AIGC不卷画质却扎堆给机器人当“大脑”？一场被逼出来的硬仗

【摘要】过去，输入本文“机械臂拿起杯子”，随后AI生成一段视频，只要动作流畅、画面连贯，便足以赢得掌声。如今，同样的画面被放进机器人训练系统，问题骤然变得棘手：现实世界里，杯子有没有重量？夹爪的力度是否合理？

视频模型开始作答一套来自物理世界的新考卷。

2026年7月，蚂蚁灵波连续发布多项具身智能模型。其中，LingBot-Video在互联网视频之外引入机器人操作、导航和第一视角素材，并将物理合理性、任务完成度写入训练目标。项目方称，这是首个大规模开源的混合专家架构视频基础模型。

类似的迁移也出现在生数科技和恒星AI身上。生数科技正尝试把Vidu积累的视频生成与预测能力延伸至物理世界建模；恒星AI则以自研影视级视频生成技术为起点，宣布进入具身智能赛道。

为何是视频公司？这是AIGC竞争加剧后的转向，还是视频模型与机器人之间本就存在一条隐秘通道？

以下是正文：

01

下一帧，通向物理世界

2024年，AI视频行业最热闹的话题还是如何追赶Sora。

当年5月，生数科技与清华大学联合发布Vidu论文；随后，可灵、Vidu、即梦等产品相继面向用户开放。几个月内，中国市场快速聚集起一批文生视频工具，竞争围绕清晰度、生成时长、镜头运动和人物一致性展开。

一年后，行业的关键词开始改变。

2025年1月，英伟达发布Cosmos世界基础模型平台，将视频模型用于机器人和自动驾驶系统。其设想是通过生成视频补充真实数据，在虚拟环境中测试策略，再根据具体设备和场景训练专用模型。

到2026年6月，Qwen-RobotWorld进一步展示了视频模型进入具身智能的具体方式：模型根据当前画面和语言动作指令，预测未来的视觉轨迹。

其训练语料包含860万组视频，超过2亿帧，覆盖20多种机器人形态和500多类动作。技术报告给出的应用方向包括生成机器人训练数据、搭建虚拟评测环境，以及为下游控制系统提供规划信号。

这条迁移路径并不难理解。

对比部分依赖视觉的数据采集模型，视频模型为了生成下一帧，需要理解人物与物体的位置关系、遮挡关系和运动趋势，并据此预测接下来可能出现的画面。可以说在一定程度上，视频模型一开始就是“睁开双眼”的状态。

加入机器人的动作信息后，模型还需要建立动作与环境变化之间的联系。例如，生成一段人推开房门的视频时，模型需要保证人物、房门和镜头运动保持连贯。

由此，视频模型具备了发展为“世界模型”的潜力。

机器人可以在真正行动前，先推演几种动作可能带来的结果，再选择更合适的方案；模型也可以生成不同光照、视角和物体摆放条件下的训练数据，降低真实环境采集与反复试错的成本。

02

从数字AI到物理AI

过去几年，视频生成模型的竞争主要围绕内容生产展开。

基础模型提供生成能力，产品工具降低创作门槛，API服务连接企业需求，最终进入广告、影视、营销和内容消费等场景。

进入具身智能领域后，这套商业逻辑开始发生变化。

视频模型面对的对象，从创作者和内容平台转向机器人系统和工业场景。模型需要处理的不只是画面连续性，还包括环境状态、动作结果和物理规律。

因此，视频公司的迁移路径并不相同。有的选择延伸已有模型能力，有的寻找新的产业应用场景，也有的直接围绕机器人任务重新组织模型体系。

生数科技：从视频生成走向世界预测。

生数科技的起点，是他们的Vidu模型。

Vidu采用U-ViT架构，能够单次生成最长16秒、1080P视频。除了文生视频，团队还展示了边缘控制、主体驱动生成和视频预测等实验。

随后，Vidu面向用户开放，进入文生视频、图生视频等内容创作场景。在这一阶段，模型能力通过创作工具触达用户，同时面向企业提供相关服务。

随着视频模型向具身智能延伸，生数科技开始探索另一条价值链。

2025年7月，生数科技与清华大学联合发布具身视频模型Vidar，将视频模型能力引入机器人操作场景。模型根据当前视觉信息生成后续运动轨迹，再从预测结果中推导机器人动作。

