整场相同会，，，，，，媒体把统一个问题换了许多种方式追问。。。。

今天的机械人大脑，，，，，，距离真正进入物理天下干活，，，，，，尚有多远
？？？？？

蚂蚁灵波 CEO 朱兴和首席科学家沈宇军给出的判断，，，，，，比市场的热度冷静得多。。。。目今的机械人大脑，，，，，，可能还没有走到 GPT-1 时刻。。。。行业尚未迎来真正的智能涌现，，，，，，手艺蹊径也远未收敛。。。。

已往一年，，，，，，VLA、天下模子、视频行动模子等看法轮替登场。。。。蚂蚁灵波此次一口吻宣布 6 款模子，，，，，，但它想回覆的问题更详细。。。。数字天下里训练出来的大模子，，，，，，能否直接装进机械人的身体
？？？？？物理天下是否需要一套从感知、展望到行动都重新设计的模子系统
？？？？？

灵波选择从物理天下的约束出发，，，，，，重做这套模子系统。。。。

01 数字天下的大模子，，，，，，为什么装不进机械人的身体

沈宇军在现场讲了一个「开门见猫」的例子。。。。

一扇不透明的玻璃门后面有一只猫。。。。通俗视觉模子可以识别门后的猫，，，，，，也能准确形貌画面。。。。但机械人要向猫移动时，，，，，，仅仅「望见」还不敷。。。。它需要明确玻璃门组成了物理阻隔，，，，，，在门翻开之前，，，，，，猫处于机械臂无法触达的空间。。。。

数字模子关注画面里有什么，，，，，，机械人还要判断距离、遮挡、接触关系和可达性。。。。语义识别准确，，，，，，只完成了物理使命的第一步。。。。

即梦、万相等视频模子服务于内容创作。。。。用户给出一段文字或一份剧本，，，，，，模子可以参考完整故事，，，，，，花更多算力换取画质和一连性。。。。

机械人面临的时间只能向前流动。。。。它抓取杯子时，，，，，，不知道下一秒是否会有人遇到桌子，，，，，，也不知道杯子会不会滑动。。。。模子只能凭证目今状态展望下一步，，，，，，并在传感器返回新信息后修正行动。。。；
；；；；；媸欠衿敛⒉恢饕，，，，，，展望需要合理、快速，，，，，，并且能够转化成行动。。。。

团队把这条蹊径称为「具身原生」，，，，，，并重新训练 LingBot-VA 2.0。。。。果真手艺论文显示，，，，，，该模子接纳因果预训练、希罕 MoE 和异步推理等设计，，，，，，服务于高频、闭环的机械人控制。。。。

这种取舍甚至允许展望画面泛起一定变形。。。；
；；；；；当圩急缸テ鸨邮，，，，，，模子天生的杯子可以不敷清晰，，，，，，只要行动偏向准确。。。。传感器会一连提供真实画面，，，，，，模子再凭证最新状态校准。。。。

VLA 更容易明确人的语言意图，，，，，，推理资源消耗较低，，，，，，是目今更容易落地的蹊径。。。。灵波用 VLA 进入场景、磨练数据，，，，，，再用 VA 探索动态建模和未来展望。。。。沈宇军以为，，，，，，今天禀立的手艺蹊径各自在解决一块拼图，，，，，，未来可能逐渐汇入一个模子。。。。

从这个角度看，，，，，，灵波宣布 6 款模子，，，，，，更像是在拆解机械人大脑仍未解决的单点问题。。。。模子数目未来反而可能镌汰。。。。

02 重新训练的主要价钱，，，，，，是一场数据长征

选择具身原生，，，，，，马上会遇到第二个问题，，，，，，数据从那里来
？？？？？

这个问题在现场被重复追问。。。。十万小时够不敷
？？？？？百万小时能不可泛起智能涌现
？？？？？万万小时能否迎来机械人的 ChatGPT 时刻
？？？？？

朱兴的回覆很直接，，，，，，万万小时可能也不敷。。。。

自动驾驶面临相对明确的交通规则和驾驶使命。。。。通用机械人需要进入工厂、客栈和家庭，，，，，，接触差别材质的物体，，，，，，适配差别身体，，，，，，还要处理事先无法界说的失败状态，，，，，，数据漫衍远比简单驾驶使命重大。。。。

果真论文显示，，，，，，LingBot-VLA 2.0 的预训练数据已经从第一代的约 2 万小时增至 6 万小时，，，，，，其中包括 5 万小时机械人轨迹和 1 万小时第一视角人类视频，，，，，，笼罩 17 家厂商的 20 种机械人构型。。。。行动空间也从双臂扩展到头部、腰部、移动底盘和灵巧手。。。。

