智能必須基于世界模型？我們和螞蟻靈波團(tuán)隊(duì)聊了聊

編輯｜澤南

大模型的革命行將結(jié)束，即將開(kāi)啟的會(huì)是物理 AI 時(shí)代？

上周，圖靈獎(jiǎng)得主、深度學(xué)習(xí)先驅(qū) Yann LeCun 對(duì)通用人工智能（AGI）發(fā)表了自己的最新觀(guān)點(diǎn)。他認(rèn)為語(yǔ)言并不等同于智能，預(yù)測(cè)文本并不意味著理解現(xiàn)實(shí)。真實(shí)世界紛繁復(fù)雜、充滿(mǎn)物理性和因果關(guān)系，而如今的大語(yǔ)言模型（LLM）幾乎無(wú)法觸及這些。

LeCun 認(rèn)為，真正的智能必須能像人類(lèi)一樣，在腦海中進(jìn)行推演，只有具備了這種「預(yù)測(cè)未來(lái)」的能力，AI 才能進(jìn)行復(fù)雜的規(guī)劃。

雖然關(guān)于 AI 技術(shù)理論的爭(zhēng)鳴多發(fā)生在大洋彼岸，但令人出乎預(yù)料的是，在 2026 年開(kāi)年，率先把物理 AI 這一最前沿的方向推進(jìn)一步的，卻是一家中國(guó)公司。

在剛剛過(guò)去的一周，螞蟻集團(tuán)旗下的螞蟻靈波科技（Robbyant）以一種近乎「飽和式攻擊」的節(jié)奏，連續(xù)四天開(kāi)源發(fā)布了四款具身智能模型：高精度空間感知模型 LingBot-Depth、具身大模型 LingBot-VLA、世界模型 LingBot-World 到具身世界模型 LingBot-VA。

在機(jī)器之心與螞蟻靈波 CEO 朱興及首席科學(xué)家沈宇軍的對(duì)話(huà)中，我們發(fā)現(xiàn)，螞蟻正在通過(guò)一套獨(dú)特的「逆向思維」，試圖探索具身智能（Embodied AI）新路徑 —— 從物理交互出發(fā)，在真實(shí)世界中構(gòu)建智能。

螞蟻的 AI First，不止于數(shù)字世界

下一個(gè) AI 技術(shù)的突破將會(huì)是物理世界的 AI：世界模型、因果關(guān)系、真正的規(guī)劃。螞蟻靈波正在以行動(dòng)驗(yàn)證這一重要趨勢(shì)。

朱興在采訪(fǎng)中表示，螞蟻的 AGI 版圖包括數(shù)字智能與物理智能，在設(shè)立靈波科技前，螞蟻已布局多家具身智能（Embodied AI）及機(jī)器人相關(guān)企業(yè)，覆蓋整機(jī)、核心零部件、靈巧手、具身大模型等多個(gè)關(guān)鍵環(huán)節(jié)。2025 年，螞蟻靈波科技正式成立，承擔(dān)在具身領(lǐng)域探索 AGI 的使命。經(jīng)過(guò)一年的研發(fā)，團(tuán)隊(duì)端出了四款具身模型，在一周內(nèi)集中開(kāi)源。

朱興介紹，靈波的工作「從真實(shí)硬件出發(fā)」，希望從數(shù)字世界邁向物理世界，為機(jī)器人打造更聰明的大腦。

「我們篤定數(shù)字世界的智能還遠(yuǎn)沒(méi)有達(dá)到上限，語(yǔ)言模型、多模態(tài)模型、視頻生成模型還會(huì)進(jìn)一步發(fā)展」，朱興說(shuō)，「螞蟻的百靈團(tuán)隊(duì)負(fù)責(zé)數(shù)字智能的技術(shù)演進(jìn)，靈波也積極參與其中，因?yàn)楹芏嗷A(chǔ)技術(shù)在具身模型的訓(xùn)練中可以復(fù)用。同時(shí)靈波還負(fù)責(zé)另一條路徑的探索?！?/p>

他表示，「物理世界智能跟數(shù)字世界智能最大的不同，就是前者可以拿到真實(shí)世界的反饋。從真實(shí)反饋中學(xué)習(xí)往往是『智能』產(chǎn)生的必要條件?！?/p>

因此，靈波過(guò)去一年核心聚焦在具身基模的訓(xùn)練。「我們希望具身智能領(lǐng)域能和大語(yǔ)言模型一樣，隨著基模能力的提升讓物理世界整體智能水漲船高?！?/p>

技術(shù)路線(xiàn)：真實(shí)數(shù)據(jù)優(yōu)先

本次發(fā)布中最值得玩味的，是螞蟻靈波對(duì)具身智能技術(shù)路線(xiàn)的「非主流」選擇。

目前，具身智能領(lǐng)域的流行路徑之一便是「Sim-to-Real」（從仿真到現(xiàn)實(shí)）：其核心思路是，為了解決機(jī)器人訓(xùn)練數(shù)據(jù)稀缺、試錯(cuò)成本高等問(wèn)題，先在仿真的虛擬環(huán)境中海量、安全地訓(xùn)練機(jī)器人（或 AI 智能體），再將習(xí)得的策略「遷移」到現(xiàn)實(shí)世界的機(jī)器人身上。

