来源：@经济观察报微博

记者 陈植

2026年7月10日，蚂蚁集团旗下具身智能公司——蚂蚁灵波发布业界首个具身原生世界动作模型LingBot-VA 2.0。

蚂蚁灵波CEO朱兴向记者透露，LingBot-VA 2.0不再沿用行业常见的“视频生成模型微调”路线，而是基于自回归架构从零开始预训练，围绕动态建模、因果预测、实时执行等机器人与真实环境交互的核心需求进行原生设计，从而让机器人能在行动中持续理解真实物理环境变化，预测动作结果并生成下一步动作。

朱兴表示，这意味着机器人“大脑”研发，正从“基于数字世界模型构建”转向“物理世界原生设计”。它也给具身智能机器人发展带来一种关键路线选择，即机器人“大脑”不再依托数字世界模型能力的“嫁接”，而是从与真实物理环境交互的原始需求出发，进行原生设计。

这也是机器人“大脑”研发思路的又一次转向。

去年，全球机器人“大脑”研发企业纷纷放弃此前依赖的真机遥操路径，转而探索纯视觉学习方案。所谓纯视觉学习方案，就是给机器人“大脑”观看海量视频，让它直接学习人类动作与智慧，从而让机器人能像“人类”一样的感知、思考、决策与执行。

但是，这种学习方式令机器人“大脑”依然缺乏对物理真实世界的力学规律、物理属性和动作意图的理解，导致机器人“大脑”执行效率低下与机器人动作迟缓。

朱兴告诉记者，究其原因，是当前机器人“大脑”研发的主流路线，是依托面向数字内容创作的视频生成模型，通过微调方式适配机器人控制任务。但是，数字内容创作更在意画质与创意，缺乏真实物理环境的随机性变化与各种因果关系的相互影响，难以满足机器人控制任务在执行效率与动作预测合理性等方面的高要求。

他向记者举例说，通过向数字内容创作的视频生成模型“学习”，机器人可以在一个方位固定的桌面上，拿起放在桌面指定位置的杯子。在真实物理环境下，这个杯子时常被人放在其他位置，机器人或需抬头、弯腰、上前几步才能看到杯子并伸手拿起。但是，由于机器人“大脑”此前缺乏对真实物理环境的感知—规划—末端执行等方面的训练，就不知道该采取哪些动作。

为了解决这个挑战，部分机器人“大脑”研发企业尝试通过强行“微调”，将基于数字内容创作的视频模型调整为基于真实物理环境的视频动作模型，此举反而令机器人“大脑”出现知识遗忘、泛化性下降等问题——它刚做完若干个动作，就不知道下一个动作该做什么。

这让朱兴意识到，机器人面对的是一个连续变化的物理真实环境，其“大脑”不仅要针对当前情况做出合理反应，还要理解一个动作会造成哪些环境变化，据此决定下一步合理动作。

朱兴表示，蚂蚁灵波决定探索一条更艰难的技术研发路径——基于自回归架构从头开始预训练，引入语义视觉—动作分词器（Tokenizer）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（MoE）架构，增强异步推理机制实现实时闭环控制，构建起适配真实物理环境的机器人“大脑”原生基础模型，进而形成LingBot-VA 2.0。

但是，要让机器人“大脑”看得更明白、想得清楚，干得更利索，还需要大量高质量数据的支撑。

朱兴坦言，未来机器人“大脑”基于真实物理环境的训练，还需引入听觉、触觉等多维度多模态数据，让机器人除了“看得清”，还得“听得懂”“触得着”，更全面地感知真实物理环境的各种变化，做出更符合因果规律的动作预测，以及下一步正确动作。因此，蚂蚁灵波将加速构建开放的技术生态和场景生态，助力机器人更快走向产业场景，通过更大范畴采集高质量数据，持续提升机器人“大脑”在真实物理环境里的感知、思考、决策与应变能力。