机器人不能永远“借脑”：具身原生，正在成为一场新的行业分水岭

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

具身智能赛道正在进入一个新的自我追问时刻：它究竟只是大模型能力向物理世界的一次外溢，还是会生长出一套真正属于机器人的智能范式？

过去两年，行业对“具身智能”的理解，常常存在两种不同的表达。一种更接近人工智能叙事，强调大语言模型、多模态模型以及视频生成模型向机器人的能力迁移；另一种则更强调机器人作为物理实体的特殊性，认为智能一旦进入真实世界，就必须面对空间、动作、接触、反馈、因果和实时性等一整套虚拟智能并未真正处理的问题。

这两种表达看似不同，最后都会回到同一个问题：具身智能有没有自己的原生模型？机器人要想真正理解世界、预测世界，并进一步改变世界，是否还能长期依赖“拿来主义”，把通用大模型、通用视频模型迁移到机器人任务里，再通过微调补齐物理世界的缺口？

这个问题正在变得越来越具体。几个月前，Generalist CEO 一篇推文《Going Beyond World Models & VLAs》宣告具身原生征程的开始。他们坚信当数据量足够充足时，通过完全掌控基础模型，能够更快速地突破技术边界。近日，蚂蚁灵波CEO朱兴强调，物理世界有自己的原生模型。蚂蚁灵波首席科学家沈宇军博士说得更直白：目前整个具身行业其实都在“取巧”——大家把自身当成了数字世界模型的物理Agent，把自己当成了下游，但数字世界模型设计的时候并没有考虑过物理世界的需求。

这些判断背后，是一个越来越难以回避的问题：在数字世界中训练出来的模型，真的能够直接承担物理世界的智能吗？语言可以容忍歧义，图像生成可以容忍局部瑕疵，视频生成甚至允许因果关系偶尔失真；机器人却没有这样的余地。动作一旦发出，就会真实地改变环境，带来碰撞、延迟、失败乃至安全风险。机器人面对的也不只是语义理解，还有空间、接触、力、时间、连续反馈和动作后果。

可以说，具身智能逐渐走到了一个阶段——借来的能力开始在物理世界碰壁。所以，“具身原生”有必要在今天重点讨论：具身智能为什么开始需要自己的原生模型，为什么这一问题在此时集中浮现，以及这条路线如何避免成为新的命名竞赛。

过去几年，具身智能的快速进步，很大程度上得益于对通用模型能力的复用。大语言模型让机器人获得了更强的指令理解能力，视觉语言模型帮助机器人识别物体、理解场景，多模态模型则进一步打通了视觉、语言与动作之间的关系。VLA沿着这条路径迅速发展，也成为当前最成熟、距离产业应用最近的技术路线之一。

这条路线没有错，反而它是具身智能能够在短时间内完成第一轮能力跃迁的重要原因。机器人不必从零学习什么是杯子、桌子和抽屉，也不必重新建立整套语言和视觉语义系统，通过复用数字世界已经训练出的基础能力，具身模型得以快速进入“理解指令—识别目标—生成动作”的任务链路。

然而数字模型通常追求内容质量，图像是否清晰、视频是否连贯、语言是否自然，是衡量模型能力的重要尺度；机器人更关心行动结果，动作是否及时、轨迹是否稳定、抓取是否成功、执行过程是否安全，才是决定模型价值的关键。沈宇军曾用一个很直接的对比来概括这种区别：“数字世界要求高清，物理世界未必需要；数字世界可以慢，物理世界却要求极快”。很多面向数字内容设计的能力，无法直接转化为机器人能力。

这种错配首先体现在时间尺度上。大模型可以花几秒钟生成一个回答，机器人却需要持续感知、判断和行动。面对传送带上的运动物体，或者人与机器人不断发生交互的环境，“想完再动”往往意味着错过时机，模型延迟也不再只是体验问题，而会直接影响任务成败。

其次是因果关系。视频模型现在已经擅长预测下一帧画面可能如何变化，但机器人需要理解的是：我的动作会怎样改变世界。物体移动究竟来自环境变化，还是来自机器人施加的力；杯子滑落，是因为抓取位置不对，还是因为动作速度过快；一次推、拉、抓、放，会对后续状态产生什么影响。这类问题无法只靠视觉“相关性”解决。

语言模型可以在大量文本中学习“世界通常如何被描述”，视频模型可以学习“画面通常如何变化”，机器人却必须建立动作与后果之间的对应关系，也就是“因果性”。只有这样，它才能在未见过的环境中推演：“如果我这样做，接下来会发生什么？”另一层差异来自错误成本。一次不准确的回答可以被修正，一张不够逼真的图片可以重新生成；一次错误动作却可能打翻物品、损坏设备，甚至伤及人类。模型进入物理世界之后，“大致正确”远远不够，它必须对自己的动作负责。

这也是具身原生真正需要解决的问题。具身原生至少应当包含四个维度：围绕动作、接触、状态变化组织数据，把动作结果和环境变化纳入训练目标，针对实时推理、连续控制和机器人执行重新设计架构，并建立属于物理世界的评测体系。

