本体厂向上，大模型厂向下，蚂蚁灵波VLA2.0抢到机器人“大脑入口”

智东西
作者 江宇
编辑 漠影

当下，具身智能行业正在进行一场关于利润率的无声战争。

过去两年，资本密集涌入机器人本体和核心零部件环节，试图复制智能手机时代的供应链降本逻辑。据智东西不完全统计，目前行业内26家估值百亿元的独角兽企业中，至少有9家聚焦硬件及本体。

表面上，本体厂正在通过规模化量产、供应链整合和核心零部件自研，持续压低机器人成本，争夺更高的硬件利润率。

不过，当一台台机器人被送进工厂、商超、药房和实验场景后，另一个更现实的问题浮出水面：由于缺乏统一、可复用的能力底座，不同本体、不同任务、不同场景之间，依然需要大量软件工程师到现场进行低效“特调”。

硬件降本省下来的利润，转眼就可能被高昂的非标软件工程成本吞噬。

这也是具身智能产业眼下面临的关键矛盾：本体厂不想只做没有“大脑”的硬件代工厂，通用大模型巨头急于寻找进入物理世界的入口，而异军突起的夹在中间的垂直具身大脑玩家，则必须证明自己不是一次性交付的外包工具，而是能沉淀数据、模型和生态的基础层。

7月8日，蚂蚁灵波开源新一代具身基座模型LingBot-VLA 2.00，原生支持20种主流构型并打通全身控制。

除开源惠及具身产业与开发者生态之外，这是一次极具战略性的卡位：蚂蚁灵波抢先把自己做成行业公用的标准化能力层，让不同本体、不同场景、不同任务都能接入同一套具身大脑，从而在硬件厂、大模型公司与集成商之间，拿下一个让产业链无法绕开的生态位置。

一、机器人硬件在降本，算法部署还停在“手工时代”

具身智能这轮热潮里，硬件端的降本曲线已经率先跑出来。

以人形机器人为例，头部厂商正通过电机、减速器、传感器、结构件等环节的供应链整合，把过去动辄数十万元甚至上百万元的机器人价格持续压低。

SemiAnalysis此前拆解宇树G1后测算，其毛利率可维持在67%左右，这说明部分头部玩家已经具备接近消费电子式的降本能力。

硬件越来越便宜，意味着机器人更容易进入真实场景。但机器人进场之后，真正决定它能否稳定干活的，仍然是背后的“大脑”。

SemiAnalysis也提到，即便机器人已经在部分物流、搬运等场景中接近经济可行，部署环节仍然受限于具身模型能力。换句话说，本体可以更便宜地送到现场，但让它理解环境、完成任务、适应变化的模型能力，还没有跟上硬件降本的速度。

这就带来了一个被行业长期低估的隐性成本：每出现一个新构型、新场景或新任务，往往都需要重新采集数据、重新训练模型、重新进行现场对齐。AI落地并没有天然变成软件复制，而是变成了重度依赖工程师的人力项目。

这就是具身智能的“手工时代”。

在实验室里，一个机器人完成一次演示已经不算稀奇；难的是把同一套能力复制到另一台机器人、另一个门店、另一条产线、另一批商品上，还能保持稳定效果。

如果视觉、语言与动作相结合的VLA模型无法做到“一次训练，多处部署”，具身智能在商业化上仍是一个低毛利的生意。

LingBot-VLA 2.0切入的正是这个问题。它要解决的是同一套具身操作能力能不能跨越不同构型、不同任务和不同场景迁移。

为了做到这一点，模型不能只在单一机械臂、单一任务或固定场景中表现更好，而要同时补上几块能力短板：既要理解不同机器人构型本体之间的差异，也要覆盖更复杂的动作空间，还要能对动态物理环境中的后续变化做出预判。

这背后的产业意义，是用一套标准化算法能力，对齐分散的机器人硬件和应用场景，减少对非标工程交付的依赖。

二、支持20种以上构型，模型能力先要跨过“构型差异”

要成为行业公用的“大脑”，第一道门槛就是克服机器人本体的碎片化。

今天的机器人行业并不存在统一形态。有人做人形机器人，有人做双臂机器人，有人做单臂机械臂，有人做轮式双臂机器人，还有厂商在探索灵巧手、腰部、头部、底盘等更多自由度组合。

对本体厂来说，模型适配效率直接影响产品迭代速度；对客户来说，跨本体能力决定了项目验证周期，以及未来替换硬件时的灵活性。

LingBot-VLA 2.0这次升级中，跨构型支持被放在了核心位置。

其预训练数据便覆盖了20种机器人构型，包括单臂、双臂、移动机器人平台，以及搭载灵巧手或夹爪的不同形态。其数据集包含Franka、Flexiv Rizon 4、AgileX Cobot Magic、Galaxea R1Pro/R1Lite、Realman Rs-02、Astribot S1、Leju KUAVO、Unitree G1、Fourier GR-2、AgiBot A2等平台。

20+种构型的意义，不只是平台数量变多了。更关键的是，它把不同机械结构、自由度配置、传感器条件和执行方式纳入同一套训练体系，检验模型能否把操作能力迁移到更多机器人形态上。

