机器人“安卓”之争：谷歌刚发布模型，蚂蚁灵波已经在药房里干活

7月30日，Google DeepMind发布了机器人系列模型Gemini Robotics 2，包含VLA模型、推理模型和端侧模型，并首次实现了对人形机器人的全身控制。

谷歌的算盘其实并不复杂：它要先占住机器人大脑这一层。手机时代，谷歌没有卖出最多的手机，却凭借安卓系统进入了大多数智能终端。机器人时代，它想重演这套平台逻辑。

这时候再看蚂蚁灵波这家公司，就有意思了。

它选择做一套通用的具身智能大脑，然后交给不同品牌、不同构型的机器人使用。说得直接一点，蚂蚁灵波想做“机器人的安卓”。

7月7日至10日，蚂蚁灵波连续推出LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-Video、LingBot-World 2.0和LingBot-VA 2.0六项成果，形成“全栈大脑2.0”。

一周后，这套大脑出现在2026WAIC展区的药品货架前。

跟谷歌相比，蚂蚁灵波没有停留在概念上。当国际巨头还在Demo中展示模型能力时，它已经让同一套大脑驱动不同品牌的机器人，在真实的门店里干活了。

一、蚂蚁灵波已经在药房里干活

在今年的WAIC中，蚂蚁灵波几乎在展台里搭出了一间真实药房。乐聚、星海图和蚂蚁灵波自研R-2三台机器人，穿梭在货架间取药。三台机器人使用的是同一套LingBot-VLA 2.0。

我在现场随机下单了一款感冒药，其中一台乐聚机器人先后完成识别、寻找、抓取和交付。不同的身体，共用同一颗大脑，这就是“一脑多体”最直观的样子。

过去，机器人行业普遍是一款本体配一套模型。换机器人要重新采数据，换任务要重新训练，进入新场景还得重新调试。机器卖得越多，后面的工程队伍也越庞大，规模效应很容易被适配成本吃掉。

蚂蚁灵波尝试把不同机器人的动作归入一套55维动作表征。目前，LingBot-VLA 2.0已经适配17个品牌、20多种机器人构型，覆盖单臂、双臂、双足和轮式等形态。

把这些数字放进药房这样的真实场景里，才显得更有商业价值。

药房这个选择也很聪明。它恰好处在结构化和非结构化之间：任务高频、流程明确，但货架和动线都是为人设计的。药盒密集、包装相似，机器人既要认出药品，也要判断货架、人员和设备之间的空间关系，然后连续完成移动、抓取和交付。

蚂蚁灵波的这套能力，已经投入到国大药房的实际运营中。不用重新装修，机器人可以直接进入原有经营环境，在夜间值班等时段协助药剂师分拣药品。能在这里跑通，既能检验通用大脑的能力，也更容易算清商业账。

也正因为已经走进门店，蚂蚁灵波的智慧药房入选WAIC“镇馆之宝”才显得顺理成章。

对本体厂来说，收益同样具体且明显。

在技术适配上，乐聚已经初步跑通了这条路。旗下KUAVO 4 Pro只用150条演示数据，便完成LingBot-VLA的后训练适配，并在95个真机操作场景中进行了系统测评。这说明，本体厂可以继续把身体和运动控制做好，把理解、规划和操作交给通用大脑；进入新场景时，也不用每次都从模型底座重新起步。

一脑多体解决的，归根结底是智能开发成本由谁承担。

如果每家本体厂都从头训练大脑，行业会被大量重复建设拖住。通用大脑把这一层做成公共能力，机器人产业才有可能形成类似智能手机的分工体系。

二、具身原生，是把难题提前解决

蚂蚁灵波在多个公开场合反复强调，“具身原生”是其最看重的技术方向。

为什么这么强调？因为会认出一个杯子，和真正把杯子拿起来，是两种能力。视觉模型看到杯子，能够说出“这是什么”；机器人还要判断杯子离自己多远、从哪里下手、用多大力，以及抓起之后会发生什么。

物理世界里的智能，是必须把感知、动作和反馈连成一个闭环。这就是具身原生的答案：从第一天起围绕物理世界训练模型，让机器人看到什么、采取什么动作、环境发生什么变化，都在同一条因果链里学习。