刚刚发布的 LingBot-VA 2.0正是一个很好的样本。按照蚂蚁灵波的定义，这是全球首个“具身原生世界动作模型”预训练模型。它并非在现成LLM或通用视频模型上完成微调，而是从数据、训练目标到架构设计，都围绕机器人在真实物理世界中完成任务的需要重新搭建。

视频来源：LingBot-VA 2.0

它通过因果建模学习动作与环境变化之间的关系，而不仅是下一帧画面；通过foresight reasoning，让机器人在执行过程中持续预测后续状态并调整动作；采用MoE架构按需激活专家模块，在能力规模和推理效率之间寻找平衡；通过异步推理解耦观察、计算与动作输出，减少模型推理对连续执行的阻塞；新一代VAE则被用于加强语义与动作之间的对齐，避免出现“听懂了指令，却做不出正确动作”的情况。这些设计在逻辑上回应了物理世界的几个核心问题：实时性、动作因果、语义到行动的转化，以及动态环境中的连续决策。

真正检验“原生”是否成立，仍要回到 Benchmark 与真机表现。技术报告显示，在 RoboTwin 双臂操作基准的标准场景与域随机化场景中，LingBot-VA 2.0 均取得了最优表现：相较上一代 LingBot-VA 92.2% 的平均成功率，LingBot-VA 2.0 进一步提升至 93.8%。真机评测中，LingBot-VA 2.0 采用统一的多任务策略，每项任务仅采集 20 条遥操作示范，并与 π0.5、LingBot-VA、DreamZero等模型对比，在任务成功率和完成进度上取得整体领先，优势尤其集中在长时序视觉定位和持续闭环纠错任务。

由此可见，“具身原生”最终不能只靠训练起点或架构标签来证明，更要看模型是否真正形成面向物理世界的能力增量。LingBot-VA 2.0在低样本、多任务、长时序与闭环纠错上的表现，至少说明了一点：当训练目标开始围绕动作因果、连续决策与真实执行重新组织，模型获得的不再只是对既有任务的拟合，而是更接近一种可迁移、可积累的机器人能力。

具身原生并不是今天才出现的命题。在具身研习社的观察中，类似的“原生”倾向也已出现在多家团队的技术表达里。

只是过去很长一段时间，产业推进具身原生模型缺少足够的“火候”。

一方面，供给侧的数据条件并不成熟。机器人没有属于自己的互联网，文本、图像和视频天然存在于数字世界中，机器人动作数据却需要在真实环境中采集，往往依赖遥操作、真机运行和人工标注。采集成本高、速度慢，设备构型又不统一，很难像互联网数据那样快速汇聚。

另一方面，需求侧也没有形成足够强的牵引。过去不少机器人仍停留在实验室、展厅或固定流程中，单任务可以依赖工程调试完成，换一个环境再重新采集、重新训练，虽然效率不高，却尚未形成致命问题。只要机器人能完成一次复杂演示，就似乎证明技术能力。

现在，产业环境发生了变化。越来越多机器人开始进入工厂、物流、零售、药房等真实场景，行业评价模型的尺度，也从“能不能做出一个动作”，转向“能不能积累一种能力”。同一套抓取能力能否迁移到不同物体，同一个模型能否适配不同本体，更换环境后是否还需要重新采集大量数据，一个项目交付完成之后经验能否沉淀到下一个项目，随着数据增加模型能力能否继续增长，这些问题过去可以被工程方法暂时遮蔽，如今正在成为规模化部署中的真实成本。

如果每进入一个新场景，都需要重新采集数据、重新训练模型、重新调试系统，那么机器人企业很难形成软件意义上的规模效应。具身原生也因此不只是一个模型问题，它还是一个规模化问题。行业需要一种能够随着数据和部署持续成长的底座，让一次场景落地不再只是一次性项目，而能成为下一次能力提升的来源，模型也必须逐渐从“记住任务”走向“积累能力”。

这一变化解释了为什么具身原生在今天开始成为产业议题。数据采集规模正在增长，机器人本体、传感器、运控和算力基础也比过去更成熟；与此同时，场景侧开始要求更低的迁移成本、更强的泛化能力和更持续的模型迭代。供给与需求第一次同时向“基础模型化”靠拢。

然而，做具身原生并不轻松。用沈宇军的话来讲就是，原生不能只是态度，是一种能力。它是一条重资产的模型路线，需要长期研发、大规模数据组织、算力和预训练投入，还要同时具备视觉、视频、世界模型、动作模型和真机适配能力。企业既要承担从头训练失败的风险，也要接受模型价值在短期内或许难以商业化的现实。

