蚂蚁灵波拒绝“数字嫁接”：具身智能的原生路线与数据壁垒

事件概述

蚂蚁集团旗下的具身智能公司灵波（Lingbot）确立了“具身原生”的技术路线，明确拒绝将数字世界的大模型直接“嫁接”到机器人身上。公司CEO朱兴与首席科学家沈宇军在2026年外滩大会上指出，具身智能必须基于物理真实数据进行训练，而非依赖数字模型的延伸。

核心信息

1. 技术路线：从“微调”转向“原生自训”

• 摒弃捷径：行业主流争论的VLA（视觉语言动作模型）和WAM（世界动作模型）均建立在数字大模型之上。灵波曾尝试微调数字视频生成模型Wan来适配机器人，但发现存在上限且会破坏原模型先验知识，导致泛化性降低。
• 原生架构：灵波发布全栈大脑2.0，核心产品包括业界首个具身原生世界动作模型 LingBot-VA 2.0。该模型基于自回归架构从头预训练，结合语义视觉动作分词器、严格因果预训练、MoE架构和异步推理，单卡推理效率达到150Hz。
• 开源成果：LingBot-VLA 2.0 预训练融入6万小时真实物理数据，覆盖17家厂商20种机器人构型，在RTX 4090上推理耗时压至130毫秒以内，并已完全开源。截至8月，相关仓库累计获得约29.8K Stars。

2. 核心壁垒：数据质量与分布

• 数据驱动：朱兴认为，随着模型范式收敛，架构差异将缩小，真正的壁垒在于数据。灵波从购买成品数据转向定制化采集，由研发定义数据需求，通过流式交付提升效率。
• 高可用率：通过优化数据漏斗，原始数据进入模型训练的可用率从15%提升至90%以上。
• 组织保障：设立首席数据科学家职位，将数据采集与处理内化为研发核心Know-how，而非简单的采购行为。

3. 商业化与落地场景

• 切入点：优先布局国大药房等生活服务场景。上海门店机器人可在不改造货架前提下完成取药，单次平均不到3分钟，覆盖150多种药品，作为进入家庭服务的前哨站。
• 落地约束：朱兴提出规模化落地的三个条件：环境非极度开放、任务非超长程、成本可控。预计今年下半年至明后年，在工业、物流和生活服务部分场景可实现快速规模化落地。
• 生态策略：灵波坚持“只做机器人大脑”，输出闭源基模及工具链，不涉足本体规模化出货。通过与乐聚等本体厂商合作，形成“基模提供-数据回流”的正向循环。

4. 融资与战略定位

• 融资目的：启动首轮融资主要用于核心人才激励及提升独立公司治理水平，而非单纯解决资金问题。
• 行业判断：具身智能正处于“百模大战”初期，未来格局将像大模型一样收敛为少数几家主导企业。资本关注点在于模型跨本体复用的平台价值，而非当前出货量。