蚂蚁，为何狂卷具身智能？

来源：市场资讯

（来源：AIX财经）

投生态、造本体、做大脑。

AIX财经（AIXcaijing）原创

作者 | 王汉星

编辑 | 魏佳

一家过去二十年都被外界习惯性归入“金融科技”的公司，最近频繁地和具身智能这个词绑在一起。

七月初，蚂蚁集团旗下的蚂蚁灵波用四天时间连续发布六款具身智能大模型，覆盖视觉、视频、空间感知、灵巧操作、世界模型和世界动作模型（WAM）等多个方向，这是这家公司半年内的第二次密集发布相关模型。

蚂蚁对具身智能的布局，其实已经铺开一年多。早在2024年4月，蚂蚁就砸下数亿元投资了视频生成大模型公司爱诗科技，视频生成是世界模型这条技术路线的底座，这笔投资也被视作蚂蚁在具身智能“大脑”方向的第一次布局。同年12月，蚂蚁成立全资子公司蚂蚁灵波专注具身智能业务，2025年9月，蚂蚁灵波推出首款服务机器人Robbyant R1。从产业链上的整机、灵巧手到大脑基座，几乎都能看到蚂蚁的身影。

而蚂蚁进入的这条赛道，正是过去两年AI领域最火热的方向之一。头部本体公司的融资节奏几乎按月更新，估值一路走高，硬件形态在逐渐趋同，但大脑到底该怎么做，行业里还没有统一答案。互联网大厂、机器人本体公司、创业公司陆续下场，技术主张各有不同，有的押VLA，有的押世界模型，蚂蚁灵波则选择了比较少见的多路线并行的打法。

不过，外界的疑问也不少。

蚂蚁过去二十多年的发展一直围绕支付宝这个超级APP展开，先做支付，再做金融，然后延伸到医疗健康，机器人硬件不是它的传统领域，具身大脑更是需要长周期的算力、人才和数据投入。

一家做惯了轻资产、快周转生意的公司，为什么愿意押注一个短期看不到回报、竞争又异常激烈的赛道？更何况，在具身智能领域，蚂蚁既没有相关经验，也没有先发优势，它真的能够后来居上吗？

蚂蚁的具身智能路径可以分成三个阶段，投资生态、造本体、做大脑，三步之间时间上有重叠，但重心的迁移路径很清晰。

最先启动的是投资。

翻一遍这两年蚂蚁投过的机器人公司会发现，它几乎不错过任何一个环节的头部选手，其中有中游本体厂商宇树科技、星海图，也有上游关键零部件比如做灵巧手的灵心巧手。先通过投资建立初步的产业生态，也是科技互联网大厂最熟悉的方式。

仅仅做投资显然不能满足蚂蚁的野心。2024年12月，蚂蚁在上海张江注册了全资子公司蚂蚁灵波科技，公司成立后的第一个动作是在2025年9月推出首款服务机器人产品Robbyant R1。R1的定位是家庭服务，可以被用于取菜、烹饪、清洁等标准化服务场景。

但放在去年9月这个时间节点，机器人本体市场的竞争已经非常激烈，全年出货量超过1万台，头部本体公司一年能卖出四五千台机器人，在这样的背景下，蚂蚁选择把重心移向具身大脑。

2026年1月，蚂蚁灵波开源了四款具身大模型：LingBot-Depth、LingBot-VLA、LingBot-World、LingBot-VA。从模型的命名上能大致看出它的技术路线分别覆盖了深度感知、VLA、世界模型、以及世界动作模型。

VLA和世界模型是当前具身智能大脑的两大流派。VLA，全称视觉-语言-行动模型，核心思路是把摄像头看到的画面、听到的语言指令，直接映射为机器人的物理动作。它的优点是反应快、延迟低、执行能力强，缺点是缺乏对环境的深层理解，泛化能力有天花板。

另一派是世界模型，强调机器人对物理世界的理解、预测和模拟能力。机器人在动手之前，先在“脑子”里推演一遍，再决定怎么动。世界模型的想象空间更大，但对算力、数据和训练方法的要求也更苛刻，短期内很难像VLA那样直接落地。

蚂蚁灵波选择了双线并进。LingBot-VLA走的是VLA路线，基座是视觉-语言模型（VLM），LingBot-VA走的是世界模型路线，基座是视频生成模型（VideoGen）。两套系统的训练数据完全共享，只是基座不同。

