具身智能发展路径分化：告别数字世界“嫁接”，业界探索机器人大脑物理原生新路线

作为人工智能与机器人技术深度融合的最前沿，具身智能被视为继大语言模型之后的下一代人工智能（AI）范式，属于机器人的“ChatGPT时刻”呼之欲出。

然而，依托数字世界模型能力“嫁接”而成的具身智能“大脑”能否完美匹配物理世界？图灵奖得主、AI科学家Yann LeCun（杨立昆）曾在多个场合表达同一观点——真正的智能必须植根于物理世界。

近日，蚂蚁灵波发布业界首个具身原生世界动作模型LingBot-VA 2.0，它代表了具身智能发展的一种关键路线选择：机器人“大脑”不再依托数字世界模型能力的“嫁接”，而是从动态建模、因果预测、实时执行等与环境交互的原始需求出发，进行原生设计。

蚂蚁灵波CEO朱兴向《每日经济新闻》记者（以下简称“每经记者”）表示，具身智能模型复杂性的核心症结在于：实验室环境、数字仿真场景以及各类标准测试基准，均难以完整复现模型在真实物理场景落地运行时遭遇的各类难题。基于此，物理智能领域的技术难题仍需回归物理智能底层路径求解。

具身智能产业面临“落地之困”

在人工智能的浪潮中，具身智能被视为通往通用人工智能的关键一步。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关键桥梁。

据中国机电一体化技术应用协会《2026中国具身智能产业发展报告》统计，2025年全球人形机器人出货量约1.8万台，同比增长508%。其中，中国企业合计占据约74%的出货量份额。2026年，全球具身智能产业或将迎来爆发式增长。

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”即可实现。朱兴在受访时表示，当前行业主流路线大多依托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。这二者从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，可以天马行空；但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“落地之困”，蚂蚁灵波首席科学家沈宇军告诉每经记者，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，语义理解难以转化为物理世界的有效交互约束。沈宇军举例称，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；只有当门打开时，猫才在空间上“出现”。

二是“想得不够明白”。数字世界的视频在生成时就已经知道结局，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。

三是“干得不够利索”，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。

这些问题共同指向一个结论——为数字世界设计的“大脑”，难以直接指挥机器人在物理世界干活。

机器“人”离我们还有多远？

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，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适配的。

硬件与模型的协同适配也为落地增添了阻碍，当前不少方案的模型推理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。让具身智能真正从实验室走向大规模应用，或许远比想象得困难。

针对现有机器人模型在物理世界适应性局限，蚂蚁灵波提出“具身原生”技术范式。沈宇军在受访时详细拆解了这一路径：

第一，模型引入语义视觉—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把“理解指令”转化为“完成动作”，有助于指令跟随与提升动作精度。

第二，模型采用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。

第三，引入混合专家模型（MoE）架构，在不牺牲推理效率前提下扩大模型容量，平衡性能与效率。

第四，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，结合实时观测持续校正决策，搭建适配真实物理环境的机器人“大脑”原生基础模型。

机器“人”离我们还有多远？沈宇军给出了他的答案：以自动驾驶行业为例，用户日常行车行为可持续自动采集、沉淀路测数据。同理，若未来每位普通使用者均可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。

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。

封面图片来源：每经媒资库