同年12月，团队进一步发布Motus，将语言理解、视频生成、环境预测和动作输出纳入统一框架。

这条路线的优势在于复用。

Vidu已经拥有模型底座、训练基础设施、产品入口和企业API，生数科技无需从头搭建一套视频系统。

难点来自数据转换。

影视和互联网视频记录的是“人看到什么”，机器人训练需要知道“机器做了什么”。机械臂的每一次移动，都对应关节状态、动作指令、末端位置和环境反馈。

缺少这些信息，模型只能模仿画面变化，很难准确学习动作与结果之间的因果关系。

图片来源：生数科技

智慧恒星AI：影视级生成寻找工业落点。

2025年7月，恒星AI推出AstroWit，提供文生视频、图生视频、视频生视频、配音和配乐等功能，面向大众创作者和内容消费场景。

直到2026年3月，Starfilm全球版亮相，公司的产品重心还是在影视工业化和海外市场。

但是到了2026年5月28日，恒星AI突然与山东未来集团旗下马尔斯机器人达成战略合作，共同打造全球首个“影视级具身智能”超级终端。

3个月不到的时间，突然转向具身的背后，固然有恒星AI在高质量画面、镜头运动、复杂场景和视觉一致性等方面的技术积累。

但是，机器人训练需要覆盖大量环境和任务变化。同一个抓取动作，可能发生在不同桌面、不同光照、不同视角。依靠真实设备逐一采集，需要持续投入场地、人员和硬件。

此次合作，是恒星AI进入具身智能产业链的第一站。相较于直接制造机器人，这条路径对资本、供应链和硬件能力的要求较低，也能继续利用公司现有的视频模型和创作工具。

不过，影视画面与机器人训练数据采用不同的评价标准。影视作品更关注画面效果、叙事节奏和视觉连贯性。机器人数据还要满足空间结构、运动轨迹和物理规律。

图片来源：智慧恒星AI

蚂蚁灵波：围绕机器人重做视频模型。

2026年7月7日，蚂蚁灵波团队提交LingBot-VLA 2.0技术报告。模型预训练数据约为6万小时，其中包含5万小时机器人轨迹，覆盖20种机器人配置，另外还有1万小时第一视角人类视频。

7月8日，LingBot-Video公开。

这一次，团队将视频模型明确放入具身智能语境。架构采用稀疏混合专家方案，希望在扩大模型容量的同时控制推理开销；训练素材加入机器人操作、导航和第一视角视频。

这些调整指向同一个目标——视频生成的结果要能够描述动作和环境变化，并充分服务后续的机器人学习。

7月9日，LingBot-VA 2.0继续向控制端推进。

模型把视觉状态和动作放进统一的语义空间，并采用因果预训练，让系统根据过去和当前状态预测未来。

从7月7日的VLA模型，到7月8日的视频基础模型，再到7月9日的视频-动作模型，蚂蚁灵波用机器人轨迹训练基础能力、用视频模型学习环境变化，再把预测结果接入动作和控制。

从商业模式来看，蚂蚁灵波面对的是更长周期的产业链。

基础模型需要连接机器人硬件、数据采集、控制系统和应用场景。其商业价值不仅取决于模型效果，还取决于能否形成持续的数据反馈和生态合作。

图片来源：蚂蚁技术研究院

综合来看，三家公司的迁徙路径已经逐渐清晰：生数科技走的是能力外延路线，从成熟的视频生成与预测模型出发，寻找物理世界的新应用；恒星AI走的是场景迁移路线，将影视级生成能力投入机器人数据与仿真；蚂蚁灵波走的是底层重构路线，围绕机器人控制重新组织视频、动作与环境状态。

它们共同说明，AI视频行业的竞争已经开始转向其他AI赛道的转型竞速。

视频模型生成的下一帧，开始承担训练数据、虚拟环境和行动预测等更多任务。但是商业模型的重构、能力的迁移好坏、所承担的责任更现实，这些又是一个个摆在每一家厂商面前最现实的问题。

03

尾声

视频模型奔向具身智能，为陷入激烈竞争的AIGC公司打开了新的商业空间，也为机器人行业提供了低成本数据和虚拟试错工具。

屏幕内的错误可以重新生成，物理世界中的错误往往需要付出真实代价。模型要理解空间、动作与结果，还要经受实时性、稳定性和安全性的长期检验。

生数科技、恒星AI与蚂蚁灵波已经选择了不同入口。

未来的胜负，将取决于谁能把“下一帧会发生什么”，真正转化成机器人“下一步应该怎么做”。