在开源四款模型的半年后，蚂蚁灵波又发布了升级版的六款模型。相比1月份的四款，7月这一波先对此前的四款模型做了2.0的升级版，多出来的两款模型是LingBot-Vision和LingBot-Video，两个都是从零预训练的基座模型，代表蚂蚁开始搭建自己的视觉和视频底座。

这六款具身大模型中，Vision、Video、Depth偏技术底座，VLA和World代表两种技术路线，而VA2.0被称为行业首个具身原生世界动作模型，简单来说它在原有的执行基础上，可以持续判断“世界接下来会如何变化”，并同步生成下一步动作，是目前世界模型在具身智能领域应用里比较常见的一种方式。

回看在具身智能上的一连串布局，蚂蚁把自己的AGI目标拆成了两个层面：数字智能和物理智能。数字智能这一侧，底层是自研的百灵大模型，应用层则是AI支付宝、蚂蚁阿福和灵光。

物理智能这一侧，蚂蚁灵波是核心执行主体，具身大脑和本体的研发都放在这家子公司。

两者共同服务于一个更大的目标：让蚂蚁在AI时代继续掌握用户入口，同时保留对基础模型和下一代交互形态的控制力。

蚂蚁做具身智能，最直接的背景是战略重心发生了变化。

早在2023年，蚂蚁提出了“AI First”的集团战略，具身智能被纳入蚂蚁的AI叙事，其实是一个自然的路径展开。

蚂蚁灵波首席科学家沈宇军曾表示，蚂蚁过去做的是生活相关的服务，过去在数字世界积累，未来要更好地服务用户肯定会进入到物理世界。

具身智能是目前AI落地物理世界的一个重要入口。

再往下一层，还有技术底座的复用问题。蚂蚁过去在支付、金融领域的探索，让它在图计算、机器学习等技术上有比较深厚的积累，只不过过往这些能力常常被“金融科技”这个标签遮住。

这些能力单拿出来讲都不够性感，但在具身智能大脑领域，大规模数据处理、多模态融合、复杂决策、分布式训练与蚂蚁过往的技术积累有很多可以相互关联的地方。

从这个角度理解，蚂蚁下场做具身大脑并不是从零开始，更像是把过去在数字世界里练出来的手艺，试图往物理世界里迁移一遍。

不过技术复用只是理论上说得通，能不能落成实践是另一回事。

一位长期跟踪具身智能行业的投资人告诉「AIX财经」，从他看过的BP里，近期入场的具身大脑创业公司预训练数据量普遍都是10万小时起步，灵波此前透露的LingBot-VLA2.0预训练数据大约是6万小时，这个数字没有明显优势。

数据规模在具身智能的当前阶段是硬门槛，蚂蚁在这一点上并没有跑在最前面。

事实上，除了服务于集团的整体AI战略和技术延伸外，具身智能还有一重更简单的身份是帮助蚂蚁打开增长的天花板。

近年来随着竞争和监管环境的变化，蚂蚁的金融科技主业增长天花板逐步显现，蚂蚁开始把更多的精力放在生活服务和健康领域。

去年年底，蚂蚁集团CEO韩歆毅发布全员信，宣布升级组织架构，将原“数字医疗健康事业部”升级为“健康事业群”，并将加速推动医疗健康业务成为战略支柱板块。

可以预见的是，在老龄化社会里，AI助手不仅要解决问诊这一个问题，最终还要有实体，陪伴、送药、康复、看护，这些是纯软件解不了的问题，沈宇军说未来要更好地服务用户肯定会进入到物理世界，这是业务的自然延伸。

由此可见，具身智能对蚂蚁而言，是把主业延伸到线下场景的一个技术工具，本质上是老业务的一次形态升级。

这套逻辑听起来自洽，但同样面临挑战。具身智能本身是一个需要长期、大量资金、算力和人才投入的行业，蚂蚁在AI战线上要做的事情已经很多，有基座大模型、支付宝AI化、蚂蚁阿福、灵光、健康AI、全球化，每一块都在烧钱，有多少精力和资源能分给具身智能是个未知数。

灵波更像是一个大厂内部项目，这在顺境里是优势，资源来自集团，不必为了融资对外讲故事。但遭遇长周期的技术不确定性时，则意味着它的命运并不完全取决于自己，而取决于蚂蚁在集团层面还愿意给它多长的耐心。

在具身智能这个还没有跑出真正头部的市场，蚂蚁的对手大致可以分成三类：其他互联网大厂、专门做本体的硬件公司、以及聚焦于大脑的创业公司。

先看第一类，也就是和蚂蚁同一量级的大厂。阿里在通义体系下推出了Qwen-Robot，但产品定位更偏平台工具，它给机器人厂商提供多模态基础模型，本身并不做本体，也不深入到具身大脑的操作层。

