螞蟻靈波在一場溝通會上給出了對機器人大腦現狀的冷靜判斷：當前行業尚未迎來真正的智慧湧現，技術路線也遠未收斂。CEO朱興和首席科學家沈宇軍認為，機器人大腦可能還沒有走到GPT-1時刻。這一表態與市場對具身智慧的熱度形成反差，也引出了靈波此次一口氣釋出6款模型的核心意圖——不是堆砌數量，而是拆解機器人大腦仍未解決的單點問題。
靈波選擇從物理世界的約束出發，重做模型體系。沈宇軍用一個“開門見貓”的例子解釋了關鍵差異：一扇不透明的玻璃門後面有一隻貓，普通視覺模型能識別貓並描述畫面，但機器人向貓移動時，僅僅“看見”還不夠。它需要理解玻璃門構成了物理阻隔，在門開啟之前，貓處於機械臂無法觸達的空間。數字模型關注畫面裡有什麼，機器人還要判斷距離、遮擋、接觸關係和可達性。語義識別正確，只完成了物理任務的第一步。
與服務於內容創作的影片模型不同，機器人面對的時間只能向前流動。它抓取杯子時，不知道下一秒是否會有人碰到桌子，也不知道杯子會不會滑動。模型只能根據當前狀態預測下一步，並在感測器返回新資訊後修正動作。畫面是否漂亮並不重要，預測需要合理、快速，並且能夠轉化成動作。靈波將這條路線稱為“具身原生”，並從頭訓練LingBot-VA 2.0。公開技術論文顯示，該模型採用因果預訓練、稀疏MoE和非同步推理等設計，服務於高頻、閉環的機器人控制。這種取捨甚至允許預測畫面出現一定變形，只要動作方向正確，感測器會持續提供真實畫面供模型校準。
選擇具身原生路線，首要代價是一場資料長征。朱興直言，千萬小時資料可能也不夠。自動駕駛面對相對明確的交通規則和駕駛任務，而通用機器人需要進入工廠、倉庫和家庭，接觸不同材質的物體，適配不同身體，還要處理事先無法定義的失敗狀態，資料分佈遠比單一駕駛任務複雜。公開論文顯示，LingBot-VLA 2.0的預訓練資料已從第一代的約2萬小時增至6萬小時，其中包括5萬小時機器人軌跡和1萬小時第一視角人類影片，覆蓋17家廠商的20種機器人構型。動作空間也從雙臂擴充套件到頭部、腰部、移動底盤和靈巧手。但6萬小時仍只是起點，靈波更看重資料閉環的速度和質量，下一階段還要補充觸覺、力覺等模態，並與第一視角影片對齊。
商業化層面，靈波把成功率放在速度之前。朱興指出，機器人動作再快，連續失敗幾次後企業仍要安排人員接管，部署難以產生經濟價值。成功率穩定之後，企業才會進一步計算節拍、推理效率和單位成本。基礎模型與後訓練由此形成分工：預訓練被比作培養一名基礎素質很好的大學生，後訓練則將其變成生產工具。基礎模型越聰明、見過的構型和任務越多，後訓練需要補的課就越少。靈波已表示正在與本體廠商推進產業落地，並探索買斷、訂閱和定製等收費方式，但現場未披露可供外界驗證的客戶案例、收入規模和成本模型。
從頭訓練機器人大腦需要長期投入，螞蟻給靈波提供的核心資源包括資金、人才、訓練基礎設施、資料處理能力和場景生態。靈波在此基礎上搭建從空間感知、影片生成、互動世界模型到VLA、VA的全棧模型體系。這套佈局反映了螞蟻對產業格局的判斷：具身智慧仍處於類似“百模大戰”的早期階段，未來可能收斂為少數幾家通用基礎模型提供商。機器人距離大規模進入家庭仍有很長距離，現在類比Windows或Android還太早。觀察螞蟻靈波2.0，更關鍵的指標是它能否持續提高跨任務、跨場景和跨構型的成功率，能否把後訓練成本降到客戶願意支付的水平。物理世界多了一層無法迴避的約束，模型做出的每一個判斷，最終都要由一副真實的身體完成。