对话蚂蚁灵波 CEO 朱兴：机器人还吃不了「粗粮」

机器人打拳跳舞火了一年，它什么时候才能替我们上班？

前段时间宇树发布人形机器人格斗演示，称首次实现由世界模型实时驱动的全自主搏击。据其介绍，UnifoLM-X2-1.0 能实时预测未来状态，完成规划、决策和动态交互。

自主格斗让我们看到机器人临场反应的进步，但如果换成在药房里取放商品这样的场景，另一组难题又来了：包装各异的药品、有人走动的货架通道、长时间运行中不断出现的意外。

这些日常任务，需要机器人把一次次判断变成持续、可靠的工作。

APPSO 在 2026 外滩大会现场跟蚂蚁灵波 CEO 朱兴进行了交流。聊到机器人为什么连小卖部都还没大规模落地，他直言：「小卖部其实也很难落地。我懂你的焦虑，今天还是能力和成本两个都有问题。」

与许多围绕整机产品展开研发的本体厂商不同，灵波把重心放在具身「大脑」上，希望同一套基础模型能够适配不同构型、不同任务，再通过后训练降低具体场景的使用门槛。重载作业和轻量分拣可以用不同的身体，智能则尽可能复用。

生成可交互世界的 LingBot-World 也是灵波技术探索的一部分。它还训练了面向具身的视频生成基座 LingBot-Video，并在此基础上训练动作模型 LingBot-VLA 2.0，同时建设数据管线、后训练和部署工具。

朱兴关心的是，这些投入能否让机器人用更少的数据学会干活。

我们在外滩大会上，也看到灵波大脑的机器人展示了药品拣选、物流分拣和工业上下料等操作。药房演示中的货架通道仅 80 厘米宽，相关方案已在国大药房零售门店部署。

灵波也保留了自己的 R 系列本体，用于研发和生活服务探索。做具身大脑，仍然得与硬件、具体场景一起磨合。

在现场交流中，朱兴谈了不少尚未解决的问题：小模型能完成特定任务，为什么还要花钱训练基模？数据越多，效果为什么可能越差？商业化又该推进到哪一步？

对于日常生活中产生的数据，他的判断很有意思：今天的机器人还吃不了「粗粮」。

以下内容整理自蚂蚁灵波 CEO 朱兴的媒体沟通会，APPSO 略经编辑。

一、小卖部，也没那么容易

Q：药房、上下料看起来都很普通。为什么不选一些更能体现技术水平的场景？

朱兴： 我们更在意的是跟生态合作伙伴一起，做一些实实在在的落地。今天要让它做一个很炫的事情，那也是一个 demo。我让团队搞两个月，可以让四个机器人打掼蛋，展示高精度、触觉等非常多的技术，也没太大意义。

我们看重的是真实应用、数据的产生。在这个过程中，让模型迭代循环起来，知道还有哪些不足，要提升什么。

产业也想搞既能规模化应用、又更帅的东西。做不了，模型能力还没到那一步，或者成本还没到那一步。

Q：连抓取、放置这样的简单操作，也很难做到 100% 成功吗？

朱兴： 要看场景、环境和任务本身操作序列的复杂度。

小卖部其实也很难落地。我懂你的焦虑，今天还是能力和成本两个都有问题。 模型能力、硬件稳定性，有些就是够不着。

今天整个模型还在冷启动阶段。基模干什么？是把小学生培养成初中生、高中生、本科生，现在可能还在比较早的阶段。

相对客观地说，现阶段想做一定规模的落地，环境不能太开放，任务不能太长程。任务太长，异常就多。今天主流可落地的产品基本还是模仿学习为主，最怕异常，因为没见过。还有成本约束，你创造的价值不够，自己又贵，长期也玩不转。

Q：既然如此，先把一个小模型训到能稳定干活，为什么还要投入通用基模？

朱兴： 如果阶段性只做一个非常特定的任务，也不追求规模化复制，直接怼一个小模型，也不是不能做。但你要看，规模化是不是意味着跨场景、跨任务、跨场所复制，这里面有泛化的挑战。