腾讯的Robotics X研究院走的是“云+投资”路线，云端能力对外输出，把大脑以及算力卖给机器人公司；华为CloudRobo同样以云端为主，把机器人接入华为云生态；京东和美团在具身机器人上采取的是重投资、轻自研的策略，京东更看重物流场景，美团更看重外卖配送。

放在这张地图上看，蚂蚁灵波的位置有点特殊。它是唯一一家同时押注大脑基座、世界模型和本体落地的大厂。

第二类是硬件本体公司，宇树、智元、银河通用、星动纪元、乐聚等。这一批公司在本体上的能力显著强于蚂蚁灵波。它们中的大部分也在自研大脑，只不过很多还处在早期阶段。

并且这些本体厂商中也有不少与蚂蚁有合作关系，除了蚂蚁直接参与投资的宇树、星海图，今年6月，乐聚机器人官宣旗下KUAVO 4 Pro（夸父）已经完成了LingBot-VLA的后训练适配，并且围绕GM-100评测体系里的95个真实操作场景做了系统性的真机测评。

到7月，蚂蚁公开的数据是LingBot-VLA 2.0已经适配了17个品牌20种构型，这些品牌包括乐聚、智元、星尘智能、宇树、松灵、星海图、银河通用、睿尔曼、Franka、方舟、北京人形、傅利叶、魔法原子、千寻、零次方、非夕和青龙，构型上同时包括了单臂与双臂，双足与轮式等多种形态。

第三类竞争对手主要是聚焦于大脑的创业公司，比如深度机智、它石智航等。

与这一类公司的竞争优劣势很难直接比较，一位具身智能大脑相关从业者告诉「AIX财经」，现在具身大脑创业公司还停留在讲故事阶段，每个人都有自己的技术路线主张，没有统一评测标准。它不像本体，可以拉出来跑一段展示运动能力，大脑的能力很难可视化。

评测标准的缺失让这个行业更难有共识。大语言模型有一整套多层次的评测生态，行业内共识度高。尽管已有公司在布局，但具身智能大脑到目前为止还没有类似的评测基准，场景不一样、任务不一样，测试结果天差地别，也就没有一把行业公认的尺子来量。

把三类对手放在一起看，灵波的优劣势明显。

它最确定的优势是资源。蚂蚁的算力体系、AI Infra，以及百灵团队的积累，灵波都可以直接复用，这是创业公司短期内难以具备的条件。其次是它在产业链中的位置相对中立。灵波虽然也做本体，但R1的出货规模有限，还不足以对任何一家本体厂商构成实质威胁，这让它向十几家厂商开放模型时不必面对“帮对手养大脑”的顾虑。第三是开源的程度，权重、代码、后训练工具链、评测集全部放出，在技术标准尚未定型的阶段，这是把自己变成公共底座最直接的路径。

但短板也不少。

在本体环节，宇树、智元、银河通用等公司在硬件工程、供应链和量产上已积累数年，灵波的机器人目前更接近验证模型的载体，距离走量尚有距离。在数据环节，灵波真机数据主要依赖生态伙伴供给。一旦本体厂商开始认真自研大脑，供给随时可能收紧，并和灵波形成竞争关系。

与大厂同行的关系则更微妙。灵波对内要在蚂蚁的整个AI版图里争夺资源，对外仅阿里系就有多个具身智能条线各自为战，包括千问的Qwen-Robot、高德的世界模型。灵波在训练数据和模型能力层面的差异究竟能否形成护城河，眼下尚无定论。

此外，技术路线的不确定性也是悬在所有玩家头上的一把剑。今天看，VLA和世界模型的融合听起来是个合理方向，但融合怎么融、以什么比例融、融到什么程度算成功，没有标准答案。

蚂蚁押的这个方向不一定就是最优解，它可能是对的，也可能被别的路线甩开，这是这个阶段所有玩家都要面对的共同风险。

眼下的蚂蚁灵波更像一张面向未来的期权，它让蚂蚁不至于错过物理智能的入口，也让公司有机会把二十年积累的数字服务能力带到屏幕之外。但最终要看机器人是否真的走进家庭、医院和商业空间，也要看这些机器人在需要“大脑”时，会不会选择蚂蚁。

*题图及文中配图均来源于蚂蚁灵波官网。