为此，LingBot-VLA 2.0采用了统一动作表示，把不同构型的控制信号映射到一个55维规范向量中，其中包括手臂关节位置、末端执行器位姿、夹爪、手部关节、腰部、头部和移动信号等不同组成部分。

这相当于为不同机器人建立了一套共同的“动作语言”。

在这个基础上，模型才能在面对不同构型时，在统一动作空间中学习不同形态之间可迁移的操作规律。

从产业角度看，跨构型泛化能力决定了VLA模型的服务半径。LingBot-VLA 2.0把多构型支持作为核心升级，背后指向的正是更低适配成本和更高部署效率。

三、全身协同与时序预测：接管复杂物理环境的硬性指标

真实物理世界里的任务，往往需要机器人调动整个身体一起完成。所以，具身大脑必须啃下“动态交互”这块硬骨头。

在零售分拣、物流分拣、工业操作等场景中，机器人可能需要先移动到目标位置，再调整视角识别物体，随后伸手抓取、放置、开关门、清洁或搬运。整个过程包含移动、观察、操作、反馈和修正，任何一个环节出错，都会影响最终任务完成。

LingBot-VLA 2.0这次把动作空间从双臂平台进一步扩展到全身自由度，支持头部、腰部、末端执行器、移动底盘和灵巧手等控制信号。其系统能够处理手臂、末端执行器、夹爪、移动底盘、腰部、头部、手部等不同动作维度。

这意味着，机器人执行任务时可以更自然地完成感知、移动与操作的协同。

除了动作空间，另一个关键升级是时序预测。

过去不少VLA模型更偏向反馈式执行：模型根据当前画面和语言指令生成下一步动作。但真实环境是动态的，物体可能移动，空间关系可能变化，机器人自己的动作也会改变下一帧看到的世界。

如果模型只理解“当前看到什么”，就容易在长序列任务中出现反应滞后、动作中断或执行偏移。

LingBot-VLA 2.0引入了未来预测机制，把未来状态预测作为代理任务。具体来说，它通过LingBot-Depth提供几何线索，通过DINO-Video提供语义和时序信息，让模型预测未来时刻的深度表示和视频特征，从而更好理解场景演进和动作后果。

通俗来说，机器人不只是看见眼前的画面，还要提前判断“接下来可能会发生什么”。

这类前瞻式时序理解，对长序列任务尤其重要。比如机器人要把物品放进冰箱，任务并不只是“抓取”和“放置”，还包括移动到厨房台面、把物体放进篮子、移动到冰箱前、打开冰箱门、逐个放入物体、关闭冰箱门等一连串动作。

在其技术报告中，LingBot-VLA 2.0在两个长程移动操作任务上与π0.5进行了对比：一个是在Astribot S1上完成“冰箱分拣”，另一个是在Cobot Magic-ARX X5上完成“清洁炉灶”。每个任务分别在域内和域外设置下进行15次独立测试。

▲冰箱分拣

▲清洁炉灶

结果显示，在域内设置下，LingBot-VLA 2.0在冰箱分拣任务中取得77.1的任务进度分和60.0%的成功率，在炉灶清洁任务中取得84.3的任务进度分和66.7%的成功率，均领先π0.5。在域外设置下，LingBot-VLA 2.0同样保持优势。

可见，在更接近真实应用的长链条任务中，LingBot-VLA 2.0具备更强的任务推进能力和跨构型泛化能力。

四、6万小时数据和130毫秒延迟，支撑生态闭环

对具身基座公司来说，模型开源只是第一步。

更关键的是，能不能让更多本体和场景接入，再把真实任务中的交互数据沉淀回来，形成“部署—数据回流—模型进化”的生态闭环。

行业不止缺数据，更缺能够真实反映物理交互规律的高质量数据。

蚂蚁灵波从9万小时数据中清洗出5万小时高质量真机数据，并从2万小时第一视角视频中提炼出1万小时有效数据。

这种对真机物理规律的筛选和提纯，决定了机器人大脑后训练质量的下限。

数据之外，商业落地还要算另一笔账：时间和算力。

基于架构更新，LingBot-VLA 2.0同步开源的高效后训练版本在RTX 4090上将推理耗时压缩至130毫秒以内。

只有算得平时间账和算力账，本体厂、集成商和场景方才有可能把VLA模型真正纳入实际部署流程。

而开源的直接意义，则是进一步降低本体厂、开发者和场景方的接入门槛。

蚂蚁灵波向开发者、本体厂开放模型权重与代码，并携手乐聚、国大药房等生态伙伴开展商业落地测试，推动LingBot-VLA 2.0作为标准能力层嵌入零售、物流等真实高频场景。

在数据体系上，蚂蚁灵波还联合简智科技等生态伙伴共建标准化数据体系，将真实场景中的交互数据重新纳入模型迭代。

机器人产业正在进入能力复用与规模部署并重的新阶段。

随着更多机器人完成部署、更多真实数据持续回流，具身智能“部署—数据回流—模型进化”的产业闭环有望逐步建立。

这场关于通用具身大脑的卡位战，已然打响。而决定胜负的，或将取决于谁能在足够多的真实场景中跑通数据飞轮、建立生态闭环。