基模能力跟成功率不冲突。基模很大的价值，就是让后训练的少样本表现更好：用更少的数据达到同样的效果，或者用同样的数据达到更好的效果。 这个效果就包含成功率。

基模提升是水涨船高，跟大语言模型的基模发展，带动生态应用是一样的道理。

Q：从一家门店复制到另一家，现在卡在哪儿？

朱兴： 我们过去一段时间把模型从实验室拿出来，跟很多伙伴做落地，确实会遇到一个门店和多个门店复制的问题。现在复制成本很高，本质上还是泛化性不足。不同药房、不同便利店，环境有很多不一样。

短期可以先选没那么开放的环境，压缩泛化的挑战；任务不要太长程，先偏单任务。模型可以先驱动一部分环节，再到更多地由模型主导，能力成长要有一个爬坡过程。

二、矿泉水不能跳着舞落到手上

Q：现在很多做视频、游戏的公司都在谈世界模型。它们的能力，能直接用来控制机器人吗？

朱兴： 有些词的概念很泛。具身的世界模型，跟数字世界、游戏里的模型，客观讲也不是一种生物。以视频生成路线为基础的这类世界模型，底层用的是视频生成的原理，但数字世界和物理世界差别比较大。

数字世界的模型，满足的是内容需求：丰富、好看、创新、特效、画质。只要好，用户可以接受延迟。

机器人需要什么？它不需要那么好看，也不需要特效，需要的是合理，符合物理规律，因为最终要变成动作，控制机器人。

比如我现在想喝这瓶矿泉水，矿泉水在天空中跳个舞，落到我手上，肯定好看，但不符合物理规律，没意义。

机器人第一在乎是否符合物理规律，第二需要高性能、实时。 它在物理世界里不断输入、输出，不可能等你帮它生成一个很好的故事。

Q：灵波也尝试过在通用视频模型上微调。为什么后来决定从头做？

朱兴： 1.0 系列的时候，我们也是基于数字世界的通用视频生成模型，比如 Wan，通过微调把它硬调到适合机器人。

一个问题是上限不高。另一个问题是，调到最后会破坏前面模型的先验和知识，副作用就是泛化性降低。走到后期，我们真的是撞到南墙了。

所以我们很早就启动了更原生的研发。LingBot-Video 训练时加入了大量机器人真实数据，再基于它训练 LingBot-VLA 2.0。

我们相信物理智能需要基于物理真实数据，从 0 到 1 训练自己的基模。数字智能，包括多模态、大语言模型的发展，可能会给具身很多助力，但内核部分还要靠具身本身解决。

Q：从头训练基模，投入更大、风险也更高，为什么还要选？

朱兴： 因为我们希望长期发展，选择上限更高的路线。从 0 到 1 大规模训基模挺费钱的。

大语言模型兴起之后，有的选择基于别人的基模微调，有的冒更大风险投入预训练。选择后者也不见得跑得出来。今天具身也进入了「百模大战」初期，你选一个更高上限的路线还不见得做得出来，但不选择的话，肯定做不大。

Q：LingBot-World 2.0 开放了 1.3B 小模型。模型小了，幻觉和效果损失怎么办？

朱兴： 不可能说幻觉完全没有。模型小了这么多，效果完全保持一致，也不现实。

我们之前说过会开放更小的版本，希望对高交互世界模型感兴趣的人能更多地玩起来，这是想给技术社区做的贡献。

这次也开放了一部分训练技术。比如怎样训练单向因果的能力，机器人的时间一定是单向的，在线预测要按时间顺序使用已经发生的观测，不能依赖未来的真实帧。从现在到未来，不可能穿越。这些技术本身也有门槛，希望能帮助开发者和学术界。

三、「炼丹」背后，是数据的配方

Q：行业总在谈百万、千万小时数据。你相信 Scaling Law 吗？

朱兴： 我也相信 Scaling Law。但不能这么机械地看数据量。

现在已经有这种现象：一个模型用的数据比另一个多了 3 倍、5 倍，效果却差，但在某些类型的场景任务上表现得特别好，肯定是数据分布大量不均衡。我们做基模，谈的是一定的通用性。

