蚂蚁灵波：不必太纠结是世界模型还是VLA，具身大脑要解决的问题还很多
蚂蚁灵波发布具身原生世界动作模型LingBot-VA2.0，强调不必纠结VLA或VA技术路线。模型基于自回归架构从零预训练，不再依赖数字模型。具身大脑仍面临跨本体适配、数据飞轮、后训练成本等挑战，商业化处于早期阶段。数据质量比规模更重要。
具身大脑要大规模走向真实场景，确实还有不少坎要跨。跨本体适配、数据飞轮、后训练成本、商业化交付……每一个都是实打实的门槛。现阶段，整个行业还处于非常早期的阶段，这点必须清醒地认识。
"不用太纠结技术路线，现在整个具身大脑非常不成熟，要解决的问题还有很多。"7月10日，蚂蚁灵波首席科学家沈宇军在蚂蚁灵波大脑全栈2.0模型沟通会上，面对包括澎湃科技在内的媒体时，给出了这样直白的判断。
当天，蚂蚁灵波发布了具身原生世界动作模型LingBot-VA 2.0。这个模型最大的特点是不再沿用行业常见的"拿现有视频生成模型微调"那套做法，而是基于自回归架构从零开始预训练，从设计之初就围绕着机器人与真实环境交互的核心需求——动态建模、因果预测、实时执行——来构建。
蚂蚁灵波CEO朱兴直言，目前模型从研发到实际部署，整个过程依然很艰难。预训练和后训练都有各自的挑战，这也是为什么真正以模型驱动商业落地，现在还处于非常早期阶段。这段话背后，是整个行业都在面对的共性难题。
蚂蚁灵波大脑全栈2.0系列
不再依赖数字模型，打造具身原生模型
今年以来，关于具身模型的技术路线到底是走向分化还是走向融合，一直是行业里最热的话题之一。
目前，具身大脑的主流路线大致可以分成两类：VLA（视觉-语言-动作模型）和VA（视觉-动作模型，或者说世界-动作模型）。
沈宇军的看法很清晰：VLA的优势在于"对齐"，它能很好地理解人的语言意图，推理成本相对较低，落地也相对容易，所以成了不少公司的优先选择。而VA则更强调对未来状态和动作结果的预测能力。
"（我们相信）未来不会是VA或者VLA一家独大，一定会出现1+1>2的新模型。"沈宇军指出，不必太纠结技术路线。这次灵波发布的系列模型——比如视频生成基础模型LingBot-Video、实时交互世界模型LingBot-World 2.0——并不是彼此割裂的，它们各自在解决不同的技术问题，等这些问题逐步被攻克后，相关能力会融合到发布的收官之作——LingBot-VA 2.0中去。
灵波2.0系列模型延续了"具身原生"的技术思路。简单说，就是不再在语言模型、视频模型等数字模型的基础上修修补补，而是从具身在物理世界里的真实需求出发，来构建属于具身自己的基础模型。
朱兴解释，如果只看具体的模型名词，本质差异不大，真正的区别在于底座模型的来源。传统数字世界的视频生成模型，设计初衷是为内容创作服务的，更在意画质、想象力和创造力；但机器人在物理世界里工作，核心诉求是动作合理、因果预测准确、能够实时执行闭环。灵波之前也尝试过在数字模型基础上发展具身模型，但很快就发现这条路行不通，所以决定不再依赖数字模型。沈宇军补充说，在构建"具身原生"模型的过程中，也汲取了数字模型的一些能力，强化了一些能力，同时剔除了一些具身模型不需要的部分。
预训练和后训练，"两个阶段都各有挑战"
找到一个能直接适配不同机器人本体的大脑模型，并不容易。行业内，机器人本体公司几乎都在"重金求脑"。
之前有机器人本体公司对澎湃科技透露，现阶段大脑模型真正能适配本体的依然有限，多数模型还是高度依赖后期高成本的工程微调。
朱兴把问题拆得更细：预训练更多解决模型能力上限的问题，后训练则是"托底下限"。机器人进入具体的工业或商业场景后，后训练几乎不可避免。数据采集、标注效率、推理效率这些技术门槛，会直接转化为客户落地时的成功率和成本。
这次开源的系列模型中，具身基座模型LingBot-VLA 2.0已经支持17家厂商、20种机器人构型。朱兴特别说明，这里的"支持"是指在预训练阶段，模型已经有了对应构型的真实物理数据。随着预训练基模能力的"水涨船高"，后训练阶段的成本也会随之降低。
脱离质量，单一谈数据规模"意义不大"
无论选哪条技术路线，数据卡点始终是具身行业绕不开的老话题。
