文｜白 鴿

編｜王一粟

繼通用大模型之后，螞蟻又將“觸手”延伸到世界模型的賽道。

1月30日，螞蟻集團旗下靈波科技發(fā)布并開源了全球首個基于自回歸范式的“視頻-動作”世界模型（Video-Action World Model）LingBot-VA。

而在此之前，螞蟻靈波科技已經(jīng)連續(xù)3天發(fā)布3款開源大模型，包括高精度空間感知模型LingBot-Depth、具身大模型LingBot-VLA、世界模型LingBot-World。

可以看到，基于這四款大模型，螞蟻靈波科技的技術已經(jīng)覆蓋了具身智能所需要的空間感知、通用操作、世界建模與閉環(huán)控制四大能力。

顯然，這并非是簡單的一次技術發(fā)布，而是一次系統(tǒng)性、戰(zhàn)略性的技術布局亮相。

事實上，此前螞蟻在具身智能賽道的布局，更多是以投資為主。但自2025年8月螞蟻靈波科技正式成立以來，短短數(shù)月時間，就發(fā)布了這一套完整的技術體系，螞蟻在具身智能賽道的動作如此之迅速，已經(jīng)完全超出了行業(yè)對其預期。

毫無疑問，具身智能是當前AI市場中最火熱的場景之一。今年CES之后，物理AI更成為行業(yè)主流趨勢，無數(shù)玩家爭相布局。

但是，盡管行業(yè)火熱，現(xiàn)如今卻仍處于早期階段，行業(yè)技術路徑尚未收斂，并未形成統(tǒng)一的技術范式，VLA/世界模型、仿真/真實數(shù)據(jù)之爭仍然不絕于耳。

與此同時，國內具身智能產(chǎn)業(yè)鏈中，更多企業(yè)是聚焦在本體制造或垂直場景落地，軟件棧更多依賴外部AI公司，極少有企業(yè)系統(tǒng)性投入底層通用模型研發(fā)。

“螞蟻靈波科技，是一個做具身智能底座的公司，所以我們更希望能夠看到基座模型能力的提升?！蔽浵侅`波CEO朱興如此說道。

在沒有競爭的地方競爭，是后來者能夠進行突圍的關鍵因素之一。

避開宇樹、銀河通用等明星企業(yè)的優(yōu)勢賽道，螞蟻靈波科技這種更專注于做底層基礎模型能力的打法，在全球具身智能尚未形成統(tǒng)一技術范式的當下，或許正是那個“定義基座”的關鍵時刻。

那么，螞蟻靈波科技這套技術體系到底能夠達到業(yè)內什么水準？以及在仍處于“戰(zhàn)國時代”的具身智能賽道中，螞蟻靈波科技又能夠怎么實現(xiàn)差異化突圍？

機器人聰明的第一步：眼、手、腦要協(xié)同

具身智能的本質，是讓機器像人類一樣進行“感知-決策-行動”這一套完成閉環(huán)的動作能力。

這其中，實現(xiàn)這一切的起點，是“看見”的能力。

然而，在家庭、工廠、倉儲等真實復雜場景中，透明物體、高反光表面、強逆光環(huán)境等始終是機器人視覺系統(tǒng)的“噩夢”。

原因在于，傳統(tǒng)雙目或結構光深度相機在這些場景下往往失效，導致深度圖缺失、噪聲嚴重，進而直接影響抓取、避障等下游任務的可靠性。

此次螞蟻靈波科技首發(fā)高精度空間感知模型 LingBot-Depth ，就是為了解決機器人 “ 看見 ” 的問題。

那它是怎么解決這個問題的？

核心在于“掩碼深度建模”（Masked Depth Modeling，MDM）技術。

具身智能的“看”，是建立在基于傳感器設備收集外部環(huán)境信息，所構建的三維深度圖。

而三維深度圖的本質，是給現(xiàn)實世界每個像素標注距離的“全視角距離地圖”。

但實際采集時，反光物體（如玻璃、鏡子）測不出深度、遮擋角落數(shù)據(jù)空白、暗光環(huán)境數(shù)值出錯等問題，會形成被稱為“掩碼區(qū)”的缺失或錯誤區(qū)域，就像一張好好的畫被摳了好幾個洞。

