具身智能发展路径现分化：告别数字世界“嫁接”，探索机器人大脑物理原生新路径

在人工智能与机器人技术深度融合的前沿领域，具身智能正逐渐崭露头角，被业界视为继大语言模型之后，引领下一代人工智能（AI）发展的新范式，机器人的“ChatGPT时代”似乎已触手可及。

然而，一个关键问题随之浮现：那些基于数字世界模型能力“嫁接”而来的具身智能“大脑”，能否真正适应并完美融入复杂的物理世界？对此，图灵奖得主、AI领域权威科学家Yann LeCun（杨立昆）多次强调，真正的智能必须深深扎根于物理世界之中。

近日，徽声在线获悉，蚂蚁灵波发布了业界首个具身原生世界动作模型LingBot-VA 2.0，这一创新标志着具身智能发展迈出了重要一步：机器人“大脑”的设计不再依赖于数字世界模型的简单“嫁接”，而是从动态建模、因果预测、实时执行等与物理环境交互的原始需求出发，进行全面而深入的原生设计。

蚂蚁灵波CEO朱兴在接受《每日经济新闻》记者采访时表示，具身智能模型复杂性的核心挑战在于，实验室环境、数字仿真场景以及各类标准测试基准，均难以全面复现模型在真实物理场景中运行时所遭遇的种种难题。因此，解决物理智能领域的技术难题，仍需回归到物理智能的底层路径上寻求答案。

具身智能产业遭遇“落地瓶颈”

在人工智能的蓬勃发展中，具身智能被视为通往通用人工智能的关键桥梁。它以物理实体为载体，通过感知、认知、决策与执行的完整闭环，实现机器在真实物理世界中的自主交互与操作，成为连接数字智能与物理世界的纽带。

据中国机电一体化技术应用协会发布的《2026中国具身智能产业发展报告》显示，2025年全球人形机器人出货量预计将达到约1.8万台，同比增长高达508%。其中，中国企业将占据约74%的市场份额。展望2026年，全球具身智能产业有望迎来爆发式增长。

然而，将强大的数字模型能力迁移到物理世界，并非简单的“嫁接”就能实现。朱兴指出，当前行业主流路线大多基于为数字内容创作而设计的视频生成模型，再通过微调来适配机器人控制。但这两者在设计初衷上就存在根本差异：数字内容创作追求画质与创意的极致，可以天马行空；而机器人控制则要求对物理规律的精准预测与毫秒级的执行效率。

针对具身智能产业化进程中面临的“落地瓶颈”，蚂蚁灵波首席科学家沈宇军向徽声在线记者透露，当前技术从数字仿真向物理实体迁移时，存在三大结构性痛点。

一是空间感知精度不足，导致语义理解难以转化为物理世界的有效交互约束。沈宇军举例说明，机器人隔着一扇不透明的玻璃门看到一只猫，在数字世界里它“知道”猫的存在，但在物理世界里，它必须理解自己无法触及猫；只有当门打开时，猫才在空间上“出现”，机器人才能与之交互。

二是“思考不够深入”。数字世界的视频在生成时就已经预设了结局，但物理世界的交互则充满不确定性。机器人落地需要的是基于因果律的、快速的动态预测能力，而非仅仅富有想象力的内容生成能力。

三是“执行不够精准”，实验室环境下的桌面操作数据，无法应对真实工业场景中抬手、弯腰、移动底盘等复杂多变的任务。机器人不可能永远在一个固定的桌面上工作，真实世界的随机性远超预设，这对机器人的执行能力提出了更高要求。

这些问题共同揭示了一个事实：为数字世界设计的“大脑”，难以直接指挥机器人在物理世界中高效工作。

机器“人”时代何时到来？

真实物理环境每时每刻都在发生动态变化，哪怕只是抓取一个放在桌面上的纸杯，桌面的倾斜度、纸杯的位置偏移、周边物体的遮挡等因素，都会对机器人的决策和执行产生影响。这种复杂多变的交互需求，是依托静态训练数据构建的数字大脑很难完全适配的。

此外，硬件与模型的协同适配也为具身智能的落地增添了阻碍。当前不少方案的模型推理速度无法满足机器人实时调整动作的需求，容易出现动作偏差，甚至引发安全问题。因此，让具身智能真正从实验室走向大规模应用，或许比想象中要困难得多。

针对现有机器人模型在物理世界适应性局限的问题，蚂蚁灵波提出了“具身原生”技术范式。沈宇军在接受采访时详细阐述了这一路径的四个关键点：

首先，模型引入了语义视觉—动作分词器（Tokenizer）作为全新视觉编码器，在视觉压缩过程中加入语义与动作信息的对齐，使模型在后续的训练中更容易将“理解指令”转化为“完成动作”，从而提高指令跟随的准确性和动作精度。

其次，模型采用了严格的因果预训练范式，从训练初始便使用自回归架构，确保视觉预测和动作生成完全遵循单向时间顺序，从而提高模型的预测准确性和实时性。

第三，引入混合专家模型（MoE）架构，在不牺牲推理效率的前提下扩大模型容量，平衡性能与效率，使模型能够更好地处理复杂任务。

最后，依托增强异步推理机制实现实时闭环控制，机器人在执行动作时同步预判未来状态，并结合实时观测持续校正决策，从而搭建起适配真实物理环境的机器人“大脑”原生基础模型。

那么，机器“人”时代究竟何时到来？沈宇军给出了他的见解：以自动驾驶行业为例，用户日常行车行为可以持续自动采集、沉淀路测数据。同理，若未来每位普通使用者都能参与机器人的数据共建过程，这或将成为行业极具里程碑意义的跨越式进步，推动机器“人”时代早日到来。

免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。