蚂蚁灵波拟融资 15 亿后：不押注本体的机器人公司，市场在为什么定价？

一颗机器人大脑值多少钱？

文丨江思远

采访进行到一半，一位记者讲起他上周在浙江看到的场景。一间仓库里，机器人叉车正把货物从架子上取下来。同样的动作，工人三十秒能完成，机器人要一分钟还多，遇到没见过的情况，它会停下来，似乎是在想什么。

问题被抛给台上：装了大脑的机器人，什么时候能追上人工？

“脱离成功率谈效率，意义不大。” 蚂蚁灵波 CEO 朱兴回答。在他看来，慢是一个确定性的技术问题，因此一定有解法，更关键的是机器人能不能把任务完成，这意味着机器需要对广泛复杂的真实世界有很强的理解力，或者说泛化能力，而按照蚂蚁灵波的观点，泛化的挑战本质来自数据。

这是 7 月蚂蚁灵波的一场闭门沟通会。这家蚂蚁集团旗下的具身智能公司连续发布了六款模型，覆盖视觉、空间感知、VLA、世界模型和世界动作模型。再算上今年早先发布的，成立一年半的灵波已经拿出了十余款模型，组成了 1.0 和 2.0 两代全栈大脑，其中包括行业首个具身原生世界动作模型 LingBot-VA 2.0。

日前，灵波也正式宣布启动首轮融资，拟募资 15 亿元，并计划在今年年底前推进第二轮融资。这也把一个问题推到了台前：当一家公司不押注机器人本体，资本究竟在为什么定价？

最直接的参照来自海外。Physical Intelligence 和 Skild AI 都不以制造机器人硬件见长，却凭借跨本体模型和物理智能获得高估值。与此同时，即使是以本体和运动控制见长的宇树，也已将具身智能模型和机器人大脑研发列入 IPO 募投方向。

“大脑”，是过去一年具身行业最热的词。

但在 2024 年底蚂蚁灵波成立时，行业的资金和注意力还更多集中在本体与小脑。它当时选择专注机器人大脑。进入 2026 年，随着具身行业的焦点逐渐转向智能层，这个一度逆向的选择开始显出前瞻性。

语言是有局限的。李飞飞在那篇 From Words to Worlds 里将 LLM 描述成一个 “黑暗中的词匠”：雄辩但缺乏经验、博学但缺少根基。她引用维特根斯坦的话，反证物理 AI 是一个可以将我们的想象力、感知和行动串联起来的技术，将为人类开辟更多的可能性。

从 OpenAI 成立机器人团队，到英伟达扩展 Cosmos 和 GEAR 等物理 AI 模型，大公司正在补上从语言到物理世界的这一层能力。

对蚂蚁而言，做机器人大脑也有业务和技术两层原因。朱兴对晚点说，蚂蚁做具身背后就是围绕集团 “生活服务” 的业务脉络，即 “在不同时代里，用科技让生活更好”。而在人工智能时代，数字服务必然要走进物理世界，那么届时蚂蚁要更好服务客户，就必然要有对物理世界的理解和服务能力。

更直接的则来自 “技术洞察”。过去机器人的智能发展分成了不同的阶段——行业普遍认为的 “机器人元年” 是在 2014 年，以协作机器人等载体为核心，强调规则驱动，在单一任务上追求鲁棒性；而今天行业谈论最多的 “具身智能元年” 则是在 2023 年，在 GPT-3.5 带来 LLM 技术突破后，行业看到了机器人更高的智能上限。

而即便在 2023 年之后，具身智能的发展路径上也存在 “大小脑” 的架构分野。虽然行业对大小脑的边界尚无统一共识，但通常来说大脑背后是带有语义理解、逻辑推理等能力的认知决策模块，而小脑则是以 Manipulation（操作）和 Locomotion（移动）等运动与姿态控制见长的执行模块，例如宇树在春晚的醉拳表演、荣耀在亦庄马拉松霸榜，都是运控发展的典范。

一方面，朱兴说，过去两年具身行业在本体硬件和运控方面取得了瞩目的进展，“如果没有小脑的发展，大脑连验证的前提都没有”。但另一方面，朱兴同时认为，物理智能要服务好人，今天最核心的卡点恰恰就是大脑。

一只够不着的猫

首席科学家沈宇军解释灵波的技术出发点时，讲了一个非常形象的例子，叫 “开门见猫”。

一扇玻璃门，门后有一只猫。在数字世界的模型看来，这就是一只猫，识别、描述、生成，都不成问题。但对一个真的要走过去的机器人来说，这只猫 “不应该存在”，因为隔着玻璃。只有当门被推开，猫才在机器人的深度感知里一点点显形。