螞蟻靈波科技的這套技術，充當?shù)木褪恰癆I工匠”的角色。

其通過分析同一視角普通彩色（RGB）圖的視覺線索與場景常識，如圖像中的紋理、輪廓及環(huán)境上下文信息等，對這些“破洞”進行像素級精準補全和修正，從而輸出完整、致密、邊緣更清晰的三維深度圖。

基于此，可以讓機器人從基礎的看得見，能夠向看得更清、更準突破。

目前，該模型的性能已通過權威驗證：

在NYUv2、ETH3D等基準測試中，相對誤差（REL）較PromptDA、PriorDA等主流方法降低超70%，稀疏SfM任務中RMSE誤差下降約47%，樹立了新的精度標桿。

更關鍵的是，它并非單純算法創(chuàng)新，而是與硬件深度協(xié)同的成果，是基于奧比中光Gemini 330系列雙目3D相機的芯片級原始數(shù)據(jù)訓練驗證。

實測中，不更換硬件的前提下，該相機在透明玻璃、強逆光等極端場景下輸出的深度圖，完整性與邊緣銳利度均優(yōu)于Stereolabs ZED等國際領先產(chǎn)品。

而這一突破的意義，遠超“看得更清”。

畢竟，當前行業(yè)多數(shù)方案仍依賴昂貴的激光雷達或定制結構光模組，成本動輒數(shù)千美元。

而LingBot-Depth讓百美元級雙目相機具備工業(yè)級魯棒性，直接打通了服務機器人、物流分揀、家庭助理等大規(guī)模商用場景的成本瓶頸。

如果說LingBot-Depth解決了“眼睛”的問題，那么LingBot-VLA和LingBot-World則分別構建了機器人的“手腦”與“內心世界”。

LingBot-VLA是一款面向真機通用操作的具身智能基座模型，核心優(yōu)勢在于極強的泛化能力。

業(yè)界皆知，長期以來，由于本體差異、任務差異、環(huán)境差異等，具身智能模型落地面臨嚴重的泛化性挑戰(zhàn)。開發(fā)者往往需要針對不同硬件和不同任務重復采集大量數(shù)據(jù)進行后訓練，直接抬高了落地成本，也使行業(yè)難以形成可規(guī)?；瘡椭频慕桓堵窂健?/p>

那么，LingBot-VLA解決這一問題，最關鍵的一點，就在于全部采用真實世界的機器人操作數(shù)據(jù)，而不是使用仿真數(shù)據(jù)。

其數(shù)據(jù)規(guī)模從最初的3000小時，一路擴展到20000小時，全部源自真實物理世界。

更重要的一點，這些數(shù)據(jù)不僅僅是來源于單一形態(tài)的硬件機器人，而是使用了9種不同品牌和構型的雙臂機器人，包括AgileX、Agibot G1、Galaxea R1Pro/R1Lite、Realman Rs-02、Leju Kuavo 4 Pro、青龍機器人、ARX Lift2以及Bimanual Franka。

據(jù)公開資料顯示，螞蟻靈波科技的團隊自2023年開始，就與星海圖、松靈機器人等展開合作，在真實實驗室里，通過遙控操作的方式，讓機器人完成成千上萬次抓取、放置、組裝等動作。

這就使其具備了很強的泛化性，能夠讓同一個“大腦”可以無縫遷移至不同構型的機器人，并在任務變化、環(huán)境變化時保持可用的成功率與魯棒性。

在上海交通大學開源的具身評測基準GM-100（包含100項真實操作任務）測試中，LingBot-VLA在3個不同的真實機器人平臺上，跨本體泛化平均成功率相較于Pi0.5的13.0%提升至15.7%（w/o Depth）。

另外，在引入深度信息（w/Depth）后，隨著空間感知能力的增強，其平均成功率進一步攀升至17.3%，刷新了真機評測的成功率紀錄，驗證了其在真實場景中的性能優(yōu)勢。

在RoboTwin 2.0仿真基準（包含50項任務）評測中，面對高強度的環(huán)境隨機化干擾（如光照、雜物、高度擾動），LingBot-VLA憑借可學習查詢對齊機制，高度融合深度信息，操作成功率比Pi0.5提升了9.92%，實現(xiàn)了從虛擬仿真到真實落地的全方位性能領跑。

值得一提的是，與高精度空間感知模型LingBot-Depth相互配合，LingBot-VLA還能獲得更高質量的深度信息表征，通過“視力”的升級，真正做到“看得更清楚、做的更明白”。