LingBot-VA 2.0模型以互联网数据和真实数据为主。比起盲目堆砌数据规模，朱兴更看重真实数据的质量与分布。真实数据既包括真机遥操作数据，也包括无本体数据（比如第一视角Ego数据、UMI数据等）。好消息是，随着采集效率的提高，行业内真实数据的生产成本正在快速下降。
媒体很爱问一个问题：到底要多少数据量才能达到具身智能的"ChatGPT"时刻？朱兴的回答很干脆：纠结百万小时量级还是千万小时量级，意义不大。具身智能所处的物理环境和任务复杂度，远高于自动驾驶——"千万小时还不够"。
在数据闭环方面，蚂蚁灵波已经搭建了自己的Data infra（数据基础设施），用来打通从数据采集、处理、模型训练到评测反馈的全链路，并且把"链路延迟（latency）"作为数据闭环优化的核心指标。这个指标，直接决定着模型迭代的效率。
商业化方面，朱兴表示蚂蚁灵波一直在推进。目前已有商业产品形态在稳步试点，携手机器人本体联盟伙伴在一些场景中推进"模型加本体"的投产和落地。部分模型能力也可以通过商业化方式提供给更广泛的具身智能客户，甚至其他具身大脑的客户。至于收费模式是买断式还是订阅制，朱兴说都还在早期探索中，会根据不同场景灵活调整。
认识AI Agent、Genie 4与机器人的区别：任务输入不等于完成结果，世界模拟不等于现实执行，装载机动作展示也不能替代完整工程验收。
CreateAI联合中科院自动化所推出NeoVerse4D世界模型，融合扩散模型与4D高斯溅射，基于百万段单目视频训练，30秒即可构建通用型4D世界。该模型实现“重建→生成→再重建”闭环，支持4D场景重建、自由漫游、视角生成、视频编辑及点云跟踪，适用影视、具身智能、自动驾驶等领域，并集成蒸馏LoRAs，可在消费级显卡上端到端推理。
逆矩阵科技完成超亿美元种子++轮融资，由经纬创投、蚂蚁集团等投资。资金将用于通用世界基座模型预训练及规模化训练。公司由北大青年学者陈博远、吉嘉铭创立，已发布全球首个通用世界基座模型悟界·Physis-v0.1。
物理AI依赖的世界模型面临概念定义混乱、真实物理数据稀缺及技术路线分歧等困境，导致模型构建困难。业界预计未来三到五年将持续迭代，从像素模拟走向因果推理仍是根本挑战。
世界模型是今年具身智能领域最热的方向，但各家对它的理解并不一致。最近一次媒体沟通会上，大晓机器人展示了开悟3.1世界模型，以及基于它落地的行业解决方案。整场听下来，能明显感觉到世界模型正在从技术概念变成能商用的产品。（ID：leitech）也参加了这场沟通会。按照大晓世界模型负责人王飞的说法，世界模
影身智能凭借原生4D基座世界模型，在制鞋产线实现规模化落地，跑通数据生成、模型训练、场景部署与反馈迭代的自进化闭环。该模型融合渲染、仿真、规划三大能力，以高维4D数据驱动物理理解与泛化，获得数亿元柔性智造订单，标志着世界模型跨入工业量产阶段。
一眸科技聚焦情感与认知AI，源自北大实验室，构建人类身心情智维度专属世界模型。其跨学科团队融合AI、心理学等领域，实现精细表情识别与无接触视觉心率检测等多模态感知突破，推动人工智能从感知迈向认知与情感。
世界模型这个概念，现在在AI圈火得不行，但也经常被拿来乱用。无论是视频生成还是机器人领域，似乎都在往“世界模型”这个筐里装东西。可问题是，它到底是什么？应该预测什么？怎么造？圈子里其实没什么共识。正好，上海AI Lab团队最近发了一篇综述，算是把这个概念好好梳理了一遍。他们对世界模型进行了科学定义，
灵光App升级世界模型功能，接入蚂蚁灵波LingBot-World2.0，用户上传一张图片即可在手机端生成可自由漫步且支持施法、射箭等交互操作的沉浸式3D世界。新版实现720P高清画质、30帧以上流畅运行，响应延迟低至百毫秒级。
灵光App升级世界模型2.0，接入LingBot-World2.0，手机上传图片即可生成可战斗互动的3D世界，支持攻击、射箭等操作并实时反馈。技术实现720P高清、30帧流畅运行、百毫秒级响应，Agent驱动场景持续演化，无需技术背景即可体验。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
