浙江
編輯/張永堃
頭圖/截自官方視頻
7 月 10 日，螞蟻靈波發布業界首個具身原生世界動作模型 LingBot-VA 2.0。該模型的發布，標志著機器人基礎模型正式從“基于數字世界模型構建”到“面向物理世界原生設計”的關鍵轉變。它代表了具身智能發展的一種關鍵路線選擇：機器人“大腦”不再依托數字世界模型能力的“嫁接”，而是從動態建模、因果預測、實時執行等與環境交互的原始需求出發，進行原生設計。
得益于具身原生架構，LingBot-VA 2.0在真機測試中表現出了出色的執行速度和泛化能力。以下面這個視頻為例，在不依賴任何外部拍攝設備的情況下，機器人就可以完成與人類的多輪隨機對打。
今年以來，世界模型與具身智能怎么融合一直是各方關注的焦點。以終為始，從物理世界的“控制執行”需求出發，就需要持續符合因果規律的“預測能力”。機器人要面對的是一個連續變化的真實世界，不僅要針對當前情況作出反應，還要理解一個動作會引發怎樣的環境變化，并據此決定下一步動作。當前行業主流路線大多依托面向數字內容創作的視頻生成模型，再通過微調的方式適配機器人控制任務。
然而內容創作和機器人控制有著不同的出發點，內容創作更在意畫質和創意，機器人控制則更在意執行效率和預測的合理性。上述這些不同導致數字世界的視頻模型和物理世界的視頻動作模型在設計之初就有各自的能力側重點，強行‘微調’把前者適配成后者會帶來知識遺忘、泛化性下降等副作用。
LingBot-VA 2.0選擇直面問題，探索一條更艱難的路——基于自回歸架構從頭開始預訓練，通過四大核心設計構建原生基模。
首先，模型引入語義視覺-動作分詞器（Tokenizer）作為全新的視覺編碼器，在視覺壓縮過程中加入了語義與動作信息的對齊，使模型在后續的訓練中更容易把“理解指令”轉化為“完成動作”，有助于指令跟隨與提升動作精度。
其次，模型采用嚴格的因果預訓練范式，讓模型從訓練一開始就使用自回歸架構，確保視覺預測和動作生成完全遵循單向時間順序。
然后，引入 MoE 架構，在不犧牲推理效率的前提下有效擴大了模型容量，在性能和效率之間取得平衡。
最后，通過增強的異步推理機制實現實時閉環控制，在機器人執行動作的同時預測未來狀態，并利用最新真實觀測不斷校正下一步決策。基于這些設計，在行業普遍面臨的具身世界模型執行效率低這一問題上，LingBot-VA 2.0給出了單卡150Hz實時推理效率的答卷。
從“干活”的角度出發，機器人需要“看的更清楚”“想的更明白”“干的更利索”。本周，螞蟻靈波已經連續發布和開源了多款模型，包括：面向空間感知的LingBot-Vision和 LingBot-Depth 2.0、面向“一腦多機”的動作模型LingBot-VLA2.0、面向實時交互的 LingBot-World2.0和面向更高推理效率的視頻生成基模 LingBot-Video。上述模型代表著螞蟻靈波在持續探索具身原生需要的細分方向能力，而 LingBot-VA 2.0 作為集大成者扮演了收官之作的角色，也正式開啟了具身原生新階段。
螞蟻靈波CEO朱興表示，一方面靈波將持續探索具身智能新上限，另一方面也將加速構建開放的技術生態和場景生態，助力機器人加速走向產業場景。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