但想要具身智能擁有更高階的能力，就需要“預測未來”。

LingBot-World是一個開源的、支持長時序物理一致推演的世界模型，也是一個專為交互式世界模型設計的開源框架。

其主要有三個核心優(yōu)勢：

能穩(wěn)定生成近10分鐘的連續(xù)畫面，就算鏡頭移開再回來，里面的物體也不會變形或消失；

每秒能生成16幀畫面，操作后1秒內就能看到反饋，還能響應鍵盤鼠標操作和文字指令（比如調天氣、改畫風）；

通過混合多種數(shù)據(jù)訓練，不用額外訓練就能適配新場景，比如上傳一張街景照就能生成可交互的視頻。

這三個核心優(yōu)勢，也對應了世界模型所必須具備的核心能力，長時記憶能力、風格泛化性以及動作代理能力，目前全球只有谷歌DeepMind的Genie3具備類似能力。

值得一提的是，繼螞蟻靈波開源了Lingbot-world世界模型后，谷歌也宣布開放了體驗平臺，世界模型的開源開放的窗口被打開了！

可以看到，Genie3開放體驗，讓全球對世界模型的關注進一步加速，但相比較來說，螞蟻靈波已經(jīng)把世界模型用到具身智能上能直接操作機器人了。

畢竟，螞蟻靈波科技不僅開源世界模型，還將其與VLA深度打通：“VLA負責輸出動作，世界模型則在執(zhí)行前進行成千上萬次推演，評估不同方案的物理后果，最終選出最優(yōu)路徑?！?/p>

這種“先思考、再行動”的架構，正是人類智能的核心特征之一。

它解決了當前具身智能普遍存在的“短視操作”問題，即只能完成幾步簡單動作，而無法規(guī)劃復雜流程（如廚房做飯、工廠裝配）。

綜合來看，螞蟻靈波科技這三款大模型產(chǎn)品都并不是獨立存在的產(chǎn)品，而是能夠相互結合補充，成為一套體系化的具身智能技術底座。

同時，盡管螞蟻靈波科技只做具身智能的大腦，但他們的這個大腦并不是空中樓閣，而是基于軟硬件一體化，以及真實場景數(shù)據(jù)所打磨出來的，能夠真正解決具身智能的泛化能力弱等問題。

更為重要的一點，是性價比，成本低，效果好，這使其能夠真正應用到具體場景當中。

具身智能終極進化，讓機器人學會“自主想象”

在一些簡單的場景中，通過眼、手、腦的協(xié)同，機器人能夠做的任務有很多了。但在復雜任務中，機器人做任務的成功率卻并不高。

舉個例子，煎牛排并不是只需要做把牛排放進去煎的動作，更要能夠自主判斷這個牛排是三分熟、五分熟還是全熟，這對于現(xiàn)階段的具身智能模型來說，是一個極大的挑戰(zhàn)。

而判斷牛排的熟度，所需要考慮就不僅是怎么做，更多還是要具有邏輯思考和判斷因果關系能力。

那么，怎么才能讓具身智能懂因果關系？

這就是此次螞蟻靈波科技四連發(fā)的最后一款重磅模型所要解決的問題。

LingBot-VA，是基于自回歸范式的“視頻-動作”世界模型（Video-Action World Model），它不僅能生成視頻，還能在生成未來畫面的同時推演并輸出動作序列，實現(xiàn)了“先想象，后行動”，直接驅動機器人在物理世界中完成復雜操作。

其核心在于提出了“因果自回歸世界建?！钡男滤悸?。

一般來說，傳統(tǒng)的世界模型是將“看”“想”“做”拆分為獨立模塊；而Video-Action自回歸模型在一個端到端框架內完成全部任務：

看：編碼當前視頻；

想：在潛在空間中模擬未來多步演化；

做：通過反向梯度或規(guī)劃器優(yōu)化動作序列以達成目標。

其關鍵突破在于，具身智能的動作不再是“外部輸入”，而是模型內部可優(yōu)化的變量。

而LingBot-VA實現(xiàn)這一能力的背后，主要有三個技術亮點：

其一，MoT架構，采用Mix-of-Transformer架構，將高維視頻Token與低維動作Token映射到統(tǒng)一潛空間。

理解這個架構前，我們先搞懂2個關鍵詞：

視頻Token是機器人攝像頭拍的畫面，被拆解成的關鍵信息塊（比如桌子、杯子的位置、形狀特征），畫面信息多、細節(jié)雜，所以叫“高維”；

動作Token是機器人要做的動作，拆解成的簡單指令（比如機械臂抬30厘米、夾爪張2厘米），信息簡潔，所以叫“低維”。

而MoT架構就是給這兩種完全不同的信息，設計了統(tǒng)一的處理框架，同時還能根據(jù)“畫面”和“動作”的不同特點分開優(yōu)化處理（不用兩套系統(tǒng)各干各的）。