“从传感器层面，数字世界和物理世界就是天然不一样的。” 沈宇军说。数字世界里，对语义的理解往往就够了，比如屋里坐了多少人，看到即可。但物理世界逃不开另一层问题——人和人隔多远，谁在谁后面，我要走多少步才能到。

大脑比小脑破局更晚，主要原因还是数据。相比于大语言模型几乎吞噬掉互联网的数据储备，物理 AI 的数据量和模型参数相对较小，但要理解的世界复杂度却指数级变高。

今天行业里的机器人演示视频，绝大多数是桌面操作：一张实验台，一对机械臂，物体摆在固定的高度。但在实际场景中，机器人经常需要抬手够一个东西，弯腰把一个东西取出来，胳膊不够长时还得挪一下底盘，这些动作对应的数据，实验室里根本没有。在蚂蚁灵波已经落地的药房场景里，柜台的玻璃和注射液的包装都是透明的，绷带是软的，商品摆放则特别密集。

这些具体的麻烦与对数据的判断，构成了灵波选择技术路线的基础。

行业里主流的大脑方案大致分两类：一类是 VLA，从多模态大模型迁移而来，起点较高，是落地跑得最快的路线；另一类是世界动作模型（WAM），基于视频生成模型改造，长于对未来的动态预测。

两条路线虽然不同，却大多继承了数字世界模型的起点：VLA 通常建立在 VLM 之上，现有 WAM 也多由通用视频生成模型改造而来。当模型从生成语言、图像和视频，转向在真实世界中完成任务，一个新的问题随之出现：面向数字内容设计的模型底座，是否足以支撑物理世界的感知、预测与行动？

灵波选择自己从头搭建底座，并将这一技术选择称为 “具身原生”：不直接把数字世界的模型改造成机器人的 Agent，而是从物理世界的需求出发，重新设计数据、训练目标和模型架构。

沈宇军解释，现在的世界动作模型大多由通用视频生成模型改造而来，但数字世界内容生成与物理世界机器人控制的首要目标并不相同：前者追求画面清晰和想象力，后者更在意预测是否符合物理规律、推理能否足够快。朱兴打了个比方：两边的第一需求不一样，就像 “两个人性格不合，长期在一起还是要出事情的”。

数据层面，灵波对单纯依赖仿真也持谨慎态度。朱兴对晚点说，这是鸡生蛋和蛋生鸡的关系，如果有足够强大的仿真数据，那必然意味着足够强大的仿真模型，“那其实什么问题都解决了。” 所以灵波也一直押注真实数据的 scaling 和采集成本的持续降低。

海外不少团队虽然没有明确提出类似的概念，但其实也是沿着 “具身原生” 的道路去探索，比如 Generalist 在大量 UMI 等数据上，从 0 预训练出 GEN-1，Cosmos 3 则追求建立一个未来有潜力为物理 AI 服务的世界模型基础体系。

按照灵波的定义，LingBot-VA 2.0 是行业首个具身原生世界动作模型。它不是在现成的 LLM 或通用视频模型上继续微调，而是从语义视觉—动作 VAE、单向因果建模到 MoE 架构，都按照机器人在物理世界稳定可靠干活的需求重新设计，并从头完成预训练。

灵波正在 “把具身原生变成能力”，沈宇军说。

押注 “大脑”

如果说 LingBot-VA 2.0 是 “具身原生” 的阶段性结果，“全栈大脑” 则是灵波抵达这一结果的方法。

灵波把从视觉、空间感知，到世界预测和动作执行的模型布局称为 “全栈大脑”。

按照沈宇军的观点，在具身智能技术尚未收敛的阶段，全栈是一种便于定位问题的路径：如果一开始直接朝统一模型推进，当每一块拼图都不完整时，模型一旦训练不出来，就很难判断究竟是哪一环出了问题。

具体而言，VLA 在真实环境中执行任务，需要更准确的空间感知，所以他们做了 LingBot-Depth；WAM 理解和预测动作如何改变世界，需要更符合物理规律的视频生成底座，所以他们从头训练了 LingBot-Video，并通过 LingBot-World 2.0 探索长时间、交互式的单向因果世界预测，相关技术探索随后在 LingBot-VA 2.0 中汇合。

“全栈背后是一种对模型要解决问题的分层”，朱兴对晚点说，在他看来，这种 “全栈” 路线甚至不是一种选择：“因为问题就摆在那里，不做也得做。”