然而，螞蟻靈波對(duì)此路徑給出了不一樣的觀(guān)點(diǎn)。

「Sim-to-Real 不是我們選擇的主技術(shù)路線(xiàn)，」沈宇軍在采訪(fǎng)中表示?！肝覀儓?jiān)定認(rèn)為基模的訓(xùn)練應(yīng)該更多地使用互聯(lián)網(wǎng)數(shù)據(jù)和真實(shí)數(shù)據(jù)。所謂的『真實(shí)數(shù)據(jù)成本高』也只是階段性的，隨著產(chǎn)業(yè)發(fā)展會(huì)有序解決，比如可以通過(guò)更低成本更加高效的數(shù)采方式等等?！?/strong>

同時(shí)，沈宇軍認(rèn)為「仿真數(shù)據(jù)很多場(chǎng)景還無(wú)法模擬」的挑戰(zhàn)是切實(shí)存在的 —— 流體、柔性物體、傳感器誤差，這些仿真很難搞定，解決周期可能比降低真實(shí)數(shù)據(jù)的采集成本更久。

相比于在虛擬溫室里「造夢(mèng)」，螞蟻靈波選擇了一條更艱難但可能更正確的路：互聯(lián)網(wǎng)數(shù)據(jù) + 真實(shí)數(shù)據(jù)。

這一思路在 LingBot-VLA 上得到了驗(yàn)證。基于九種主流構(gòu)型的超兩萬(wàn)小時(shí)高質(zhì)量真機(jī)數(shù)據(jù)的預(yù)訓(xùn)練，該模型在權(quán)威評(píng)測(cè)中超越了一系列國(guó)際頂尖基線(xiàn)。這項(xiàng)技術(shù)引發(fā)了 AI 社區(qū)的關(guān)注，人們認(rèn)為這是現(xiàn)實(shí)世界機(jī)器人技術(shù)的一大進(jìn)步。

而作為本次發(fā)布的「壓軸」，LingBot-VA 則徹底展現(xiàn)了靈波的技術(shù)野心。這是全球首個(gè)用于通用機(jī)器人控制的因果視頻 - 動(dòng)作世界模型。它學(xué)會(huì)了利用視頻生成模型來(lái)實(shí)現(xiàn)「想象」，結(jié)合多模態(tài)模型的邏輯推理，再疊加真實(shí)環(huán)境的反饋。

螞蟻靈波正在試圖構(gòu)建視頻預(yù)測(cè)與現(xiàn)實(shí)世界行動(dòng)之間的閉環(huán)。現(xiàn)在具身智能的 AI 已經(jīng)可以基于單一模型預(yù)測(cè)未來(lái)的景象，并生成實(shí)現(xiàn)該視頻所需的操作，僅通過(guò) 30-50 次真實(shí)世界的演示就能學(xué)習(xí)新技能，其成功率還要比常見(jiàn)的基準(zhǔn)模型（如 π0.5）高出約 20%。

「我們發(fā)現(xiàn)，利用物理世界的數(shù)據(jù)疊加一層預(yù)訓(xùn)練，對(duì)具身模型能力的提升非常有幫助，」沈宇軍表示。這解釋了為什么 LingBot-VA 能在業(yè)界第一個(gè)實(shí)現(xiàn)「邊推演、邊行動(dòng)」—— 它不是在死記硬背仿真數(shù)據(jù)，而是在試圖理解物理規(guī)律。這似乎剛好回應(yīng)了 Yann LeCun 對(duì)于 AI 在物理世界里實(shí)現(xiàn)預(yù)測(cè)的呼吁。

除此之外，在上周發(fā)布的深度視覺(jué)模型 LingBot-Depth 上，螞蟻靈波探索了通過(guò)深度傳感器誤差作為掩碼來(lái)優(yōu)化深度圖的深度補(bǔ)全模型，大幅降低了當(dāng)前主流視覺(jué)深度相機(jī)的誤差，讓機(jī)器人「看的更清楚」。

而在 LingBot-World 上，該團(tuán)隊(duì)開(kāi)源了視覺(jué)效果堪比谷歌 Genie 3 的實(shí)時(shí)可交互世界模型，其生成的世界嚴(yán)格遵循物理規(guī)律，也為具身智能的模擬打好了基礎(chǔ)。

這些技術(shù)在全球機(jī)器學(xué)習(xí)社區(qū)吸引了大量關(guān)注，人們期待來(lái)自中國(guó)的開(kāi)源技術(shù)可以改變業(yè)界現(xiàn)狀。