视频来源：LingBot-VA 2.0

这决定了，现阶段真正能够推进这条路线的团队不会太多。蚂蚁灵波之所以成为这一轮“具身原生”的积极推动者，也需要放在这一产业门槛下理解。首先，它是一家具身大脑公司。尽管自己也研发了本体，但蚂蚁灵波更核心的技术是围绕跨本体、跨构型的智能层展开布局，某种程度上它其实想做具身行业的“赋能者”。这种定位天然要求其模型具备更强的通用性、也要求其场景覆盖能力突出。

其次，蚂蚁体系具备承担长期预训练的资源基础。一方面，蚂蚁体系本身的技术弹药充足；另一方面，其在具身智能产业链上的布局已经覆盖模型、本体、核心零部件和场景应用等多个环节，覆盖了本体、核心零部件、大模型及数据等全产业链环节。蚂蚁灵波自身也与简智机器人、乐聚等数据和本体企业展开紧密合作，补齐物理数据生产、真机采集和跨本体适配能力。

具身原生需要持续投入数据、算力、模型工程与基础研究，这种产业协同与资源纵深，使团队能够承受更长的研发周期，也有机会把单点技术研发组织成持续迭代的模型—数据—场景闭环。

最后，蚂蚁灵波试图建立一条完整的模型链路。这次连续数天发布的六个模型，包括LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-Video、LingBot-World 2.0和LingBot-VA 2.0，覆盖了视觉基础、空间感知、灵巧操作、视频生成、世界预测和动作生成。从结构上看，这套体系对应的是机器人完成任务的完整过程：先看清空间，再理解和预测环境，随后生成动作并持续调整。

具身原生模型作为一个另起炉灶的复杂系统，它需要感知、预测和行动等多层能力相互支撑，所需要的内部技术积淀与支撑可见一斑。只有在全链路都有深刻认知和精确判断的企业才能搭建出来。

任何新的技术概念一旦受到关注，都可能迅速进入命名竞赛。如果缺少统一定义、公共评测和可复现结果，“具身原生”很容易成为新的传播词汇。这也是这条路线当前面临的最大风险。

从产业角度看，具身原生是否成立，要经过多重检验：技术能否被外部验证，模型能否适配不同本体，能力能否在真实场景中形成闭环。

第一重检验是开放性。蚂蚁灵波此次并未开源VA 2.0，但 VA 2.0 的核心技术，包括 MoE架构（LingBot-Video）、自回归/因果建模（LingBot-World）都已经开源可验证。具身原生仍处于概念和范式形成期，开源可以让行业验证它的架构、训练方式和能力边界，也有助于形成公共语言。只有更多研究者和企业能够复现、改进甚至质疑这条路线，“具身原生”才可能从企业定义转化为行业范式。

第二重检验是跨本体能力。蚂蚁灵波目前已经与星尘、乐聚、松灵、智元、星海图、宇树等20余家厂商完成适配验证。不同机器人拥有不同的自由度、机械结构、传感器配置、控制接口和动作空间，一个模型能否跨本体工作，不能只看接口是否接通，还要看同一能力能否迁移，新本体接入需要多少数据，适配周期是否随着经验积累而缩短。

如果每适配一款机器人，仍然需要大量重新训练和工程调试，那么它更接近一套可移植方案，还称不上真正的通用大脑。反过来，如果模型能够用较少数据完成新构型适配，并把不同本体产生的经验沉淀到同一能力底座中，那么具身原生模型才可能突破过往“拿来主义”模型的能力壁障，成为机器人产业新的公共基础设施。

第三重检验来自真实场景。蚂蚁灵波目前已经进入物流分拣、人机协同药房等场景。这些案例对应着不同的模型考题。物流分拣提供了高频、连续和动态的操作环境，可以检验模型的实时性、稳定性和长时间运行能力；药房场景涉及人与机器人共处、物品差异和业务流程变化，更接近半开放环境等等。

当然更重要的是，这些场景能否形成数据闭环。对具身模型而言，场景既是商业出口，也是下一轮训练的数据入口。机器人在真实环境中积累的失败案例、异常状态、物体差异和操作反馈，能否持续回流到模型，决定了系统会不会越用越强。这也是“具身原生”最终可能改变产业结构的地方。

视频来源：LingBot-VA 2.0

总之，未来判断一套具身原生模型，不能只看任务成功率，还要看它能否理解动作因果，能否在动态环境中持续运行，能否跨本体迁移，能否用更少数据适配新任务，能否把一次部署经验沉淀成长期能力。只有当这些维度被稳定验证，“具身原生”才会从企业定义走向行业范式。

具身智能从数字世界借来了语言、多模态与生成模型的能力，由此完成了第一轮加速。但机器人要真正进入生产生活，迟早需要面对物理世界独有的约束，这使“具身原生”成为一个绕不开的行业问题。LingBot-VA 2.0 率先给出了一套相对完整的回答。

但这场证明才刚刚开始。具身原生是否会成为具身产业发展的新范式，要看原生模型能否在更多本体、任务和动态环境中形成稳定优势。现在能够确定的是，具身智能已经不再满足于做数字大模型的物理下游，它开始尝试拥有自己的数据、自己的训练目标，以及一套属于物理世界的智能语言。