全球首个具身原生世界动作模型发布

半马比赛成绩定格在50分26秒。

今年，在北京亦庄的半程马拉松赛道上，一台人形机器人率先冲线，夺得冠军——这个成绩比人类世界纪录快了将近7分钟。

机器人的身躯，首次在物理速度上超越了全人类。

然而，画风突变。在成都某商场，一台表演中的机器人不慎与老人相撞，导致老人倒地送医；网络上疯传的视频中，一台机器人在餐厅内失控狂舞，另一台则一脚踢中了旁边的孩子。

拥有跑赢世界冠军的“双腿”，却搭配了一颗不知道“下一秒会撞到谁”的“大脑”。

机器人的智能决策能力，何时才能跟上其超凡的运动能力？

从零起步，为物理世界量身打造原生大脑

7月10日，蚂蚁集团旗下的具身智能公司蚂蚁灵波，将这块最具挑战性的拼图摆上了桌面：LingBot-VA 2.0——行业内首个具身原生预训练模型正式发布。

所谓“具身原生”，简单来说就是：并非直接套用现有数字世界模型进行嫁接，而是从数据采集、训练目标到模型架构，每一层都专门为“机器人在真实物理世界中执行任务”而设计——从零开始，打造一颗原生的机器人大脑。

这颗大脑的能力究竟有多强？

你或许难以相信：它现在夹取薯片都不会碎。面对一片薄脆的薯片，力道过大则捏碎，力道过小则夹不起来。而它却能稳稳捏起，完好无损。（据技术报告显示，这是一个没有触觉的模型，更凸显了其控制能力的卓越）

它还能帮你整理桌面。物品的位置、优先移动哪个、最终放置何处——它需要记住整张桌面的状态，一步步码放整齐，而不会抓几下就乱了阵脚。

陪你打一场小球对战，反应速度也毫不逊色。小球在台面上飞速弹跳、轨迹瞬息万变，它需要预测落点、即时挥杆、接住并反击——这已经是在与你进行实时互动了。

LingBot-VA 2.0一经发布，便在X平台上引发了广泛关注。大V Shabnam Parveen表示，这是“迈向真正具身化AI的重要一步。”众多网友也对其“具身原生”的特性给予了高度评价。

思考更清晰，行动才能更高效

为什么必须从零开始训练？

因为过去的主流路线学习的是“下一帧预测”——即画面通常会如何变化。这属于相关性学习，用于生成视频已经足够。但机器人需要回答一个更本质的问题：如果我执行这个动作，世界会如何响应？

打个比方：你在Sora中生成一段“推杯子”的视频，杯子可能很流畅地滑过去，但也可能穿过桌面或凭空消失。如果机器人用这种“世界观”来指导行动，它真的会以为手可以穿透物体，杯子可以无缘无故地复原。

因此，LingBot-VA 2.0采用因果建模：推动物体，它会按照惯性运动；抓取动作与物体状态的变化严格对应。模型学习的不是“画面如何变化”，而是“我的动作将如何改变世界”。这是机器人从被动反应迈向自主决策的基石。

具体是如何训练的？技术报告中隐藏着一个关键设计。

机器人面临一个长期难题：“看到的画面”和“要做的动作”天生是两套系统，使用两种语言，中间存在一道翻译鸿沟——看懂了，未必能做得对。LingBot-VA 2.0为模型配备了一个“同声传译”（语义视觉-动作分词器），将画面和动作都翻译成同一种语言：世界是什么样、手应该如何动，使用同一套“词汇”来表达。

其中的精妙之处在于：一旦画面和动作使用同一种语言，任何一段网上的视频——即使没有任何标注，画面中甚至没有机器人的影子——模型也能从中“解读”出与动作相关的信息。

换句话说，过去机器人只能从昂贵的真机采集数据中学习控制；现在，它可以将整个互联网的视频作为预习材料，先在脑海中建立“物理直觉”，然后只需少量真机数据进行“对齐”即可。

边推演，边行动

仅仅懂得因果关系还不够，速度也必须跟上。

传统机器人的运作方式是“看一眼、做一次、再修正”，就像新手司机只盯着眼前路况被动反应，一旦进入动态场景就会滞后。LingBot-VA 2.0的Foresight Reasoning让它像一位老司机：边执行边思考，持续预判未来几秒的变化，提前调整动作。

技术报告中给出了一个非常精妙的设计。还是以开车为例：手上还在过这个弯，眼睛已经瞄向下一个路口，大脑提前将“待会儿会碰到什么”预演了一遍。等车辆真正开到路口，实际路况与预想不符？别慌——立即根据当前看到的景象重新调整。想象归想象，现实说了算：一边预测，一边校验，始终踩在现实的节拍上。

再加上异步推理：看、想、动这三件事，不再排成一队互相等待——眼睛看自己的，大脑想自己的，手做自己的。机器人再也不会因为“还在思考”而错过传送带上稍纵即逝的抓取时机。