6万小时仍然只是起点。。。。灵波更看重数据闭环的速率和质量。。。。

真实数据还包括 UMI、Ego 等方式纪录的人类操作历程，，，，，，可以用更低本钱扩充行为数据。。。。下一阶段还要增补触觉、力觉等模态，，，，，，并与第一视角视频对齐。。。。

团队需要一连回覆几个工程问题。。。。哪些数据真正进入了训练
？？？？？模子在哪类使命上失败
？？？？？新的收罗使命能否快速笼罩能力缺口
？？？？？从收罗、处理、训练到反馈的链路需要多长时间
？？？？？

数据规模扩大后，，，，，，团队还要筛选高价值样本。。。。自动驾驶已经履历过类似转变，，，，，，早期追求上量，，，，，，后期则从海量帧中找出最能改善模子的少数样本。。。；
；；；；；等说囊斐：褪О苁萦绕涮诠，，，，，，也更可能决议模子能否处理长尾问题。。。。

灵波支持 20 种构型，，，，，，厂商接入后仍需围绕详细使命举行后训练。。。。预训练的作用，，，，，，是让模子提前见过差别的身体。。。。

一脑多机真正节约的，，，，，，是每换一种本体、每增添一个场景时从零训练的本钱。。。。

03 机械人大脑的商业化，，，，，，先过乐成率这一关

现场有媒体提到一个仓储案例。。。。人工用叉车完成一次搬运可能只需 30 秒，，，，，，机械人却要花 1 分钟甚至更久，，，，，，遇到新情形还可能停下来重新判断。。。。

朱兴把乐成率放在了速率之前。。。；
；；；；；等诵卸倏，，，，，，一连失败一再以后，，，，，，企业仍要安排职员接受，，，，，，安排也很难爆发经济价值。。。。乐成率稳固之后，，，，，，企业才会进一步盘算节奏、推理效率和单位本钱。。。。

基础模子与后训练由此形因素工。。。。

朱兴把预训练比作作育一名基础素质很好的大学生。。。。学生进入银行做会计依然需要职业训练。。。。具身基础模子抬高能力上限，，，，，，后训练则把模子酿成生产工具。。。。

关于机械人厂商和场景客户，，，，，，后训练包括数据收罗、标注、模子适配、安排和推理优化。。。。每一个环节都会转化为本钱。。。；
；；；；；∧Ｗ釉街腔邸⒓墓剐秃褪姑蕉，，，，，，后训练需要补的课就越少。。。。

通用机械人大脑的商业价值，，，，，，是降低每个场景单独开发模子的投入。。。。工厂打螺丝的机械人没有须要学会洗碗，，，，，，旅馆和客栈也会选择差别本体。。。。场景决议身体，，，，，，通用大脑需要横跨更多身体。。。。

灵波已经体现正在与本体厂商推进工业落地，，，，，，并探索买断、订阅和定制等差别收费方式。。。。不过，，，，，，现场没有披露可供外界验证的客户案例、收入规模和本钱模子。。。。现阶段，，，，，，市场能够确认的是手艺蹊径和生态位置，，，，，，规；
；；；；；桃当栈啡孕杵诖嘞钅渴荨。。。

04 灵波为什么要做这件重事

重新训练机械人大脑需要恒久投入。。。。预训练、数据基础设施、真机验证和本体适配，，，，，，任何一项都很难靠小团队快速补齐。。。。

蚂蚁给灵波提供的焦点资源，，，，，，包括资金、人才、训练基础设施、数据处理能力和场景生态。。。。灵波在此基础上搭建从空间感知、视频天生、交互天下模子到 VLA、VA 的全栈模子系统，，，，，，再通过本体相助验证投产能力。。。。

这套结构也反映了蚂蚁对工业名堂的判断。。。。具身智能仍处于类似「百模大战」的早期阶段，，，，，，未来可能收敛为少数几家通用基础模子提供商。。。；
；；；；；等司嗬氪蠊婺＝爰彝ト杂泻艹ぞ嗬，，，，，，现在类比 Windows 或 Android 还太早。。。。

视察蚂蚁灵波 2.0，，，，，，模子参数和榜单只是其中一部分。。。。更要害的指标是，，，，，，它能否一连提高跨使命、跨场景和跨构型的乐成率，，，，，，能否把后训练本钱降到客户愿意支付的水平。。。。

数字天下的 Agent 在基础模子能力上升后迅速普及，，，，，，具身智能也可能履历类似的能力外溢。。。。只是物理天下多了一层无法回避的约束，，，，，，模子做出的每一个判断，，，，，，最终都要由一副真实的身体完成。。。。

蚂蚁灵波选择提前重做这颗大脑。。。。蹊径能走多远，，，，，，最终还要看机械人能不可真正干活。。。。

正如新兵杨佳奇在床头写下：“心高路远，，，，，，看天下，，，，，，也找自己。。。。”他们守护着青藏铁路，，，，，，却从未去过西藏，，，，，，没见过铁轨止境的容貌。。。。