不過(guò)在朱興看來(lái)，螞蟻靈波目前所做的還是打好基礎(chǔ)：「具身智能總體技術(shù)階段目前還處于早期，且技術(shù)路線(xiàn)也沒(méi)有收斂，從這點(diǎn)來(lái)說(shuō)（螞蟻靈波的技術(shù)）沒(méi)有什么是其他家一定做不到的。我們反而更關(guān)注模型本身能力的上限探索以及如何讓生態(tài)伙伴用的更好。我們之所以做基模，很大的考量反而就是為了降低生態(tài)伙伴后訓(xùn)練的成本。而我們這次發(fā)布，也同步開(kāi)源了高效的后訓(xùn)練代碼，也是這一想法的落地。」

機(jī)器人的「DeepSeek 時(shí)刻」還在路上

在 2025 年的 1 月，DeepSeek R1 橫空出世，用開(kāi)源證明了低成本 + 強(qiáng)推理的可行性。如今隨著靈波等公司的模型開(kāi)源，具身智能領(lǐng)域是否也會(huì)迎來(lái)它的 R1 時(shí)刻？

對(duì)此，朱興表示：「DeepSeek 時(shí)刻對(duì)具身智能來(lái)說(shuō)還為時(shí)尚早，應(yīng)該說(shuō) ChatGPT 時(shí)刻都還沒(méi)有到來(lái)。面向下一步，我們會(huì)持續(xù)加強(qiáng)對(duì)具身世界模型的投入，探索具身智能的新上限?！?/p>

但也正是因?yàn)槿绱?，螞蟻靈波可以成為那個(gè)「點(diǎn)火者」。通過(guò) InclusionAI 社區(qū)，靈波將這四款核心模型全部開(kāi)源。朱興的邏輯非常清晰：在路線(xiàn)尚未收斂的早期階段，開(kāi)源是推進(jìn)行業(yè)進(jìn)步的最優(yōu)解，因此未來(lái)螞蟻靈波的技術(shù)還會(huì)繼續(xù)全面開(kāi)放。

更深層的野心在于生態(tài)位。

不同于特斯拉 Optimus「造腦也造驅(qū)干」的封閉模式，螞蟻靈波希望構(gòu)建起機(jī)器人領(lǐng)域的「安卓系統(tǒng)」。「我們更側(cè)重基模研發(fā)，初期就堅(jiān)定選擇了跨構(gòu)型的路徑，通過(guò)跟行業(yè)內(nèi)相關(guān)數(shù)據(jù)提供商深入合作來(lái)滿(mǎn)足模型訓(xùn)練數(shù)據(jù)多樣性的需要，」朱興解釋道。

當(dāng)然，機(jī)器人的本體千差萬(wàn)別，基于統(tǒng)一的基礎(chǔ)模型，任務(wù)執(zhí)行的成功率還會(huì)受到影響。螞蟻靈波的策略是提供高效的「后訓(xùn)練工具鏈」，讓硬件廠(chǎng)商能用更低的數(shù)據(jù)量和 GPU 成本，將靈波的「大腦」適配到自己的「身體」上。

這或許才是開(kāi)源背后的真正商業(yè)護(hù)城河。

終局猜想

螞蟻造的具身智能，最終會(huì)去哪？

雖然商業(yè)模式會(huì)「自然而來(lái)」，但螞蟻基因中的服務(wù)業(yè)屬性，或許可以讓我們猜測(cè)一下靈波「大腦」加持的機(jī)器人會(huì)是什么樣子。從民生服務(wù)到普惠金融，螞蟻的優(yōu)勢(shì)在于連接人與服務(wù)。

螞蟻靈波期待隨著技術(shù)成熟，以具身智能形式呈現(xiàn)的服務(wù)能夠更好地走入物理世界，更好的服務(wù)于人。

當(dāng)然，眼前的挑戰(zhàn)依然巨大。沈宇軍表示，從技術(shù)角度上看，強(qiáng)化學(xué)習(xí)（RL）的具體落地范式尚未收斂，AI 推理中至關(guān)重要的 System 2（慢思考）的能力仍在探索中，這些都可能是制約下一步技術(shù)大規(guī)模落地的瓶頸。

但背靠螞蟻集團(tuán) AGI 整體戰(zhàn)略，業(yè)界一梯隊(duì)的 AI Infra 支持，以及堅(jiān)定的資金投入，靈波顯然已經(jīng)做好了打持久戰(zhàn)的準(zhǔn)備。

隨著螞蟻靈波最近四個(gè)模型的連續(xù)發(fā)布和開(kāi)源，螞蟻的 AI 戰(zhàn)略實(shí)現(xiàn)了從數(shù)字世界到物理世界的關(guān)鍵延伸，這標(biāo)志著其「基礎(chǔ)模型 - 通用應(yīng)用 - 實(shí)體交互」的全棧路徑已經(jīng)逐漸清晰。下一步，螞蟻靈波計(jì)劃持續(xù)探索模型能力的提升，尤其是世界模型跟具身智能的深度結(jié)合，并積極拓展生態(tài)，協(xié)助生態(tài)合作伙伴實(shí)現(xiàn)落地，讓機(jī)器人真正走入商業(yè)應(yīng)用。

一個(gè)深度融合、開(kāi)源開(kāi)放并服務(wù)于真實(shí)場(chǎng)景的 AGI 生態(tài)，正在加速成型。