蚂蚁灵波CEO朱兴：具身智能尚未跨越“数据鸿沟”，机器人尚难适应非结构化环境

事件概述

在2026外滩大会期间，蚂蚁灵波CEO朱兴接受专访，深入探讨了具身智能落地的现实挑战与技术路径。他指出，尽管自主格斗等演示展示了机器人的临场反应进步，但在药房拣选、物流分拣等日常任务中，机器人仍面临包装各异、环境动态变化及意外频发等难题。目前行业处于“冷启动”阶段，能力和成本双重制约了大规模落地，尤其是像小卖部这样看似简单实则复杂的场景。

核心信息

1. 技术路线：坚持原生具身基模研发

• 拒绝简单微调：早期尝试基于数字世界视频生成模型（如Wan）微调，发现存在上限低、破坏先验知识、泛化性降低等问题。因此，灵波转向从头训练原生具身基模。
• LingBot系列架构：
  • LingBot-World：生成可交互世界的基座模型，已开放1.3B小版本以贡献社区。
  • LingBot-Video：面向具身的视频生成基座，融入大量真实机器人数据。
  • LingBot-VLA 2.0：基于上述视频模型训练的动作模型。
• 物理规律优先：区别于数字世界对画质和特效的追求，具身模型必须严格符合物理规律，并具备高性能实时处理能力，不能容忍“矿泉水跳舞落入手中”这类违背物理常识的输出。

2. 数据困境：“吃不了粗粮”与数据配方

• 数据质量重于数量：朱兴认为Scaling Law不能机械看待，数据分布不均会导致效果差异。当前机器人无法直接使用互联网视频或仿真产生的“粗粮”数据，因为缺乏必要的精度和物理一致性。
• 定制化采集策略：
  • 摒弃购买成品数据，转向定制化采集，通过优化作业流程和端到端自动化管线，将数据可用率从15%提升至90%以上。
  • 采用流式交付模式，缩短数据从生产到训练的周期。
• Ego数据采集局限：虽然第一人称视角（Ego）能增加场景多样性，但裸手轨迹重建误差大。看好结合高精度触觉手套的方案，以实现视觉与触觉信息的天然对齐。
• 数据配比逻辑：预训练阶段使用无本体数据扩大泛化，后训练阶段使用贴近机器人的真实数据提升成功率，仿真数据主要用于中后训练强化特定任务成功率。

3. 商业化与应用场景

• 首选药房试点：选择国大药房作为试点，解决白天药师被外卖订单占用、夜间人力不足的问题。该场景涉及人机安全、数千SKU商品泛化及狭窄通道（80厘米）通行，具有商业需求且能牵引技术进步。
• 构型泛化而非执念人形：反对“机器人必须像人”的第一性原理。重载作业与轻量分拣应适配不同硬件构型以控制成本。家庭服务需求多样，无需统一形态。
• R系列本体战略：保留自研R系列机器人用于生活服务探索，因蚂蚁集团核心业务围绕生活服务，需提前探索家庭场景下的通行、避障及安全力控问题，但不涉足工业主流出货场景。
• 后训练降本增效：通用基模的核心价值是提升少样本表现，用更少数据达到更高成功率，从而降低跨门店复制的后训练成本。

4. 行业判断与未来展望

• 数据飞轮现状：目前依赖人工数采强制喂数据。真正的飞轮需等待应用规模形成，依靠异常数据回流驱动迭代。成功数据意义有限，失败案例才是改进关键。
• 大模型厂商入局影响：通用大模型公司（如OpenAI）虽具训练优势，但具身智能的核心壁垒在于数据理解、管线建设及物理世界交互，短期难以被颠覆。
• 商业化节奏：不过度追求短期收入，而是通过有限的付费商业化验证技术成熟度。预计今年下半年至明后年，生产力应用量将快速增长，后训练数据成本有望指数级下降。
• “Chat”比“GPT”更重要：强调闭环运行的重要性。具身智能需要像ChatGPT一样进入实际对话/交互循环，而非仅停留在模型能力展示。只有当机器人带来的帮助大于其所需的照顾时，用户才会买单。

值得关注

• 异常数据回流机制：如何建立有效的机制，让部署在外的机器人将失误转化为后续模型的训练经验，是兑现“通用”价值的关键。
• 人机协作边界：早期落地场景中，需明确哪些能力由机器承担，哪些需要人类兜底，避免将训练成本转嫁给使用者，特别是在家庭等非专业环境中。
• 触觉感知融合：高精度触觉手套与视觉信息的结合，可能是解决Ego数据采集精度问题、提升模型泛化能力的重要突破口。