具身原生成为分水岭，机器人大脑的路线正在重写

它不像VLA或世界模型那样高频出现在论文标题里，也很少被单独写进公开发布的技术框架中，但在一线团队的观点输出里，这个词正在变成某种共识。

也许，具身智能需要重新为自己烧一套炉子。

这种变化并非凭空出现。今年2月，原力灵机在技术开放日上正式提出了具身原生的概念。

几乎同一时期，美国Generalist AI团队也开始强调从物理世界出发构建通用能力。

其GEN-0模型首次验证了具身智能领域的Scaling Law，随后发布的GEN-1将平均成功率从64%提升到99%，执行速度达到此前基线的约3倍。

这些信号背后指向的是一个越来越难回避的现实：具身智能没有捷径可走。

在互联网数据中训练出来的模型，可以理解语言、生成图像，甚至做复杂推理；但一旦进入真实环境，面对不确定的物体、连续的动作和不可逆的反馈，这套能力体系往往迅速掉线。

问题不在模型规模，而在起点。

如果目标是让机器人在物理世界中稳定完成任务，那么它所依赖的感知、决策与行动能力，从一开始就不应该建立在数字世界优先的范式之上，而是需要一套从物理交互出发构建的原生模型体系。

就在今天，蚂蚁灵波正式发布了行业首个具身原生预训练模型LingBot-VA 2.0，一款基于自回归视频生成模型、从头进行全自主预训练的世界动作模型。

此前的三天里，LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-Video和LingBot-World 2.0已经先后亮相。

