蚂蚁灵波不“嫁接”：具身大脑的原生路线与冷启动

过去一年，具身智能最热闹的争论，不是某个模型的效果有多好，而是一个悬而未决的路线问题：机器人到底该走 VLA，还是走 WAM？两种路线看似针锋相对，内核却指向同一个出处，都建立在数字世界的大模型之上。VLA 是视觉语言模型向动作的延伸，WAM 则把视频生成模型搬到机器人身上。

行业争论的 VLA 和 WAM 两条路线，灵波都没有选。它走的是第三条，官方称之为“具身原生”：从零训练自己的基模。

8 月，这家蚂蚁集团旗下的具身智能公司宣布启动首轮融资。9 月 11 日，在 2026 外滩大会，CEO 朱兴与首席科学家沈宇军在多个场合重复了一个判断：具身智能不是数字智能的嫁接，必须基于物理真实数据。

VLA 和 WAM，都是数字世界的延伸

朱兴对技术路线之争的评价是，大模型厂商只有两类工具可用，一类是多模态视觉语言模型，一类是视频生成模型，VLA 和 WAM 不过是“在已有工具之下解机器人问题想出来的名词”。按照沈宇军的说法，这些路线都有点儿“过于想走捷径了”。

灵波其实自己尝到过走捷径的代价，它的 1.0 系列曾是微调数字世界通用视频生成模型 Wan 的结果，硬调出来适配机器人，被朱兴称为“撞到了南墙”。第一，数字模型有上限；第二，微调到最后，反而会破坏原模型的先验和知识，副作用是泛化性降低。

“非要让一个数字世界模型去控机器人，特别像非要求一个男人生孩子。”朱兴说。

这个判断有一个现实参照。GPT-6 出现后，业内一度讨论它对具身的冲击。朱兴认为，凡是基于数字世界模型做具身任务的公司，都会觉得“很恐怖”，因为基模能力一旦跃迁，基于它的下游工作就可能失去意义，这就像两三年前做后训练的那拨人，会随着基模从 60 分跳到 90 分而焦虑。

灵波对路线之争“很少讨论”，朱兴认为，从宏观设想出发的争论没有意义，有意义的是先想清楚模型要具备什么能力。

它把机器人抽象成三件事：从传感器源源不断的信息流里提取出好的 token，完成对空间和力的理解；把这些模态信息融合进一个模型完成对齐；基于观测给出可执行的动作。沈宇军说，第一件事是数字世界模型没有接触过的，而这些正是具身玩家应该尝试去解决的问题。

7 月，灵波发布全栈大脑 2.0，一口气推出 6 个模型。其中最受关注的是 LingBot-VA 2.0，号称业界首个具身原生世界动作模型。它没有依赖任何数字世界基模，而是基于自回归架构从头开始预训练，把语义视觉动作分词器、严格因果预训练、MoE 架构和异步推理组合在一起，单卡达到 150Hz 的实时推理效率。

支撑这套路线的还有 LingBot-VLA 2.0，预训练融入 6 万小时真实物理数据，覆盖 17 家厂商 20 种机器人构型。灵波把推理耗时压到 RTX 4090 上 130 毫秒以内，并全部开源。数据显示，截至 8 月，LingBot 系列公开仓库累计获得约 29.8K Stars，被毕马威、招银国际的研报提及，Reddit 讨论 FCC 禁令时还把它列为 notable open-source AI projects 之一。

从 1.0 微调 Wan 到 2.0 原生自训，正是灵波“具身原生”从技术主张落地为全栈能力的过程。朱兴说，1.0 时代他其实就在内部启动了更原生的研发，因为“沿着那条路走到最后，有一些门槛一定要跨过”，所以灵波选择从现在开始跨。

数据是唯一的真壁垒

朱兴反复强调一个判断，具身的核心壁垒不是模型的架构创新，而是数据。在他看来，模型范式还没完全收敛，世界模型等能力还在演化，但一旦收敛，各家架构都会对齐，“大语言模型做上那些模型架构有什么差别吗”。

真正拉开差距的是数据。这与自动驾驶的逻辑一脉相承。他多次用自动驾驶打比方，数据过剩之后，量的意义下降，大家争的是 corner case，是怎么拿到想要的那部分数据。

具体到灵波，它的数据打法与多数同行不同。朱兴说，灵波很早就从买成品数据转向定制化采集：先由模型研发定义需要什么类型的数据、什么分布、覆盖哪些场景任务，采集难度高的先试采、沉淀 SOP，再推给供应商上量。与供应商之间是流式交付，而非批量交付。他提到一个数据采集中相对关键的数字，原始数据到进入模型训练的数据漏斗，可用率“从 15% 左右早就拉到 90% 以上”。

“量重要，但不能只谈量，更要谈背后的质量和分布。”朱兴说，分布是模型厂商最核心的 knowhow，就像炼丹的配方。他甚至对这种讨论的浮躁表示不满，行业老喜欢谈千万小时、亿小时的数据，“这是没有答案的”。

在灵波的组织里，这个判断已经内化为体系。首席数据科学家黄用韬来自智驾行业，耕耘十年，专门负责把灵波的数据从采集到进入训练的整个效率做出来。数据在灵波不是采购部门，而是研发的核心 knowhow。