所以，蚂蚁灵波做的并非一款孤立的VLA。视觉模型负责看清边界，深度模型判断真实距离，VLA把意图变成动作；世界动作模型根据环境变化不断修正，视频和世界模型则提供更多推演与试错空间。

我认为，蚂蚁灵波最前置的一步就在这里：它把跨本体、空间理解和动作反馈放进了同一套机器人大脑中。

这套路线短期看有些重。真机数据贵，训练周期长，不同本体之间还有大量枯燥的适配工作。相比集中资源把一项任务做漂亮，它更慢，也不太容易讲出性感的故事。

可平台公司迟早要吃这份苦。

今天不解决跨本体，明天就要给每款机器人单独适配；今天不处理动作反馈，进入门店后就得依靠工程师长期驻场。很多成本不会消失，只会从模型训练转移到项目交付。

蚂蚁灵波首席科学家沈宇军认为，VLA和世界模型可能都不是终局，未来还会出现为物理世界单独生长出来的模型。

这个判断对准了一个真问题：机器人智能不会永远依附于语言模型。它有自己的数据结构、反馈频率和安全边界，最后很可能长成一套独立的技术体系。

这也是我看好蚂蚁灵波的原因：它在提前解决机器人规模化过程中绕不开的问题。

三、要做安卓，先让别人愿意接入

如果真想成为机器人的安卓，第一步是让更多人愿意使用。蚂蚁灵波陆续把视觉、VLA、视频和世界模型等能力开源，向开发者和本体厂开放模型权重与代码。

以LingBot-VLA 2.0为例，蚂蚁灵波一次性开放了模型权重、训练代码和技术报告，开发者可以从Hugging Face和魔搭社区获取。同步开源的高效后训练版本，在RTX 4090上的推理耗时控制在130毫秒以内。

把模型开源出来，也只是第一步。算力成本、响应速度和后续适配能不能过关，才决定本体厂敢不敢把它装进机器人。130毫秒的意义，就在于这套模型已经开始考虑真实部署的时间账和算力账。对本体厂来说，它更容易进入现有部署流程，后续适配的工程门槛也会下降。

本体厂拿到开源模型，可以本地部署、二次开发，少养一支从底座开始训练模型的团队。开发者也能跳过大量基础工作，更快进入具体任务。

至于机器人的使用数据是否回流、如何使用，仍然需要双方通过授权和合同约定。开源模型不等于把数据一并交出去，本体厂仍然保留选择权。

蚂蚁灵波得到的，是更多机器人构型和真实任务带来的反馈。合作伙伴越多，模型的兼容范围越大，它的接口也越可能变成行业习惯。

这笔交换必须让双方都划算。否则，“机器人的安卓”只是一句好听的类比。

一套大脑值不值得接入，最终还得看它能不能解决真问题。空间智能，就是一个很具体的观察窗口。

沈宇军在解释空间智能时，举过一个很直观的例子。

深度相机遇到鱼缸玻璃、水体和反光物体时，很容易丢失空间信息。人能看见鱼缸的边界，机器人未必。它可能已经识别出鱼，却不知道中间还隔着一层玻璃。

LingBot-Depth 2.0要做的，就是把这些缺失的深度信息补回来，让机器人分清“看见了什么”和“能不能到达”。空间感知做得更好，场景方可以少改造环境，本体厂也能少做一轮现场调试。

在整套具身原生路线中，空间智能只是一块拼图，但它很能说明蚂蚁灵波的思路：从物理世界里最具体的问题入手，把那些不够炫目、却影响项目交付的底层能力补齐。

当然，蚂蚁灵波离真正的平台公司还有几道硬关。

适配20多种机器人本体，能不能进一步变成更短的接入周期和更低的交付成本；药房从样板项目走向批量复制后，故障率、人工接管和长期维护能不能控制住；开源吸引来的开发者和本体伙伴，最后又有多少愿意成为付费客户。

但长期看，我依然看好这种模式。机器人本体会越来越多，没有必要让每家公司重复训练一颗大脑。安卓能够成功，是因为手机厂商借助它卖出了更多手机；机器人大脑也要用同样的方式长大。

先让本体厂和场景方得到好处，平台才有资格谈自己的价值。药房里的机器人，已经把这件事开了个头。