夜雨聆风点击下方卡片，关注“具身智能之心”公众号
"如果机器人有性格的话，你希望它是什么性格？"
"我希望它是个J人。"
"它好干活。"
"对。我觉得它核心还是要实用。如果在提供情绪价值和干活之间，我会果断地选择干活。"
这段对话来自张小珺和蚂蚁灵波科技首席科学家沈宇军将近2小时的访谈。
insights很多，我们梳理出了一些值得分享的判断，希望和业界探讨：
1
Token世界和物理世界的不同逻辑，具身一定会有自己的模型。
2
交互过程中产生智能，看得更清楚、想得更明白、干得更利索。
3
"大脑"的边界，要延伸到身体。模型必须从一开始就把"身体"当作变量纳入建模，而不是把身体当作训练好模型之后再去适配的执行器。
4
模型的起点是"原生"，终点是"成长"。当前最大的瓶颈是数据，而且这个问题短期内解决不了；预训练模型只是起点，模型需要一套"成长体系"来迭代。
灵波科技这家公司成立不到两年，背后是蚂蚁集团的孵化。在当前的具身智能行业里，它的位置有些特殊，专注机器人大脑，现阶段重心不在本体上。这个选择在过去不太常见。
行业一度有个模糊的共识：硅谷团队更专注大脑研究，中国团队更擅长硬件和本体。但灵波早在2025年初就明确选择专注做“大脑”。进入2026年，越来越多中国公司开始从"大脑"切入，这个变化值得留意。
沈宇军最近做的事，让灵波在这个群体里显得更特殊了一点。
2026年7月，他们发布了第二代具身基础模型，核心模型全部从零开始训练，没有复用任何数字世界的预训练模型。
在一个普遍"站在巨人肩膀上"的行业里，有人选择了从地基开始挖。
今天，我们把沈宇军对这个选择的思考，梳理成了四层。
本篇文章是具身智能之心原创，转载请联系我们。
01 .
Token世界和物理世界，是两套逻辑
复用一个现成的LLM或多模态模型，加一点机器人数据做微调，这是很多具身团队的标准操作。沈宇军一开始也这么想。但随着模型进入真实场景，团队越来越明确"具身一定会有自己的模型。"
这句话的核心论据是：语言模型处理的是token世界，而机器人面对的是一个连续变化的物理世界。这两套逻辑，底层就不一样。
语言模型做的是"概率预测"，给定上文，预测下一个token。它不需要知道自己的身体在哪里，不需要知道这个动作做下去会不会撞到东西，不需要在"预测"和"执行"之间做实时权衡。
但机器人需要。每一个动作都会产生后果，每一个后果都需要被感知和回应。
沈宇军说“语言模型是让机器人听懂指令是什么，但具身智能更多需要解决的是怎么把一件事情做好。”
他还说，"做好本身是不需要再理解语言的。"
这里他还做了一个分层：语言解决的是意图理解，"你要做什么"；而具身模型解决的是意图实现，"怎么把这个动作做利索"。
两者当然有接口，但底层的建模逻辑完全不同。
所以"Robot Native Foundation Model"的成立前提是：如果你建模的对象是"连续物理空间中的实时动作序列，那token世界的建模方法，天然不匹配”。
这个判断不是凭空来的。
灵波早期尝试的做法，是把数字世界的模型拿过来，在上面适配出机器人的动作能力。做到后面沈宇军发现，很多物理世界必要的特性，比如实时响应、单向时间建模，在数字世界的模型上强行改，不仅代价高，而且效果有限。
沈宇军说："数字世界的模型开发的初衷跟物理世界的需求不匹配，你没办法push他们去改，人家有自己的逻辑，也有自己的应用场景。"
所以灵波在第二代模型中，选择在与物理世界直接交互的关键环节重做基础能力。
语言模型继续用，因为"语言层面数字世界跟物理世界区别不大"。但视觉感知、空间理解、面向具身智能的视频生成等模块，则根据物理世界的需求重新设计。
02 .