說白了，就是讓機器人能把“看到的環(huán)境”和“要做的動作”精準對應，如看到杯子在左邊，立刻匹配“機械臂左移”的動作，既不會讓畫面和動作脫節(jié)，又能節(jié)省計算資源，機器人反應更快。

其二，閉環(huán)推演，讓模型在每一步生成時都會納入真實世界的實時反饋，確保持續(xù)生成的畫面與動作不偏離物理現(xiàn)實，有效解決幻覺問題。

語言大模型的“幻覺”是瞎白話，而機器人的“幻覺”則是瞎猜動作，比如沒看到杯子還伸手去抓，或者抓了東西沒確認，就腦補“抓到了”繼續(xù)下一步，最后全錯。

閉環(huán)推演就是給機器人加了“實時核對”的機制，即做一個動作（比如伸手抓杯子），立刻用攝像頭看真實環(huán)境的變化（到底抓到?jīng)]、杯子位置變沒變），把這個真實反饋和自己預想的結果對比，不對就馬上調整下一步。全程不腦補、不瞎猜，確保每一步動作都和當下的真實環(huán)境匹配，從根上避免了因“想當然”而出錯。

其三，異步推理能力，是機器人一邊執(zhí)行當前動作（比如正在拿杯子），一邊規(guī)劃下一個動作（比如下一步倒水），不用等當前動作做完再想，效率翻倍。

不過，在LingBot-VA中，“異步推理”并非簡單的“邊做邊想”，而是一套結合實時反饋修正、緩存管理、并行計算調度的完整技術方案。

其核心是解決“同步推理時計算與執(zhí)行相互等待”的latency瓶頸，同時避免“盲目并行導致的軌跡漂移”。

基于此，LingBot-VA不僅考題通過率拉滿，還解決了機器人容易“越做越歪”的老毛病。

真機評測中，LingBot-VA在多項高難操作任務上性能超越業(yè)界標桿 Pi0.5

在機器人行業(yè)公認的LIBERO、RoboTwin兩大測試基準中，這套架構讓復雜任務的成功率分別達到98.5%和92%+，相當于在標準考題里幾乎都能做對，成績遠超之前的技術。

更關鍵的是，其解決了長時漂移的問題。

傳統(tǒng)機器人做多步驟復雜任務（比如開冰箱→拿牛奶→關門），可能第一步開冰箱有點小誤差，后面沒校準，誤差越積越大，最后拿不到牛奶還撞冰箱。

而LingBot-VA因為每一步都有閉環(huán)反饋校準，小誤差會被及時修正，不會累積，不管任務有多少步驟，機器人的動作都能保持準確，不會越做越歪。

值得一提的是，該大模型還具備快速適配能力，得益于大規(guī)模多源數(shù)據(jù)預訓練，面對全新的機器人平臺或任務（無論是單臂、雙臂還是長時序操作），僅需5到10條演示數(shù)據(jù)即可完成適配。

通俗理解，傳統(tǒng)機器人學新任務、適配新機型，得喂成百上千的教學視頻，花大量時間訓練。

LingBot-VA在面對新機器人（比如換個新機械臂）或新任務（比如教機器人拿快遞）時，只需要30~50條數(shù)據(jù)進行后訓練，它就能快速學會并適配，不用重新大規(guī)模訓練，學新東西的速度和成本都大幅降低。

從行業(yè)視角看，LingBot-VA的出現(xiàn)，標志著具身智能正從“模仿學習”向“生成式推理”躍遷。過去，機器人依賴大量人類演示；未來，它們將具備自主想象、評估、選擇的能力。

如DeepMind在Genie論文中所言：“我們不是在教機器人如何行動，而是在教它如何想象世界?！?/p>

從基模到應用，螞蟻的AGI“野心”

