新智元报道

【导读】蚂蚁集团旗下具身智能公司蚂蚁灵波正式发布全球首个「具身原生」预训练模型 LingBot-VA 2.0。全球该模型旨在为机器人赋予真正理解物理规律的首个世界“大脑”，解决机器人“身体”与“意识”不同步的具身行业痛点。

从“跑得快”到“想得清”：机器人进化的原生关键一跃

今年，北京亦庄半马赛道上，动作一台人形机器人以 50分26秒的模型成绩冲线夺冠，比人类世界纪录快了近7分钟。全球这是首个世界机器人“身体”第一次在速度上超越全人类。

然而，具身速度并非全部。原生近期频发的动作事故揭示了另一面：成都商场机器人撞倒老人、餐厅机器人失控狂舞、模型踢中儿童等事件，全球暴露出机器人“脑子”滞后于“腿脚”的首个世界致命缺陷——它们拥有强大的运动能力，却缺乏对物理世界因果关系的具身预判。

7月10日，蚂蚁灵波发布了这块拼图：LingBot-VA 2.0。

什么是「具身原生」？

所谓「具身原生」（Embodied Native），并非将现有的数字世界模型简单嫁接，而是从数据、训练目标到模型架构，每一层都专为“机器人在物理世界执行任务”而设计。

这是一颗从零开始构建的、原生适配物理世界的机器人大脑。

核心能力：从精细操作到实时交互

LingBot-VA 2.0 展现了惊人的控制精度与泛化能力：

• 极致柔顺控制：能稳稳夹起薯片而不捏碎。尽管模型本身无触觉反馈，但其对力度控制的精准度令人惊叹，体现了强大的内在物理直觉。
• 复杂场景规划：具备全局桌面状态记忆能力，能有序整理杂乱桌面，而非无序抓取。
• 实时动态交互：在乒乓球对战中，能精准预判球路轨迹，实现即时挥杆与反击，具备实时过招的反应速度。

行业反响：迈向真正具身AI

模型发布后，在 X (Twitter) 平台引发热议。知名大V Shabnam Parveen 评价其为“迈向真正具身化AI的重要一步”。网友普遍对「具身原生」这一技术路线给予高度评价，认为其解决了机器人“懂画面不懂动作”的核心难题。

技术突破：为什么必须从头练？

1. 从“相关性”到“因果性”

传统视频生成模型（如Sora）学习的是“下一帧画面通常如何变化”（相关性），这足以生成视频，但不足以指导机器人。
* 问题：在视频中，杯子可以穿过桌面或凭空消失；但在物理世界，这会导致机器人产生错误的行动逻辑。
* LingBot-VA 2.0 方案：采用因果建模。模型学习的是“我的动作会让世界如何变化”，确保推物、抓取等动作与物理惯性严格对应，实现从被动反应到自主决策的跨越。

2. 语义视觉-动作分词器（Semantic Visual-Action Tokenizer）

解决“视觉”与“动作”语言不通的鸿沟。
* 机制：将画面和动作映射到同一套语义空间。
* 优势：模型可利用互联网上海量无标注视频进行预训练，建立“物理直觉”，仅需少量真机数据进行对齐，大幅降低数据获取成本。

3. 异步 Foresight 推理：边想边动

传统机器人是“看-做-修”的串行模式，存在滞后。
* Foresight Reasoning：像老司机一样，在执行当前动作时，大脑已预判未来几秒的变化。
* 异步推理架构：视觉感知、逻辑推理、动作执行并行处理。即使预测与实际路况有偏差，也能基于最新观测实时修正，确保动作永远踩在现实节拍上。

四大技术支柱：构建「具身原生」底座

LingBot-VA 2.0 的技术架构由四大核心支柱支撑：

1. 全自主从头预训练

2. 基于自回归视频模型从零训练，避免将双向注意力架构强行改为因果架构导致的“灾难性遗忘”，保留海量数据中学到的世界知识。

3. MoE 稀疏架构

4. 沿用 LingBot-Video 验证的 MoE 体系。视频骨干总参数约 130亿，但推理时每个 Token 仅激活约 19亿参数。

5. 加速效果：经一致性蒸馏、低精度编译等优化，单 Chunk 推理从 927ms 降至 142ms，异步控制频率从 35Hz 飙升至 225Hz。

6. 新一代语义 VAE

7. 突破传统 VAE 仅关注压缩还原的局限，将视觉潜表示对齐至预训练视觉基础模型的语义空间。

8. 让模型不仅“看见”杯子，更“理解”杯子，解决指令与动作脱节的问题。

9. 异步 Foresight 推理

10. 将预测延迟隐藏于动作执行背后，通过真实观测不断锚定预测，实现高效闭环控制。

性能表现：单卡运行，高成功率

• Few-Shot 泛化能力：模型学习的是可迁移的世界规律，面对新场景只需极少数据对齐，无需重新学习。
• 极致效率：推理效率提升 6倍+，支持单卡运行。
• 仿真基准测试：
• 在 RoboTwin 2.0 基准上，平均成功率达 93.6%（优于 π0.5 的 79.8% 及前代 LingBot-VA 的 92.2%）。
• 鲁棒性：干净环境与随机化环境（光照、杂物、高度扰动）表现差距仅 0.4%，证明其具备极强的抗干扰能力。

VLA 与 VA：1+1 > 2 的协同生态

LingBot-VA 2.0 并非取代 VLA（视觉-语言-动作模型），而是与之形成互补：

• VLA (LingBot-VLA 2.0)：基于多模态大模型，成熟且接近落地。已适配 20种机器人构型，覆盖 17个主流品牌，使用 6万小时预训练数据，在 RTX 4090 上推理仅需 130ms。
• VA (LingBot-VA 2.0)：专注于底层物理因果与动作生成的原生建模。
• 策略：蚂蚁灵波采取“投产一代，预研一代”策略。VLA 在一线积累的数据反哺 VA 迭代，VA 的底层能力提升 VLA 的上限。

全栈大脑 2.0：六大模型矩阵

本次发布构成「全栈大脑 2.0」体系：

• 看得更清楚（感知层）：
• LingBot-Vision& LingBot-Depth 2.0：原生空间智能，从传感器出发提升感知精度。
• 想得更明白（认知层）：
• LingBot-Video：MoE 架构平衡规模与效率。
• LingBot-World 2.0：因果预训练保证物理逻辑。
• LingBot-VA 1.0：开源视频-动作模型范式先驱。
• 干得更利索（执行层）：
• LingBot-VLA 2.0：基于物理世界执行任务的原生数据驱动，推动行业数据共建。

结语：大脑的竞争才刚刚开始

LingBot-VLA 2.0 已与乐聚、星尘、松灵、智元、宇树等 17家厂商完成适配，在物流、零售、工业上下料等场景稳步落地。

相比短期商业化，其更大价值在于开启了真正的数据飞轮。正如 LLM 时代赢家属于直面预训练上限者，具身智能的未来属于拥有自主「基模」的模型。

本体的喧嚣正在退潮，大脑的竞争，刚刚开局。