蚂蚁集团组织了一支「物理AI特工队」：蚂蚁灵波具身路线的优势与困顿

©潮涌AI编辑部

2024年12月，上海张江，一家新公司注册成立。

硕博占比超过九成，CEO是朱兴，首席科学家沈宇军来自蚂蚁技术研究院交互智能实验室。

这家公司叫蚂蚁灵波，蚂蚁集团全资子公司，注册资本1亿元，在刚刚结束的WAIC上以“镇馆之宝”的名号扩散势能。

毫无疑问，蚂蚁集团内部多了一支被员工称为“物理AI特工队”的队伍。他们的任务不是做支付，不是做大模型聊天机器人，而是给实体机器人造“大脑”。

蚂蚁如何爬出一家“机器人公司”

朱兴2011年加入阿里巴巴。

过去14年里，他做过支付、金融服务、O2O，2023年刚刚完成支付宝广告商业化的从0到1，而在2024年底，他被抽调筹建蚂蚁灵波。

这是一个令外界意外的选择。

从时间线来看，灵波的筹建时间非常紧迫。

朱兴没有机器人行业的背景，但他有一个蚂蚁当下最需要的能力：把技术变成能落地的产品。

灵波的首席科学家沈宇军则来自蚂蚁技术研究院交互智能实验室，研究方向是计算机视觉和深度学习，本科毕业于清华大学电子工程系，然后选择在香港中文大学信息工程系攻读博士学位，曾在商汤实习，担任过字节跳动高级研究员。

两人搭配的逻辑清晰：一个懂产品化和商业化，一个懂技术底层。

目前，灵波团队硕博技术人才占比超过九成。在蚂蚁集团内部，灵波挂在CTO线下，与百灵大模型团队、支付宝AI团队平行，但专攻“物理智能”——也就是具身智能。

蚂蚁集团对灵波的战略定位，是把AGI目标拆成两个层面：数字智能和物理智能。数字智能由百灵大模型、AI支付宝、蚂蚁阿福等业务承载；物理智能的核心执行主体，就是灵波。

六款模型，两条路线

2026年7月初，蚂蚁灵波在一周内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六个方向，并且全部开源。

这不是一次普通的产品发布，灵波在发布会上展示了它的技术路线选择：双线并进。

第一条是VLA路线（视觉-语言-动作），代表模型是LingBot-VLA 2.0。这条路线的主流逻辑是“看到→理解→动作”，基于视觉-语言模型做基座，让机器人根据视觉输入和语言指令输出动作。这是当前行业最主流的技术路线，Figure、Google DeepMind的RT系列都在这个方向。

第二条是世界模型路线，代表模型是LingBot-VA 2.0。这条路线不直接映射感知到动作，而是先预测“世界接下来会如何变化”，再同步生成下一步动作。沈宇军在技术分享中把VA 2.0定义为“行业首个具身原生世界动作模型”，基于自回归架构从零开始预训练，实现了单卡150Hz的实时推理。

六款模型的分工是清晰的：

VA 2.0的技术细节值得单独拆解。

据灵波发布的技术文档，它采用了四项核心设计：语义视觉-动作分词器、严格的因果预训练范式、MoE架构，以及增强的异步推理机制。前三项解决的是“理解世界”的问题，最后一项解决的是“实时响应”的问题，让机器人在执行当前动作时，模型已经开始预测未来状态。

150Hz的推理频率是什么概念？

它意味着模型每秒完成150次推理，单次响应约6.7毫秒；作为参照，人类眨眼一次约需300-400毫秒，也就是说，机器人“思考”一次的时间不到眨眼时间的1/50。

灵波的技术文档称，VA 2.0让机器人具备了“边推演、边行动”的通用控制能力。

但一位机器人行业从业者向亿邦动力表示，推理频率只是工程指标之一，真正的考验是在真实场景中的泛化能力。“在仿真环境里跑150Hz和在有老人、小孩、宠物的家庭环境里跑150Hz，是两回事。”

开源、R1和生态

灵波这次发布的另一个关键策略是全栈开源——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，开源是建立生态影响力的最快方式。灵波的模型支持多种机器人构型，不同本体和场景均可接入同一套“大脑”。

目前，已有十几家机器人厂商与灵波建立合作。

除了蚂蚁直接参与投资的宇树科技、星海图，今年6月，乐聚机器人官宣旗下KUAVO 4 Pro（夸父）已完成LingBot-VLA的后训练适配，并围绕GM-100评测体系里的95个真实操作场景做了系统性测评。

LingBot‑VLA 2.0训练

但灵波并非只做“大脑”。

2025年9月，它推出了首款服务机器人Robbyant R1，定位家庭、养老、医疗健康等服务场景。不过，根据多家媒体的报道，R1目前的出货量有限，更接近“验证模型的载体”，距离大规模走量尚有距离。