“一家成立不到两年的团队，凭什么半年发十款模型？” 发布会上，有记者把这个问题原样抛了出来——蚂蚁之前似乎没有多少具身积累，“具身模型的门槛这么低吗？”

朱兴的回答分了两层。

第一层是时间。灵波 2024 年底注册落户上海浦东，但具身方向的技术探索在蚂蚁技术研究院时期就已开始，沈宇军当时就在其中带队做视觉研究。灵波成立时，这批技术骨干和年轻科学家整建制地转了过来。2025 年上半年，公司的主要工作是招聘、数据准备和技术基建。年底交出 1.0 系列，今年上半年做模型投产，再叠加具身原生方向的突破，才有了这次的 2.0。

第二层，也是更重要的，是 infra。这也是大厂做大脑的天然优势。蚂蚁旗下的百灵团队训练过 1T 参数规模的开源大模型。这意味着灵波背后可依托的，是一整套支撑大规模预训练的底层能力：算力、存储、数据处理、预训练的工程体系。一家新创业公司临时搭不起这套东西，而蚂蚁集团的 CTO 何征宇（花名梁纥），此前长期负责的正是蚂蚁的基础设施。

灵波内部将 infra 分了很多层。沈宇军表示，除了 infra 集群外，灵波从头自建了一套 data infra 的能力。数据从外采入，送入模型训练。训练完后，灵波便可以用模型去反推指导数据如何采集。这套数据闭环关注的一个关键指标，是上述链路完成一轮迭代需要多长时间，灵波内部将这段迭代周期称为 Latency。通过压缩 Latency，灵波可以实现数据和模型更快速地迭代。

但其实模型与 infra 之间的边界也是流动的。

一方面，模型需要 infra，甚至训练模型本身经常会成为一家科技公司 infra 的压力测试；另一方面，模型本身也可能成为 infra 的一部分，甚至一个模型会成为另一个模型的 “基础设施”。

比如英伟达的 Cosmos 3 就既可以被看作是未来 WAM 的骨干网络（Backbone），也可以成为更多端侧具身模型的训练平台；而谷歌的 Gemini Robotics 系列，则是从一开始就直接构建在 Gemini 通用大模型之上。

这从侧面继续印证了具身目前处在较早的智能阶段。在早期，一个完全端到端的具身智能模型更像是一个远期的愿景。而英伟达和谷歌，走的是叠加路线；而灵波同时走叠加 + 拼图的路线。

今年 1 月灵波发布了 4 个模型，7 月发布了 6 个，朱兴表示，下一次发布的模型数量可能会进一步增长，探索诸如跟触觉相关的模型，但再往后会逐渐减少。“因为能够拼起来的东西越来越多了。”

而未来合成的那个 “统一模型”，按照沈宇军的设想，将会是一个 “具身原生” 的模型。这个概念背后对数据、架构的理解，正在成为行业的共识——物理 AI 其实需要属于自己的预训练模型作为起点。

从跨本体到数据飞轮

灵波给自己的硬件定位划了一条线：会根据模型迭代的需要探索一些本体能力，但不押注本体，在大脑和硬件之间保持中立。

这条线画在了行业争论最激烈的地方。过去两年，“软硬一体” 是具身行业的主流叙事——自己的模型配自己的本体，数据在体内闭环。但最近的趋势是，单独做大脑的力量在变多，谷歌的 Gemini Robotics、英伟达的 GR00T，以及一批放弃自研硬件的初创团队，都在让大脑向不同本体和构型泛化。

灵波的解法是，把跨构型的泛化问题直接放进预训练。

“预训练已经见过这些类型构型对应的物理真实数据。当灵波的模型在某一种构型上用的时候，它只要在这个列表里面，模型天然已经熟悉了这个身体，因为预训练见过了。” 朱兴说，灵波希望在预训练阶段去解决更多 “跨构型” 的泛化问题。这意味着，在训练过程中，生态伙伴给的数据越多，在预训练阶段对相关构型的适配就会越好，落地的成功率会更高、后训练成本会更低。因此反过来鼓励了生态合作伙伴，向大脑提供更多的数据。

这像是一种由技术规律耦合起来的产业生态合作关系。

乐聚智能告诉晚点，基于 LingBot-VLA 2.0 模型、接入乐聚工具链——只需要约 300 条数据，微调 1～2 天，就能跑通场景测试。而这部分归功于灵波模型使用了乐聚真机采集的数据开展训练，让模型在 “夸父” 本体上适配速度更快、作业成功率更高。

在 2026 年 WAIC 展台，乐聚、星尘和蚂蚁灵波自研 R-2 三台机器人，在 LingBot-VLA 2.0 的驱动下根据随机订单自主分工，连续完成接单、取货和交付。而这一整套系统不止是 demo，而是已经在国大药房上海门店落地交付的解决方案。