量重要，但更要谈质量和分布。大家老说「炼丹」，炼丹背后就是配方，数据的配方。

我知道大家特别想大力出奇迹，觉得怼到多少小时，智能就涌现了，具身智能新时代就来了。这个事情不太简单。

Q：有人说数采厂 90% 的数据无效。问题出在数据供应商，还是模型公司？

朱兴： 我不知道这个数字是谁说的，怎么统计出来的。确实，不管哪种数据源、哪种采集方式，都有大量场景重复。过度重复的数据，意义没有那么大。

但作为模型方，你有义务定义需要什么数据、什么质量，不能把这件事赖到数采厂。

数据需求是模型训练来定义的：要什么类型，什么分布，覆盖哪些场景、哪些任务。难采的先试采，形成比较好的标准作业流程，再交给供应商上量。这是模型厂商很核心的经验和能力。

供应商则要把执行做好。要求采抓药瓶，就要把轨迹质量、平滑性、适当的泛化性做好。各有各的责任。

Q：灵波具体怎么做？

朱兴： 我们很早就转向定制化采集，不怎么购买成品数据了。成品数据容易有技术质量差、大量重复的问题，导致最终能用的比例很低。

我们跟供应商在作业流程、端到端数据管线的自动化集成上，做了很多工作。内部从原始数据到能进入模型训练的数据漏斗，可用率比较早就从 15% 左右拉到了 90% 以上。

还有一个特别关注的问题：数据从生产出来，到进入训练，到底要多久，是一周还是三天？我们跟供应商基本采用流式交付，不等一大批数据攒齐再交。

Q：想把质量握在手里，是不是最好自己建数采厂？

朱兴： 没必要非黑即白。

专业供应商有大规模用工的能力。管理很多生产员，怎么考核、激励，产能怎么保留弹性，这也是能力。至少灵波不擅长，也不想把自己搞得那么复杂。

未来数据要进入更多场景，进入场景本身也需要运营。我们把数据管线做得更高效，对数据理解得更深，再跟专业服务商配合，是 1 加 1 大于 2。

Q：第一人称视角的 Ego 数采很热。戴个头环、眼镜拍下人干活，就够了吗？

朱兴： Ego 是一个很好的思想，以人为中心，更便携，更容易进入开放场景，能够增加场景和任务的多样性。但要看具体怎么采。

头环加裸手，当前比较大的问题是精度。手的轨迹是重建出来的，误差过大的时候，数据价值就打折了。

我比较看好结合高精度、便携的触觉手套。既保留 Ego 的优势，又借助硬件和算法解决精度问题。还有一个重要的点，视觉和触觉的信息天然可以对齐，只要误差不要太大。这类数据对下一步模型发展意义很大。

至于设备有两个、四个还是六个相机，视角不同，都有用途。关键还是数据满足什么标准，轨迹精度够不够。

Q：互联网视频、仿真和真机数据，到底应该怎么配？

朱兴： 不要轻易谈不同数据源的配比。互联网视频操作数据那么多，配那么一点点真机数据，不就淹死了吗？

要分训练阶段。越往预训练，我们越希望获得场景泛化，所以用无本体数据、互联网视频等更容易扩大规模的数据。越到后训练，越要针对具体场景、具体任务把成功率拉上去，贴近机器人的数据就越有价值。落地前还要采数据，就是让模型熟悉机器人的构型、任务和环境。