六款模型共同构成了蚂蚁灵波全栈大脑2.0体系，一个从空间感知到世界预测再到动作生成的完整闭环。

当类似的探索逐渐汇聚成一条隐约可见的新分支，问题也随之变得更具体：当具身原生开始成为共识，它究竟意味着什么？又会把具身智能的技术路径带向哪里？

01

具身原生，正在成为行业分水岭

当前主流的技术路径，本质上可以被概括为一种拿来主义。

它的逻辑并不复杂，用已经成熟的大语言模型或视频模型作为基础，通过微调、加装动作头等方式，将原本用于理解世界的模型改造为可以执行任务的机器人大脑。

这种路径的优势很明显，可以直接继承通用模型强大的语义理解能力，缩短开发周期，在一定程度上已经支撑起当前一批具身智能应用的落地。

但随着机器人逐步进入复杂环境，这种路径的边界开始显现。

首先，它的训练目标本质上仍然围绕预测下一帧或者理解语义，更擅长捕捉相关性，而不是建立因果关系。

但机器人面对的不是静态内容，而是动态的物理世界，它的核心问题是如果我这样做，会发生什么。

其次，从架构到数据再到训练逻辑，这些通用模型都不是为物理交互设计的，后期适配不可避免地存在结构性鸿沟。

这种鸿沟在简单任务中不明显，但在复杂场景中会迅速放大。

更关键的是，在动态环境中，这类模型往往依赖“看-做-修正”的反馈机制，响应存在滞后，对新场景的泛化能力也高度依赖额外数据补齐。

也正是在这样的背景下，具身原生开始成为另一条逐渐清晰的路径。

所谓具身原生，并不是简单的技术叠加，而是一种从底层重构的思路。

从数据体系、训练目标到模型架构，全部围绕机器人在物理世界中的感知、决策与执行任务进行设计，并通过全自主的从头预训练来完成能力构建。

这带来的变化，本质上是从看懂世界再行动，转向预判世界并主动行动。

如果进一步对比，两条路线在多个关键维度上呈现出明显差异：

• 在预训练方式上，一方依赖迁移微调，另一方从零构建；

• 在建模目标上，一方偏重相关性，另一方强调因果关系；

• 在架构逻辑上，一方服务于通用理解，另一方直接面向执行；

• 在指令与动作的关系上，一方是间接映射，另一方则尝试原生打通。

为什么越来越多的讨论开始倾向于认为，具身原生可能成为下一阶段的主导路径？

核心原因在于，机器人任务的本质，是因果驱动的物理交互，而不是内容生成。

简单来说，预测下一帧会发生什么，并不能回答如果我移动这个物体，结果会怎样。

只有建立因果模型，机器人才能具备真正意义上的自主决策能力。

这种趋势也已经在行业中得到侧面验证。

LingBot-VA 1.0开源时，包括英伟达在内的多个团队开始加速布局世界动作世界模型方向，某种程度上说明，这条路径并不是孤立尝试，而是正在成为共识的一部分。

02

五个能力跃迁，读懂LingBot-VA 2.0的原生实力

如果说具身原生是一种方法论，那么LingBot-VA 2.0则是这一方法论的具体体现。

它的价值并不在于某一个单点技术，而在于围绕机器人真实作业需求，完成了一系列关键能力的跃迁。

首先是从相关性走向因果性。模型不再依赖通用模型的微调，而是基于自回归视频生成模型从零开始预训练。

其核心任务从学习画面如何变化转变为学习动作如何改变世界，即建立行为与结果之间的物理因果对应关系。

这种转变使机器人具备真正的自主决策能力，而不是简单的被动响应。

为此，LingBot-VA 2.0模型首次提出了自回归视频-动作世界建模框架，将视频生成与控制深度融合，在预测下一步世界状态的同时直接推演并输出相应动作序列。

这一框架让模型在预测世界状态的同时，直接生成可执行的动作序列，真正实现了从想到做的闭环。

在此基础上，模型进一步实现了从反馈执行到前瞻行动的升级。

传统机器人采用感知-执行-修正的循环，在静态环境中尚可，但在动态场景中容易因滞后而失败。

LingBot-VA 2.0引入foresight reasoning机制，使机器人在执行当前动作时持续预测未来几帧的状态变化，并据此实时调整控制策略。

这种边执行边推演的能力显著提升了控制频率，并在物体移动或环境扰动等复杂条件下保持了较高的成功率和鲁棒性。

例如在LingBot-VA 2.0驱动的机械臂空气曲棍球演示中，模型能够实时应对对手的随机击打并调整动作，展现出强大的动态适应能力。

另一个关键突破，是打通指令与动作之间的鸿沟。

传统系统中，机器人往往听得懂但做不对，原因在于语义理解与动作生成之间缺乏统一表示。

LingBot-VA 2.0通过新一代VAE结构，将语义与动作原生对齐，使指令可以更直接地转化为正确执行。

这一闭环设计从根本上消除了理解与执行之间的偏差，大幅提升了任务执行的准确度。

在工程层面，模型还需要解决一个现实问题，能不能实时干活。

机器人部署对实时性要求严苛，如果模型推理成为瓶颈，会直接导致任务失败。

LingBot-VA 2.0通过MoE架构与异步推理机制，系统可以按需激活不同专家模块，并将推理与执行节奏解耦，在保证性能的同时提升效率，使模型真正具备落地能力。

但这一架构的实现本身就充满了挑战：如何在训练中保证多个专家模块被均匀且稀疏激活，是MoE成功的关键。

得益于此，模型在保持高容量同时实现了显著的推理加速，特别适合传送带抓取等对实时性要求极高的场景。

最后，是数据层面的突破。预训练模型的终极检验在于面对新场景时的泛化能力。

LingBot-VA 2.0仅需少量样本即可在后训练阶段完成适配，这直接证明模型学到的不是场景记忆，而是可迁移的物理规律和因果逻辑。

这种轻量化适配不仅降低了新任务的数据采集成本，也极大简化了部署流程，为产业规模化应用打开了现实通道。

总的来看，LingBot-VA 2.0的意义，不在于单一技术指标的提升，而在于它让具身原生从概念变成了一条可以被验证、被复现的技术路线。

03

从单点突破到全栈大脑2.0，蚂蚁灵波的完整布局

如果单看LingBot-VA 2.0，很容易把它理解为一次单点突破。但实际上，它更像是整个体系中的收口。

蚂蚁灵波此次构建的全栈大脑 2.0，本质上是一套完整的能力闭环，着力解决三个核心问题：看得更清楚、想得更明白、干得更利索。

看得更清楚，对应从传感器出发的原生空间智能，由LingBot-Vision空间原生视觉基模与LingBot-Depth 2.0深度感知模型组成，为机器人提供高精度、稳定的空间视觉输入。