而一个模型三台机器的 “一脑多机”，其实代表了灵波在跨本体泛化上取得了看得见摸得着的进展，也可以看作是对过去软硬一体行业叙事的一种回应。

蚂蚁灵波更像是在种一片具身的 “蚂蚁森林”：它自己不长成最高的那棵树，而是为整片森林提供土壤的养料——大脑作为底座输出给生态，生态回流的数据又反过来滋养大脑。种得越多，森林越密，土壤越厚，森林会更有生命力，未来再孵化出更多的子生态。

朱兴说，灵波正在致力于建立两个 “生态”。一边是数据，通过自采理解场景和采集流程，再与数据服务商合作扩大规模；另一边是本体，LingBot-VLA 2.0 已覆盖 17 家厂商的 20 余种机器人构型，不同硬件和场景带来更多元的数据分布与极端样本。

朱兴告诉晚点，今天具身落地首先要解决的是 “成功率” 问题，再往后才是效率的问题。因此如果能够帮助更多具身厂商落地工厂，相当于是帮助具身行业走向 PMF （ 产品市场契合，Product-Market Fit）的关键一推。

有百亿级具身公司创始人告诉晚点，“找到 PMF 场景”，今天其实是重要性不亚于 “找到技术路线” 的事情。具身行业如果迟迟不能证明自己的 PMF 能力，数据转不起来，资本的信心也会受到打击。

类似的发展格局，其实在过去发生过无数次——万维网、安卓、ARM，它们都切中了各自时代与行业的 “灵魂问题”，再通过多样性天然带来的更好的兼容性和中立性，换取了最大的生态包容性。

蚂蚁灵波也正在成为中国具身生态重要的开源贡献者。发布的模型中，绝大部分都实现了很高自由度、高权重的充分开源。不仅如此，在开源 LingBot-Depth 的同时，灵波还开源了 300 万对高质量 RGB- 深度配对数据集，LingBot-VLA 甚至开源了完整后训练工具链。

“我们也更愿意把评价权交给社区”，沈宇军曾对媒体表示，灵波的态度是，“模型、代码、权重、数据集都开源了，好不好用，由社区来给出真实判断。”

具身大脑的 “中国方案”

朱兴是 2011 年加入支付宝的老员工。前十几年做技术，“更多是在做确定性问题的求解”；后来转去做了两年业务，问题的不确定性陡然变大。他亲历过支付宝从线上走向线下、二维码支付逐渐普及的过程，他从那段经历里带出来一句话：越是在早期，越应该本着第一性原理，做难而正确的事。

多位头部具身公司从业者对晚点表示，中国在物理 AI 有 “得天独厚” 的优势。一方面，中国有全球最好的供应链、最强的小脑运控，在硬件本体制造方面领先全球；另一方面，作为 “世界工厂”，中国有最丰富的场景给大脑持续产生数据。而在 AI 智能方面，中国的人才密度和人才质量仅次于美国；在具身投资方面，中国的本体公司甚至已经有了反超美国的趋势。

与 AI 应用不同，具身行业的 PMF 不止是钱，还有在一个单点验证的场景中包含了 “数据循环”、“收入循环”、“本体规模扩大” 三个要素在内的组合：更多机器人进入场景，产生更多数据；数据提高模型能力，模型再降低下一次部署的成本。

蚂蚁灵波希望通过一个大脑底座，将中国的具身优势组合起来。

这与支付宝过去的道路有一定的相似性，即双方走的都是从 infra 到生态的道路——前者以支付作为 infra，发展出面向不同场景的支付生态。而支付孕育了支付生态，支付生态反过来壮大了支付业务。后者则以具身大脑为基础，更好的大脑可以孵化更多具身的落地场景，场景生产数据，又反过来增强了大脑能力，形成一条本体-数据-模型的闭环。

沈宇军承认，通往具身智能 AGI 的路还很遥远，目前行业也只是看到了 “scaling” 的生态潜力。

但这恰恰是李飞飞那句判断的意义所在——词匠们在黑暗中雄辩，但机器人需要的是躬身入局，具身大脑要进入世界才可以理解世界。行业今天需要的可能更多是为未来的具身智能一锄锄地翻好土、播好种，最后把答案交给时间。但行业焦点的变化已经给出了一个阶段性答案：像蚂蚁灵波这样更加专注于大脑路线的技术团队，正在成为具身智能发展中不可忽视的力量。

题图来源：蚂蚁灵波