仿真数据也有价值。我认为今天更多体现在中后训练，尤其是针对某个具体任务，强化成功率。每种数据都有阶段性的价值，不能混在一起只看一个总量。

四、真正的飞轮，要能接住失败

Q：数据一直要靠人专门去采。什么时候才能让机器人边工作，边给自己积累数据？

朱兴： 今天还很早，是冷启动，靠各种数采强制喂。再往前走，有一点应用规模了，至少部分场景里的异常数据飞轮可以转起来。

这时候看重的是异常数据，成功数据没有那么大意义。

Q：再往后，真正的数据飞轮会是什么样？

朱兴： 我认为什么才是具身智能真正的数据飞轮？其实每个人的日常生活或者工作过程中，都在为机器人生产数据。

Q：这些日常数据，现在能直接给机器人用吗？

朱兴： 你现在给它，它也吃不了，吃不了「粗粮」。

Q：既然关键在数据，是不是模型架构已经没那么重要了？

朱兴： 数据现在很重要，未来更重要。但模型范式没有完全收敛。世界模型的能力怎么用好，机器人未来的学习范式，都还要发生变化，必须持续探索。

不要把这个跟 Transformer 那一层的计算架构混为一谈。计算架构一换，大家都会换。模型范式有新东西出来，别人也会对齐。

所以要把数据管线做得更高效，对数据的理解更深。离开这个东西谈模型，没有意义。

Q：那大语言模型公司下场，会不会很快把这些优势抹平？

朱兴： 我打个比方，如果今天 OpenAI 或者 Anthropic 下场做自动驾驶，能短时间颠覆特斯拉吗？

大模型厂商在训练能力等方面有优势。但自动驾驶更核心的壁垒，还是数据：什么是好数据，对数据的理解，以及数据管线。

通用大模型可以提升机器人特定阶段的研发效率，是很好的工具支持。但具身面临的数据挑战还在那里，还是要自己解决。

五、人形，不必成为执念

Q：为什么把适配不同机器人构型，看得这么重？以后不会收敛到一种通用的人形机器人吗？

朱兴： 构型泛化是长期存在的问题，也是产业需要。

先看生产力场景。高负重的重载作业，和很轻的分拣，为什么要同一套硬件配置？为什么一定要同一种构型？有的单臂用六轴就可以，有的需要七轴甚至更多。要服务效率，背后是成本。

再看家庭，每家的第一需求也不一样，有的要老人看护，有的要陪伴，喜好也不同。人都有高矮胖瘦。

我觉得机器人没必要长得像人、什么都像人。 我们更应该看具身智能作为一项技术，能在社会里创造什么价值。把「人形机器人必须更像人」当成第一性原理，我不觉得是科学的方法。

Q：外骨骼这类产品好像不太需要大脑。一定要用大模型，才算好的机器人吗？

朱兴： 我们谈具身智能、谈大脑，一般希望它能泛化。有的场景不需要怎么泛化，完全可以用其他技术更稳健地解决，这是没问题的。

技术都是手段，最终满足场景需要是最关键的。 过去工业机器人基本上把能穷举的规则都做了，再往前，有些场景就做不了了。

Q：灵波做大脑，为什么还要做自己的 R 系列机器人？

朱兴： 研发肯定需要软硬一体。模型需要数据，数据由硬件产生，自己不做，也得找别人定制。

另外，蚂蚁集团的核心业务沉淀都是围绕生活服务的，我们也想更早探索生活服务。从早期的担保交易，到扫码支付、民生服务，再到医疗健康，蚂蚁一直在做这些事。未来到了物理智能的时代，怎么更好地在家庭中服务人？具身智能是中间绕不过去的桥梁。

R 系列的特点是底盘小，感知设备多，在力控等方面做了不少软硬件处理。生活服务里的通行、避障更复杂，要考虑安全。这还不是产业主流的出货场景，想提前探索，就需要合适的硬件平台。