市场切分是理解灵波战略的另一把钥匙。在外滩大会展区，灵波展示的落地场景有两个：一个是国大药房的机器人智慧药房，一个是工业上下料。

药房是灵波最看重的样本。朱兴表示，药房是很典型的生活服务场景，一是要跟人接触，二是要解决人机安全问题，三是 SKU 泛化程度高，几千个 SKU 里棉签、膏药、生活物品都有。这恰好是灵波“2B2C”定位的试验场，介于严格 To B 和 To C 之间，是机器人进家庭之前的前哨。

“我们不是搞无人药房，是把机器人投放到药房里面。”朱兴说。目前上海国大药房东靖路门店的机器人，可以在不改造货架的前提下，接单、导航、识别药品、抓取并送回，单次取药平均不到 3 分钟，覆盖超过 150 种常见药品。夜间单人值守时，机器人分担了高频的找药取药，药师保留专业核对和合规把关。

这个选择与蚂蚁的基因高度一致。朱兴早年做过担保交易、扫码支付、医疗健康，蚂蚁过去、现在和未来重视具身智能，核心原因在于生活服务在下一个物理智能时代绕不过去的桥梁，就是具身智能。灵波切入生活服务，为的是将来能与蚂蚁积累的用户、场景和数据“会师”。

“哪怕打童工，也该干活了”

在 其中一场圆桌谈论环节，朱兴被问到具身应该继续练内功还是直接干活，他的回答是：“哪怕打童工，也该干活了。”

朱兴对具身所处阶段有清醒的判断，整体仍处于“童年状态”，大家如此关注数据，无非是想在实验室里灌更多数据让它冷启动。但儿童需要在真实环境中学习，机器人也一样，“不然它学习不完整”。

不过“干活”有条件。朱兴给了有限落地的三个约束：环境不能太开放，这压缩了泛化挑战；任务不能太长程，因为太长程异常过多，主流的模仿学习最怕没见过的异常；成本要能算过账。这三条决定了一个场景能不能规模化复制。

基于此，他的时间判断比行业激进派更谨慎，也比悲观派更乐观：今年下半年到明后年，在任务复杂度不高的情况下，工业、物流和生活服务里的一部分场景，“应该能够快速地有一定规模化的落地”。

商业化节奏上，灵波刻意保持克制。朱兴说，不会为了一个更好看的收入数字过度推进商业化，那不可持续，也会浪费团队精力。但克制不等于不做，“只有付费的商业化，才能迎接更真实的考验”。他给出两个期待的指数级变化：一是真实模型驱动干活的机器人数量，二是后训练和数据的成本，在相同真实场景任务上指数级下降。

灵波的战略边界也是相对清晰的，即只做机器人大脑，输出闭源基模加工具链，不碰本体的规模化出货。

朱兴反复用“何德何能”来框定自己的能力边界：灵波不做大规模数据采集产能，不做本体量产，不控制供应链成本。它把基模给到乐聚这样的本体厂商，开放工具链，后者反过来把数据回流给灵波，形成正循环。乐聚已经基于 LingBot-VLA 2.0 发布了自己的模型并开源。

这与蚂蚁灵波自研 R 系列机器人并不矛盾。朱兴解释，R 系列一方面承载研发需要，因为模型需要数据、数据是硬件生产的，软硬一体是研发的自然要求；另一方面，蚂蚁集团的核心业务沉淀都在生活服务，灵波需要一个合适的本体更早探索生活服务，重点是通行避障复杂和安全的考量，“这不是当前产业主流的出货场景”。

他明确表态，工业、物流等出货场景，灵波不碰，只提供基模加工具链。生态伙伴不必担心竞争关系，“我们何德何能把所有都做得非常领先，我认为上帝不会这么眷顾灵波的”。

一个正在收敛的赛道

一个判断是，机器人大脑正在成为独立产业层。独立公司已经出现，Skild AI 以百亿美元级估值融资，Physical Intelligence 拿到 56 亿美元估值，FieldAI 连续两轮 4.05 亿美元。资本购买的不是当前出货量，而是模型跨本体复用的平台价值。

本体厂商也在把大脑提到核心层。宇树科技在 42.02 亿元的募投规划里，拿出 20.22 亿元投模型研发，占全部募投资金的 48%，招股书坦承自研大模型尚未规模化应用。瓶颈不在身体，在大脑。

朱兴的判断与这个趋势一致。他认为具身正处在“百模大战”的刚刚开始，未来会像大模型一样收敛为几家。“具身也会走向几家为主，未来一定是收敛的格局。”

对于融资是“缺钱”的猜测，他回应，公司融资一是为了容纳核心人才和未来增量高级人才的激励机制，这是很多大厂拆分 AI 业务的重要考量；二是提升灵波作为独立公司的治理水平，遵循董事会和 CEO 负责制。在他看来，这而是“长坡厚雪”的必要准备。

蚂蚁灵波选择了一条更艰难的原生路线，它的未来取决于一个无法回避的问题：具身智能能否像灵波相信的那样，靠物理真实数据，从零长出一个不属于数字世界的大脑。这家公司给出了它的答案，而验证这个答案，需要穿越多个周期。（本文首发钛媒体APP，作者 | AGI-Signal，编辑 | 秦聪慧）