# 事件概述
2025年7月，蚂蚁集团旗下具身智能团队“蚂蚁灵波”正式发布全新一代具身原生世界动作模型——LingBot-VA2.0。该模型最大的技术突破在于“从零预训练”：完全摒弃了传统方法中借用大规模语言模型（LLM）或视觉语言模型（VLM）的预训练权重，而是直接从海量物理世界交互数据中学习动作与环境的因果映射。这一路线选择，标志着具身智能领域正从“语言驱动”向“物理原生”范式转变。
# 技术核心：具身原生世界理解
LingBot-VA2.0 的核心创新体现在 **“原生世界动作表征”** 上。传统方案多依赖视觉预训练模型（如CLIP、DINOv2）提取语义特征，再通过强化学习或模仿学习将其映射到机器人动作空间。这种做法存在“语义鸿沟”——模型容易理解物体类别，却难以精确感知物体的重量、摩擦力、形变等物理属性。蚂蚁灵波从零构建的预训练框架，直接对原始传感器数据（深度图、力觉、关节角速度）进行大规模自监督学习，使模型内化重力、碰撞、惯性等物理规律，从而生成连续、平滑且物理一致的动作序列。
# 行业意义：降低对语言模型的依赖
当前业界主流（如Google的RT-2、Figure AI的Helix）均将大语言模型作为“大脑”，通过语言指令驱动机器人行为。然而这种架构在非结构化环境中存在延迟高、对细粒度操作（如拧螺丝、揉面团）反应迟钝等问题。LingBot-VA2.0 以 **“动作原生”** 替代“语言桥接”，在蚂蚁灵波内部测试中，对于需要实时力反馈的精密操作任务（如插拔USB接口、叠放柔性布料），模型成功率较基于VLM的方案提升约37%，且单次推理延迟降至8毫秒以下。
# 产业展望
从行业视角看，该模型的发布可能加速具身智能的 **“物理基础模型”** 竞赛。一旦“从零预训练”的路径被验证可规模化（例如通过百万台机器人跨场景数据共享），现有依赖大语言模型的范式将面临重构。对于蚂蚁集团而言，LingBot-VA2.0 不仅是技术秀肌肉，更可能与其物流、服务机器人业务形成协同——在真实仓储场景中，无需语言标注，仅凭物理交互即可完成货品分拣与堆叠。未来，具身智能或许不再需要“看懂世界”，而是直接“感知并作用于世界”。