工业、物流等伙伴的出货场景，我们不碰，提供基模和工具链。生活服务处在严格的 To B 和 To C 之间，是机器人进家庭之前的前哨。

Q：为什么先选药房？

朱兴： 药房是试点，确实有需求。大药店白天外卖订单高峰时，到店客人会占用药师很多时间，机器人能不能辅助一下？夜间更痛苦，一些药房的订单量大，外卖占比又高。

我们是把机器人放进有人的药房里工作，要解决人机安全问题。抓拿取放里也有商品泛化问题：棉签、膏药等等，可能有几千个 SKU，类别很丰富，很多也是家里会有的物品。

第一，确实有商业需要，或者至少能模糊地看到；第二，它对技术有牵引，对未来进入家庭的探索也有帮助。

Q：离一个可以放心留在家里的机器人，还有多远？

朱兴： 「进家庭」不能模糊地讲。是情绪陪伴，还是做一些辅助操作？还是最后既特别聪明，操作又特别好，让你像信任家人一样信任它？

如果说的是最后一步，我不好估计时间。安全、伦理等非常高阶的问题，还有很多空白。人对安全的感受，包括复杂的物理交互，都很高阶。

但我觉得可以一步步来，从情绪陪伴到辅助操作，让机器人通过少量样本学会一些技能，可能花几年时间逐步往前走。

六、「Chat」比「GPT」更重要

Q：具身智能需要这么多公司都做基模吗？

朱兴： 从基座公司的角度，确实不需要太多家。大模型从「百模大战」走到今天，已经比较收敛。具身也会走向几家为主的格局，只是今天可能才刚刚开始「百模大战」。

但产业需要很多角色协作，硬件、数据、智能、场景，都要配合。

我们何德何能把大脑做得非常领先，还把所有东西都做得非常领先？上帝不会这么眷顾灵波。

Q：什么样的公司能活到最后？

朱兴： 我真不知道，回答不了。如果我能回答，灵波就可以「长生不老」了。

Q：你们希望跟本体厂商、场景公司形成什么关系？

朱兴： 灵波核心是输出智能，提供闭源版基模和工具链，帮助伙伴更高效地后训练、采集后训练数据、清洗标注、做端侧量化部署，以及真机强化学习。

我们提供技术服务，一起探索后训练，不断磨合。在这个过程中，希望形成一个数据网络，尤其让异常数据更多回流。

机器人总体是非标产品，对接客户需求、集成交付、维护，都非常重。灵波自己做，能做几家？需要生态一起做。

Q：一方面坚持长期投入，另一方面又要落地。商业化的分寸怎么拿捏？

朱兴： 我们不会为了一个更好的收入数字过度推进商业化。一是不可持续，二是会阶段性地把团队精力耗掉，捡了芝麻丢了西瓜。

但再克制，也不能不做。只有付费的商业化，才能迎接更真实的考验。

商业化是公司非常重要的能力。再好的技术，也要在不断接受商业化挑战的过程中沉淀。做有限的商业化，我们更在意的是让团队具备这种能力，让技术和产品成熟起来。

Q：未来一两年，普通用户和从业者应该看什么信号，判断行业真的向前走了？

朱兴： 在环境、任务复杂度没那么高的情况下，一些地方的账会逐渐算过来。我个人判断，从今年下半年到明后年，生产力应用的量可能会快速增长。

我特别期待明年有两个指数级的变化：真实场景里，以模型驱动为主、在干活的机器人数量增长；同样的真实场景和任务，后训练成本，尤其数据成本，能指数级下降。

Q：你认为具身智能会有自己的「ChatGPT 时刻」吗？

朱兴： 我觉得会有这个时刻，但判断不了，技术爆发很难预期。

ChatGPT 更重要的是 Chat，不是 GPT，不 Chat 也不行。 这很像具身下一步的发展，哪怕是 To B 应用，也要推到一定规模，把这个闭环转起来。我感觉 Chat 比 GPT 更重要。

最后的话

现在要买一个机器人来分担工作，你大概要付出更多额外的的工作：教它、盯着它，在它卡住时接手。这恐怕是生产力机器人最需要避免的尴尬。

机器人替人干了多少活，人就要替机器人操了多少心。

对想用它节省人力的客户，单次抓取成功只是开始。一天需要接管多少次？换一批商品要重新教多久？出错后，普通员工能处理，还是得等工程师？这些负担足够低，机器人的工作才真正变成了人的空闲。

这里有一个绕不开的矛盾：机器人需要真实工作中的反馈才能进步，但客户买它，是希望工作少一点。当然仿真训练也在快速进步，但海内完全取代

朱兴在外滩的具身论坛里，认为机器人总体还处在「童年」阶段，但也该下场干活，否则「学习不完整」。前提是场景相对安全。把任务拆小、把环境控制住，让机器人先承担一部分工作，有现实理由。

但这种学习成本，不能含糊地全部交给使用者。早期的工厂、药房可以选择共同试验，双方说清楚哪些能力已经可用，哪里还需要人兜底。家庭里的老人和孩子，却不能被默认成配合训练的工作人员。进入生活之前，机器人得先证明，它带来的帮助大于它需要的照顾。

基础模型的一次进步，应该让更多机器人少学几遍、少犯几次错，也让伙伴少跑几趟现场。朱兴强调异常数据回流，其价值就在这里：一次失误能否变成后来者的经验。

如果每台机器人都要从头犯同样的错，「通用」的价值就还没有兑现。

如果只收走数据，却不让已交付的机器人用上改进，用户就承担了训练成本，却没分到模型进步的好处。

朱兴也承认，有些场景并不需要多强的泛化，用其他技术也可以解决。做大脑的公司，也得接受客户未必需要一颗最聪明的大脑。

行业在争论模型路线、参数和数据量，但用户最终买单的理由，应该是「这件事终于不用我管了」。