蚂蚁灵波在一场沟通会上给出了对机器人大脑现状的冷静判断：当前行业尚未迎来真正的智能涌现，技术路线也远未收敛。CEO朱兴和首席科学家沈宇军认为，机器人大脑可能还没有走到GPT-1时刻。这一表态与市场对具身智能的热度形成反差，也引出了灵波此次一口气发布6款模型的核心意图——不是堆砌数量，而是拆解机器人大脑仍未解决的单点问题。
灵波选择从物理世界的约束出发，重做模型体系。沈宇军用一个“开门见猫”的例子解释了关键差异：一扇不透明的玻璃门后面有一只猫，普通视觉模型能识别猫并描述画面，但机器人向猫移动时，仅仅“看见”还不够。它需要理解玻璃门构成了物理阻隔，在门打开之前，猫处于机械臂无法触达的空间。数字模型关注画面里有什么，机器人还要判断距离、遮挡、接触关系和可达性。语义识别正确，只完成了物理任务的第一步。
与服务于内容创作的视频模型不同，机器人面对的时间只能向前流动。它抓取杯子时，不知道下一秒是否会有人碰到桌子，也不知道杯子会不会滑动。模型只能根据当前状态预测下一步，并在传感器返回新信息后修正动作。画面是否漂亮并不重要，预测需要合理、快速，并且能够转化成动作。灵波将这条路线称为“具身原生”，并从头训练LingBot-VA 2.0。公开技术论文显示，该模型采用因果预训练、稀疏MoE和异步推理等设计，服务于高频、闭环的机器人控制。这种取舍甚至允许预测画面出现一定变形，只要动作方向正确，传感器会持续提供真实画面供模型校准。
选择具身原生路线，首要代价是一场数据长征。朱兴直言，千万小时数据可能也不够。自动驾驶面对相对明确的交通规则和驾驶任务，而通用机器人需要进入工厂、仓库和家庭，接触不同材质的物体，适配不同身体，还要处理事先无法定义的失败状态，数据分布远比单一驾驶任务复杂。公开论文显示，LingBot-VLA 2.0的预训练数据已从第一代的约2万小时增至6万小时，其中包括5万小时机器人轨迹和1万小时第一视角人类视频，覆盖17家厂商的20种机器人构型。动作空间也从双臂扩展到头部、腰部、移动底盘和灵巧手。但6万小时仍只是起点，灵波更看重数据闭环的速度和质量，下一阶段还要补充触觉、力觉等模态，并与第一视角视频对齐。
商业化层面，灵波把成功率放在速度之前。朱兴指出，机器人动作再快，连续失败几次后企业仍要安排人员接管，部署难以产生经济价值。成功率稳定之后，企业才会进一步计算节拍、推理效率和单位成本。基础模型与后训练由此形成分工：预训练被比作培养一名基础素质很好的大学生，后训练则将其变成生产工具。基础模型越聪明、见过的构型和任务越多，后训练需要补的课就越少。灵波已表示正在与本体厂商推进产业落地，并探索买断、订阅和定制等收费方式，但现场未披露可供外界验证的客户案例、收入规模和成本模型。
从头训练机器人大脑需要长期投入，蚂蚁给灵波提供的核心资源包括资金、人才、训练基础设施、数据处理能力和场景生态。灵波在此基础上搭建从空间感知、视频生成、交互世界模型到VLA、VA的全栈模型体系。这套布局反映了蚂蚁对产业格局的判断：具身智能仍处于类似“百模大战”的早期阶段，未来可能收敛为少数几家通用基础模型提供商。机器人距离大规模进入家庭仍有很长距离，现在类比Windows或Android还太早。观察蚂蚁灵波2.0，更关键的指标是它能否持续提高跨任务、跨场景和跨构型的成功率，能否把后训练成本降到客户愿意支付的水平。物理世界多了一层无法回避的约束，模型做出的每一个判断，最终都要由一副真实的身体完成。