这是一个现实的处境。

在硬件本体环节，宇树、智元、银河通用、星动纪元等公司在硬件工程、供应链和量产上已经积累了数年，灵波的机器人产品力和量产能力还无法与它们直接竞争。

大厂具身地图上的“唯一”

把灵波放在中国大厂具身智能的地图上，它的位置有些特殊。

阿里在通义体系下推出了Qwen-Robot，但产品定位更偏平台工具，给机器人厂商提供多模态基础模型，本身不做本体，也不深入到具身大脑的操作层；腾讯的Robotics X研究院走“云+投资”路线，把大脑和算力卖给机器人公司；华为CloudRobo同样以云端能力为主。京东和美团采取重投资、轻自研的策略，聚焦物流和配送场景。

灵波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子公司。

蚂蚁灵波官网截图

但这个“唯一”也带来了问题。

灵波在蚂蚁集团内部需要与百灵大模型团队、支付宝AI团队争夺资源；在蚂蚁集团外部，仅阿里系内部就有多个具身智能条线“各自为战”，包括千问Qwen-Robot、高德世界模型，尚未形成统一的战略协同。

数据困局与开源的悖论

如果技术路线的不确定性是第一层困顿，那么数据瓶颈是更现实的第二层。

具身智能行业有一个被反复提及的残酷数字：真实世界数据与语言数据有几万到几百万倍的差距。大语言模型可以调用万亿级的人类语言数据进行训练，但机器人需要的物理交互数据，比如“怎么抓杯子不碎”“在湿滑地面上怎么保持平衡”，只能靠真机一点点积累。

灵波的数据从哪里来？

根据AIX财经报道，灵波的真机数据主要依赖生态伙伴供给，包括宇树、乐聚、星海图等合作厂商的真机测试数据。

这是一种“借鸡生蛋”的模式：灵波自己不造大量本体，靠合作伙伴的数据来训练模型。

但这个模式的脆弱性是显而易见的。

宇树科技刚刚推出了宇树UnifoLM-OminiA-0.3具身大模型，智元机器人有自己的世界模型和AgiBot World数据平台。一旦这些本体厂商认真自研大脑，数据供给随时可能收紧，灵波将失去最重要的训练燃料。

微博截图

全栈开源是灵波应对这个困局的策略：权重、代码、工具链、评测集全部放出，吸引全球开发者基于其标准开发，试图把自己变成“公共底座”。

但是，别忘记了具身智能头部玩家们自己也都在有意识布局“大脑”，如果它们自己的大脑做得比灵波更好，为啥选择灵波？

开源在标准未定型的阶段是建立生态的最快方式，但它本身不构成护城河。模型能力能否持续领先，才是灵波能不能守住“公共底座”位置的关键。

为什么要做这件事？

蚂蚁做具身智能，最直接的背景是战略重心发生了变化。

“具身智能”在2025年首次被写入政府工作报告，随后，上海、深圳等地相继出台支持政策。但政策红利之外，蚂蚁有一个更具体的业务逻辑。

蚂蚁的主业，支付、金融、健康，增长已见顶。但很多人忽略了一点：蚂蚁从来就不是一家纯线上的公司。

支付宝的二维码遍布全国数千万商户，蚂蚁的医疗业务（好大夫在线、阿福）直接连接医院和患者，芝麻信用渗透进租房、出行、政务等线下场景。

蚂蚁的触角早已延伸到线下，只是过去用软件和二维码作为入口。

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，纯软件解不了这些问题。

沈宇军在今年7月的一次技术分享中表示，“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。”

从这个角度看，灵波对蚂蚁而言，不是一次跨界冒险，而是主业的自然延伸。

对一家科技公司来说，做具身智能、做物理AI，是进入线下最深场景最合理的路径之一。蚂蚁必须走这一步，因为线下的刚需场景终究需要实体来承接。

但这条路的长度可能超出预期。

高盛团队在研报中认为，人形机器人技术拐点仍不明朗，能力尚不足以处理多种通用任务。高盛预计，到2027年全球人形机器人出货量约7.6万台，到2032年约50.2万台，步伐慢于市场预期。

灵波的200余人团队正在和时间赛跑。他们在一周内开源了六款模型，但把模型变成能在老人家里安全运行的机器人，还需要更长的周期。

CEO朱兴在公司成立之初说过一句话：“让人形机器人早日走进寻常百姓家。”

这句话的实现时间，目前还没有人能给出一个确切的数字。

*参考文章：

AIX财经《蚂蚁，为何狂卷具身智能？》

亿邦动力《一周开源六款模型蚂蚁灵波卡位“具身原生”》

科创板日报《WAIC观察：具身智能“深圳军团”，补齐人形机器人落地关键中间层》

=▹

联系我们 CONTACT US!

请添加微信xingminghui15