和蚂蚁灵波沈宇军聊：机器人原生基础模型、大脑和本体的关系、预训练与数据scale up、老师汤晓鸥

Description

进入2026年，中国科技业萌生了一个新现象：出现一批从机器人大脑出发的公司，现阶段重心不在本体上。这个现象是反直觉的——过去，大家认为，硅谷机器人团队更专注大脑研究，中国机器人团队更专注硬件和本体。

在我们上集节目中，我访谈了Physical Intelligence(Pi)研究科学家柯丽一鸣。Pi是一家在硅谷做机器人大脑的备受瞩目的实验室。业内人士把它们比作机器人的OpenAI。

今天我邀请的是一位在本土探索原生具身基模的公司，是由蚂蚁集团孵化的子公司蚂蚁灵波，目前刚发布第二代具身基础模型。

我与首席科学家沈宇军聊了聊，如何从预训练开始训一个机器人模型？瓶颈是什么？机器人的GPT-1 moment在哪里？——大家也能从中感受一些中美思路的融合与差异。

接下来，就是我对沈宇军的访谈。

OUTLINE:

00:02:03 蚂蚁灵波的缘起
人工智能学生的一段迷茫与辗转
从字节跳动到蚂蚁研究院
蚂蚁成立子公司蚂蚁灵波做具身智能始末

00:16:03 做机器人的原生大脑
为什么决定从大脑开始？
通用意味着跨本体、跨场景、跨任务
24年底成立以后，25年、26年bet了什么？
25年：从真实传感器出发解决问题
26年：既然没办法push数字世界修改模型，基于物理世界的需求重做一遍
预训练准备数据核心是：1、你要下发什么样的任务，2、拿到数据以后怎么处理更干净
这次发布的6个模型和他们的关系（Depth、Vision、VLA、Video、World、VA 2.0）
但更本质的智能我们还没解决：把和人的交互考虑进去
做具身大脑之后，处理位置随机问题的能力强了很多
机器人泛化性的迹象到底出现了吗？

01:07:29 数据没有scale up是最大卡点
具身智能还没有到GPT-1时刻，因为没有看到比较好的做数据scale up的方式
当具身数据和互联网数据能达到相同量级，可能才到GPT-1时刻，我预计明年中
发完第一代模型我们就意识到，强行在数字模型上魔改不work
硅谷两家机器人大脑公司 ：Physical Intelligence强调zero shot，Generalist强调后训练
随着灵巧手的成熟，真机遥操作和UMI（Universal Manipulation Interface，通用操作接口）
两条数据采集路线可能变化
细数2024-2026年具身智能全行业的发展与速度
行业发展不及预期的仍是数据，需要百万小时起步的数据量

01:23:10 机器人大脑与本体的关系
为什么不做本体？本体很难通用，如果场景选不准，本体设计有问题
现在大脑的开发落后于本体，未来大脑和本体一定交替上升
这一代的硬件不一定能够迭代去适应下一代的模型，尤其是传感器
接下来的几代机器人基座模型会如何迭代？

01:31:48 创业是赌出来的、与蚂蚁的关系、汤晓鸥
下过的“赌注”？
蚂蚁如何管理蚂蚁灵波？
最好的预期和最坏的预期？
最终的产业格局？也许贴近大语言模型的格局
你对人形机器人有执念吗？ 没有！
当下的核心任务只有一个：智能不够！
我的老师汤晓鸥

LINKS：
如果你想服用文字版，请搜索我们工作室的公众号：语言即世界language is world。

DISCLAIMER: 本内容不作为投资建议。
CONTACT: xiaojunzhang@lisw.ai
Jump into the new world-and explore with us!😉

Comments

MarkHE1222 2026-07-22

看来看去，还是姚顺雨那期最影响深刻

♥ 95 ↩ 9

哆啦A梦一Doraemon 2026-07-22

具身智能的矛盾：本体进步很快但真正卡住落地的还是智能和数据。灵波押注“具身原生”有一定道理。视频生成在意画质，机器人更在意因果关系、实时反应和动作结果，直接拿数字世界模型改装，确实容易水土不服。不过架构针对物理世界重新设计，不代表已经解决了通用智能。现在展示出的能力更多是位置变化、环境扰动和闭环控制，距离陌生任务泛化还有很长一段路。只做大脑的路线很聪明，也有风险。本体厂拥有最直接的数据，模型又会反过来定义相机、触觉和控制接口。公司可以分开，技术闭环很难真正分开。机器人模型会不会逐渐摆脱“多模态模型加动作头”的思路，形成自己的预训练体系？现在可以说方向值得看，远没到路线胜负已分的时候。

♥ 27