思考、决策与应变能力。

一句话总结：这条路虽然艰难，但方向是正确的。机器人“大脑”的进化，终于从“看得见”走向了“摸得着”。