蚂蚁灵波朱兴:具身基模终将收敛至3至5家

2026-11-17 15:31:04
分享
文章提及标的

上证报中国证券网讯(记者温婷)11月中旬的上海张江,15支战队在48小时内用同一套开源预训练模型LingBot-VLA2.0、同一款硬件、统一的任务环境开展真机挑战,让机器人单臂抓果蔬、收化妆品(884272)、双臂协作清扫桌面,这是首届蚂蚁灵波具身大模型挑战赛决赛现场的真实场景。

“行业目前还在快速迭代,尚未迎来具身智能的Scaling Law(规模定律)时刻。”11月16日,挑战赛落幕当天,蚂蚁灵波CEO朱兴在接受记者采访时表示。但他同时认为,从明年开始,产业的应用落地会有一定规模的加速,而这会带来具身智能模型迭代真正的闭环。当下,行业需要更多人参与进来,无论是来自学术界还是来自工业界,这也是灵波开源、办比赛的初衷。他预计,未来中国的具身基础大模型(简称“具身基模”)终将收敛到三至五家,而灵波要做的,是在收敛后的中国具身基模格局中占据一席。

数据价值如何判断?

过去一年,具身智能行业最集中的资源投向了数据。真机、Ego(第一人称视角)、UMI(通用操作接口)、仿真、互联网操作视频,各条路线都在争取“Scaling up”(规模化跃升)的定义权。对于数据价值的判断,朱兴的态度是:每种数据都有价值,但价值高度依赖训练阶段,不存在一条通吃的路线。

“越是靠近预训练,越是以人为中心的互联网操作视频、Ego数据更合适;越是到模型落地干具体任务,比如拆垛、上下料、插拔、物流分拣,越贴近真实任务和机器人物理身体本身的真机数据才能真正发挥作用。”他反复强调,不要轻易锚定某一种数据路线,也不要轻易比拼数据规模。如果数据本身“不懂行”、质量把控不到位,轻易上量就是资源浪费。

在朱兴看来,更关键的是“谁定义数据”。目前,真正意义上的数据需求,掌握在模型厂商或模型训练团队手里,不在供应商,也不在本体厂商。需要什么类型、什么分布、涵盖什么场景和任务,由模型侧定义,采集侧执行。据介绍,蚂蚁灵波更强调定制化采集和流式交付,而非批量采购成品数据。而包括定义需求、把控质量、快速回流训练在内的数据能力,正是基础模型厂商中长期最难被替代的底牌之一。

具身大模型走向何方?

谈及具身大模型未来的产业格局时,朱兴坦言,至少在中国的具身产业领域,物理的基础模型不会有太多玩家。朱兴把具身基模的格局演进类比于大语言模型:“百模大战”之后,真正留在桌上的只有少数几家。他判断,具身智能的第一波收敛可能不会太远——评测机制、模型方式、数据采集标准,都在朝着收敛的方向走,一旦收敛,行业会迎来真正的加速。

但收敛不等于速胜。朱兴强调,具身智能要经历的周期(883436)可能比自动驾驶更长,“先收敛一波,再分裂一波,再收敛一波”。穿越周期(883436)靠三个不变项:优秀的团队,对数据的沉淀和理解,以及包含数据闭环与训练技术在内的基础能力,“哪怕未来技术范式改变,我们要确保自身的基础能力够硬,可以快速赶上,不要下桌。”

近期,以Claude Fable5.2、GPT-6Astra为代表的数字世界大模型在机器人操作评测中表现活跃,行业关于“通用大脑是否会被云端模型接管”的讨论再度升温。对此,朱兴的判断更为理性:通用大模型增强的是任务理解和推理能力,具身基础模型补齐的是物理感知与闭环操作。“机器人在物理世界里面开展工作,最核心的问题还是需要物理基础模型自己去解决。”他同时肯定了通用大模型对具身智能产业的推动,认为其是“1+1>2”的协同关系。

值得一提的是,蚂蚁灵波11月开源的触觉基础模型LingBot-Touch,正是沿着为机器人大脑补齐物理感知的这条路径而进化。该模型基于近5000小时真实触觉数据预训练,覆盖磁触觉、视触觉及压阻式三类主流传感原理,可将其转化为统一的触觉表征,供不同灵巧手与动作模型调用。由此可见,蚂蚁灵波正在持续推动视觉、深度、触觉等多物理模态在统一模型中的对齐。

具身智能商业化进展如何?

对于二级市场而言,具身智能的叙事从来不缺热度,缺的是可验证的商业化信号。对此,朱兴的判断是:目前具身智能行业仍在快速迭代,尚未迎来Scaling Law(规模定律)时刻,但是随着一些技术落地验证和产学研生态的协同,行业进化正在提速。

11月16日,蚂蚁灵波发布开发者生态计划,拟邀请20位蚂蚁灵波最有价值专家,支持教学与学术创新,共育具身智能人才;同时招募40位蚂蚁灵波开发者专家,支持技术实践与专业成长,共建开发者生态。

在他看来,当下,建立开发者生态可以帮助发现模型迭代的高质量需求,同时反哺模型优化,实现双赢。“行业需要更多人进来,无论来自学术界还是来自工业界,这也是灵波开源、办比赛的初衷。”他说。

在2026年9月外滩大会期间,朱兴曾判断,商业场景逐渐跑通之后,从今年下半年到明后年,具身智能的生产力应用有望迎来量级上的快速增长。但他同时划清了边界:现阶段想做一定规模的落地,环境不能太开放,任务不能太冗长。蚂蚁灵波自身的路径选择,也呼应了这种“先收敛场景、再放大规模”的逻辑。

如今,灵波的“一脑多机”基座模型在预训练阶段适配了17个机器人品牌、20余种构型,目标是让同一套智能在不同硬件上复用,降低后训练的场景进入成本。

朱兴告诉记者,当前,蚂蚁灵波的重中之重是把模型的基础能力打磨好。随着商业化探索以及社区交互的积累,当公司到了一定阶段,灵波的商业化团队、集成交付团队,以及生态运营团队,也会根据阶段性的需要,与后台的核心研发板块做好动态配合。“我们不会为了商业化而短期过度干扰核心研发,也不会只封闭起来做研发,而屏蔽了商业化。”他坦言。

在业界看来,在Scaling Law到来之前,灵波选择的不是等待一个通用答案,而是先让“大脑”在有限场景里跑通数据闭环,其目标正如朱兴所说,在中国具身基模3到5家的格局中,“灵波肯定是致力于要做其中一家的”。

免责声明:风险提示:本文内容仅供参考,不代表同花顺观点。同花顺各类信息服务基于人工智能算法,如有出入请以证监会指定上市公司信息披露平台为准。如有投资者据此操作,风险自担,同花顺对此不承担任何责任。
homeBack返回首页
不良信息举报与个人信息保护咨询专线:10100571违法和不良信息涉企侵权举报涉算法推荐举报专区涉青少年不良信息举报专区

浙江同花顺互联信息技术有限公司版权所有

网站备案号:浙ICP备18032105号
证券投资咨询服务提供:浙江同花顺云软件有限公司 (中国证监会核发证书编号:ZX0050)
AIME