想完再动，与边想边动，本质上是两个不同的物种。

四根支柱撑起“具身原生”架构

在架构上，LingBot-VA 2.0的技术底座由四根支柱支撑。

第一根支柱，全自主从头预训练。并非使用别人的视频生成模型或大语言模型进行微调，而是基于自回归视频模型从零开始训练。这避免了将双向注意力架构强行改为因果架构时可能出现的“灾难性遗忘”——那些从海量数据中辛苦学到的世界知识，一旦改变架构就会全部丢失。

第二根支柱，MoE稀疏架构。它延续了LingBot-Video验证过的MoE体系，视频骨干总参数约130亿，但推理时每个token只激活约19亿参数。按需激活专家模块，有效降低了高频推理的成本。报告中的加速数据更为直观：经过一致性蒸馏、低精度编译、长序列注意力优化和运行时开销压缩四重加速，单chunk推理时间从927毫秒降至142毫秒，异步控制频率从35Hz提升至225Hz。

第三根支柱，新一代语义VAE。传统VAE仅负责“画面压缩与还原”，不涉及语义和动作。LingBot-VA 2.0的分词器在压缩的同时，还将视觉潜在表示对齐到预训练视觉基础模型的语义空间——模型不仅看到了杯子，还“理解”了杯子。这弥补了“听懂指令但动作对不上”的旧短板，使得“把杯子放到架子上”真正成为一串可执行的动作。

第四根支柱，异步Foresight推理。如前所述——边思考边行动，每一步都用真实观测重新校准，将预测延迟彻底隐藏到动作执行过程之后。

这四根支柱并非“简单拼凑”，而是一套完整工程哲学的直接体现。

执行效率拉满，单卡即可运行

zero-shot能力仍显遥远，但few-shot能力已经“隐约可见”，这也是模型能力的最佳佐证。其背后的逻辑简单而硬核：因为它学习的是可迁移的世界规律，而非对特定场景的死记硬背。面对新场景，只需极少量数据“对齐”，无需重新学习。

再来看速度。机器人干活，如果慢一拍，零件就会从爪子底下滑走。LingBot-VA 2.0将推理效率推到了极限——单chunk推理时间从927毫秒降至142毫秒，异步控制频率从35Hz飙升至225Hz。单次推理效率整整提升了6倍多，单张显卡即可运行。这个刷新率，正是它敢于在传送带上连续抓取的底气所在。

在RoboTwin 2.0仿真基准测试中，LingBot-VA 2.0的平均成功率达到93.6%，优于π0.5的79.8%，也超过了前代LingBot-VA的92.2%。

更值得关注的是，在干净环境和随机化环境下的表现差距仅为0.4个百分点——这表明模型能够有效应对光照变化、杂物干扰、高度扰动等“真实世界的噪音”。

VLA与VA，1+1大于2

需要明确的是，VA并非要取代VLA，两者协同作用，效果1+1>2。VLA站在多模态大模型的肩膀上，成熟、可用，是离产业落地最近的路线——今天全球真正“进厂干活”的机器人，大多运行在VLA架构上。LingBot-VLA 2.0已经用同一套权重“驯服”了20种以上机器人构型，横跨17个主流品牌，6万小时预训练数据量，在RTX 4090上推理仅需130毫秒。

蚂蚁灵波的策略是：投产一代，预研一代。VLA在一线沉淀的数据和场景反馈，持续反哺VA的迭代升级。

放大来看，本次一口气发布的是六大模型，共同构成“全栈大脑2.0”：

• 看得更清楚：从传感器出发的原生空间智能，代表产品为LingBot-Vision和LingBot-Depth 2.0
• 想得更明白：从模型设计和训练范式出发的原生架构，代表工作包括LingBot-Video（通过MoE解决模型规模大与推理效率高之间的平衡）、LingBot-World 2.0（通过Causal Pretrain确保因果性）以及今年1月开源的LingBot-VA 1.0（率先提出视频-动作模型范式）
• 干得更利索：从在物理世界中执行任务的角度出发的原生数据，代表工作LingBot-VLA 2.0产业落地反向驱动更多构型和更多自由度：数字世界模型的成功得益于互联网数据的积累，而物理世界的数据还需要行业共同建设

回顾过去，本次发布的是LingBot 2.0；展望未来，本次发布的才是真正意义上的LingBot 1.0。

大脑的竞争，才刚刚拉开序幕

这条路线，行业已经在用行动投票。LingBot-VLA 2.0已经与乐聚、星尘、松灵、智元、星海图、宇树等17家厂商的20种构型完成适配验证，在物流分拣、零售分拣、工业上下料等真实场景中稳步落地试点。相比商业化，更重要的价值在于稳步开启了真正意义上的数据飞轮。

回顾过去，在大语言模型崛起的早期，一种选择是躺平微调，另一种选择是直面预训练探索的上限，真正的赢家是后者。具身原生预训练的意义就在于此：机器人的大脑，第一次拥有了属于自己的“基模”。

本体的喧嚣正在退潮，大脑的竞争刚刚开局。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：全球首个具身原生世界动作模型发布要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题