例如在透明玻璃门场景中，模型能准确判断门后物体的可通行性，避免了看得见却摸不着的典型数字世界幻觉。

想得更明白，则聚焦从模型设计和训练范式出发的原生架构。

其中，LingBot-Video通过MoE架构平衡模型规模与推理效率，LingBot-World 2.0通过Causal Pretrain保证因果建模能力，而LingBot-VA 2.0则作为基于以上技术的集大成者，实现视频-动作世界的深度融合。

干得更利索，源于从物理世界执行任务角度出发的原生数据驱动。

LingBot-VLA 2.0作为具身操作基座，在预训练阶段已经覆盖了多种硬件构型。

依托海量真机落地场景，持续反哺模型迭代，适配更多硬件构型与作业自由度。

相较于数字世界模型依托互联网数据快速迭代的成熟路径，物理世界智能的进化，更需要产业场景共建、真机数据沉淀。

而LingBot-VLA 2.0正是蚂蚁灵波深耕产业落地、推动物理数据共建共享的核心载体。

正如蚂蚁灵波首席科学家沈宇军所言，物理世界的数据获取充满挑战，需要传感器对齐、真实交互等长期积累，这也是LingBot-VLA 2.0通过海量真机场景反向驱动迭代的核心价值。

在这个体系中，可能有人会问VLA 和 VA 该如何共处。

答案是清晰的：前者解决的是今天能不能用，承担规模化落地与数据沉淀的任务；后者则定义未来能走多远，探索能力上限。

两者并不是割裂的，而是在同一数据体系与技术理念下协同演进。

这种从感知到执行再到预测的闭环，使得全栈大脑不再是概念，而是一种具备工程落地能力的系统设计。

04

重构产业生态，蚂蚁灵波的开源目标与商业落地

任何技术路线，最终都需要在真实世界中接受检验。

在生态层面，蚂蚁灵波已经与星尘、乐聚、松灵、智元、星海图、宇树等多家厂商完成适配验证。

其中，LingBot-VLA 2.0在预训练阶段已覆盖17个主流机器人品牌的20种构型，这意味着其模型设计具备较强的通用性与兼容能力。

例如在物流分拣场景中，乐聚机器人已经基于相关能力展开应用；在零售药房场景中，国大药房实现了实际部署。

在感知层，奥比中光将LingBot-Depth 2.0集成进其数据采集设备与SDK，进一步扩大了应用边界。

从评测结果来看，其性能优势也得到了量化验证。

在上海交通大学GM-100评测中，LingBot-VLA 2.0在双臂操作任务中的平均进度分与成功率均领先于π0.5与GR00T N1.7。

在开源策略上，蚂蚁灵波采取了一种相对克制但清晰的路径。

LingBot-VA 2.0本身暂不开源，但其关键技术支撑，包括LingBot-World 2.0与LingBot-Video，以及LingBot-Vision和LingBot-Depth 2.0，已经在Hugging Face与魔搭社区开放。

这种关键能力开源、核心产品闭源的方式，一方面降低了行业进入门槛，让更多开发者可以验证技术路线；另一方面也保留了商业化所需的核心壁垒。

数字世界模型的成功是因为有互联网数据的积累，但物理世界的数据缺口不可能靠一家公司填上，它需要整个行业共建。

这才是蚂蚁灵波选择开源的真实意图。

具身智能的发展，正在从有没有智能，走向智能从哪里来。

通用模型迁移不会消失，它仍然是当前阶段的重要路径。但随着机器人越来越深入真实世界，这种路径的局限也在不断显现。

具身原生提供的是另一种可能性。

这并不是简单的技术路线之争，而更像是一场关于机器人大脑如何被定义的长期博弈。

通过LingBot-VA 2.0与全栈体系，蚂蚁灵波给出了一种相对完整的答案。

但这条路径是否会成为主流，仍然取决于两个变量：数据是否能够规模化积累，以及模型是否能够持续泛化。

在这场关于具身大脑的长期竞逐中，真正的分水岭，或许才刚刚出现。