盡管螞蟻只做具身智能的大腦，但其從一開始就沒打算單打獨斗。

LingBot-Depth是與奧比中光聯(lián)合研發(fā)；數(shù)據(jù)采集階段用到了星海圖、松靈的硬件平臺；預訓練階段有樂聚、庫帕思等多家企業(yè)提供高質量數(shù)據(jù)支持。

而得益于其此前的資本布局，螞蟻在具身智能底座成型后，更容易實現(xiàn)其商業(yè)化落地。

此前，螞蟻已經(jīng)投資了宇樹科技、星塵智能等從上游靈巧手到下游場景應用的全鏈條企業(yè)，還通過合資公司等形式與智元機器人保持緊密合作。

由此來看，隨著自研團隊（螞蟻靈波科技）與被投企業(yè)（星塵、首形、靈心巧手等）協(xié)同發(fā)展，螞蟻有望在2026–2028年推動人形機器人在零售、文旅、金融網(wǎng)點等場景實現(xiàn)規(guī)?；逃?。

當然，這種“自研基座+生態(tài)協(xié)同”的模式，也剛好契合了行業(yè)發(fā)展的關鍵節(jié)點。

2024-2025年上半年，具身智能行業(yè)還處在“Demo比拼期”，但從2025年下半年開始，市場將進入大量的“訂單驗證期”，商業(yè)交付能力，成為了衡量具身智能企業(yè)的關鍵因素之一。

因此，邁入2026年，具身智能賽道玩家必須要拿到實際的訂單，甚至開始有實際交付，才能證明公司具備從產(chǎn)品設計、供應鏈穩(wěn)定到市場需求的全鏈條閉環(huán)產(chǎn)品落地能力。

螞蟻靈波科技“專注基座”的選擇，也恰好踩中了行業(yè)痛點：

很多機器人企業(yè)有本體制造能力，卻缺乏底層通用模型，螞蟻靈波科技的開源戰(zhàn)略，則讓這些企業(yè)能低成本接入頂尖技術。

隨著“螞蟻靈波科技”系列連續(xù)發(fā)布四款具身領域大模型，螞蟻的AGI戰(zhàn)略，已經(jīng)實現(xiàn)了從數(shù)字世界到物理感知的關鍵延伸。

這也標志著，螞蟻“基礎模型-通用應用-實體交互”的全棧路徑已然清晰。

而螞蟻集團AI戰(zhàn)略的核心，可以理解為“雙輪驅動”：一邊用AI深耕應用場景（生活、金融、醫(yī)療三大賽道），一邊不放棄基礎大模型研發(fā)，探索智能上限。

通用語言大模型上，螞蟻百靈大模型已經(jīng)躋身萬億參數(shù)模型陣營；AI應用領域，螞蟻旗下的AI健康應用阿福，成為國內首個月活超千萬的AI健康應用；11月則發(fā)布了全模態(tài)通用AI助手“靈光”。

而此次深度布局具身智能賽道，則是其將AI從虛擬世界帶入物理世界的關鍵探索。

在全球具身智能尚處“戰(zhàn)國時代”的今天，群雄逐鹿之下，螞蟻的選擇清晰而堅定：不做封閉的“黑盒”，而做開放的“地基”。

顯然，在行業(yè)從“講故事”轉向“看落地”的2026年，筑基者比造車者更稀缺，也更關鍵。

這場物理世界AI從“看清”到“想象”的進化，才剛剛開始。而螞蟻，顯然已經(jīng)站在了地基之上。

此外，除了自身技術產(chǎn)品體系外，在探索AGI這條路上，螞蟻也一直做開源生態(tài)的布局。

據(jù)螞蟻靈波科技CEO朱興介紹，螞蟻集團堅定以開源開放模式探索 AGI，為此打造 InclusionAI，構建了涵蓋基礎模型、多模態(tài)、推理、新型架構及具身智能的完整技術體系與開源生態(tài)。

這一開源開放的核心策略，不僅能加速螞蟻 AGI 版圖的擴張，更能匯聚海量生態(tài)伙伴，成為推動 AI 應用從移動互聯(lián)網(wǎng)向物理世界邁進的關鍵動力。

縱觀其在AI賽道上的諸多動作，可以看到螞蟻已完成了從通用基礎大模型，到AI應用，再到物理AI世界的體系化技術能力和產(chǎn)業(yè)應用的生態(tài)布局。

顯然，在這場邁向AGI的道路上，螞蟻已正式上站上AI競爭的牌桌，開始跟全球玩家掰手腕。