从VLA到VLTA：交互中产生智能
有了"独立建模"的判断，下一个问题自然浮现：如果机器人模型不能复用现有范式，那它应该增加什么？
业界流行的VLA把视觉、语言、动作串在一起。
沈宇军认为这个框架还不够完整。他提出一个更完整的视角：机器人智能产生于交互过程。
"交互"意味着三个同时发生的事：视觉告诉你"看到了什么"，语言告诉你"要做什么"。但真正决定动作成败的，是另外两个信息：当前的身体状态（关节角度、受力情况）和环境反馈（有没有碰到东西、目标有没有被抓起）。
他把这个思路概括为"看得更清楚、想得更明白、干得更利索"。三个层次对应三种能力：空间感知、任务理解、动作执行。这三个能力需要的输入形态完全不同。
空间感知需要的是几何信息：距离、深度、边界。
沈宇军举了一个非常形象的例子。
阳台上有一扇玻璃门，门外面有只猫。数字世界的语义模型看到猫就知道"那是猫"。但这个信息对机器人来说不够，甚至是有害的。如果它不知道前面有一扇玻璃门，它会直接撞上去。
灵波新训练的深度模型能看到玻璃边界。玻璃门关着的时候，猫在模型里是"看不到的"；门拉开，猫才逐渐"出现"。语义模型不会区分"隔着玻璃的猫"和"敞开门外的猫"，因为对语义理解来说这没有区别。但机器人必须区分，否则它会撞上去。
"能看见和能碰到，在物理世界里是两回事。"沈宇军说。
所以他把视觉模型从语义理解方向掰到了几何理解方向：从"点、线、面、边缘"出发重新训练，不再依赖DINO这类擅长语义的预训练模型。
动作执行层面同样需要"交互信息"。灵波第二代模型的一个重要升级是把自由度从"双臂+夹爪"扩展到了带头、带腰、带底盘。为什么？因为在真实场景里，机器人需要抬头看高处的架子、弯腰捡地上的东西、移动底盘去够更远的目标。
"第一版模型只支持双臂和夹爪，没有头、没有腰、没有底盘。这些自由度我们一开始根本没考虑到。"
这些"额外"的自由度本质上是在为交互服务。机器人"看"到高处的目标，需要抬头才能调整视角；"感觉"到够不着，需要移动底盘才能接近。
沈宇军认为，触觉、状态、动作这些"交互信号"需要和视觉、语言一起进入模型（比如VLTA这种），而不应该被当作后处理。
03 .
"大脑"的边界，要延伸到身体
从VLA到VLTA的扩展之后，沈宇军聊了第三个问题：为什么模型必须"原生"？
答案是：因为智能的载体是"身体"，而身体不只是执行终端。
沈宇军举了一个很细节的例子来说明这个问题。第一代灵波模型在实验室里表现不错，能完成桌面上的抓取任务。但拉到真实场景测试时，问题暴露了：机器人在固定高度做动作没问题，但如果需要从高架子上拿东西，手抬起来之后，头部相机的位置就不对了。
要么看不见目标，要么视角被遮挡。
"你训练的数据里没有'抬头'这个动作，模型就不知道要在执行过程中调整头部视角。"
这个问题的本质是：身体状态和智能决策是同时发生的，而不是先决策、后执行。 模型在生成动作序列的时候，必须同时考虑"当前身体处在什么姿态"以及"下一个动作需要身体怎么配合"。
如果模型在设计之初就没有把身体自由度纳入建模空间，后期再怎么"加头加腰"，它还是不知道这些部位该怎么协同。
灵波第二代模型从九种构型扩展到二十多种，数据从两万小时增加到六万小时，支持带头、带腰、带底盘、带末端执行器。
沈宇军说这个升级的直接驱动力来自落地过程。"落地的时候我们会发现，机器人做很多动作不是在固定高度做的。它可能需要从架子上拿东西，需要抬手。抬手的时候，头到底应不应该看？如果头部相机失效了，能不能只用腕部相机？这些东西在第一版模型预训练的时候完全没有考虑。"
这些"身体问题"听起来琐碎，但它们决定了一个模型能不能从实验室走进现实。沈宇军说，他们正是通过跟行业接触、做落地尝试，才发现"模型迭代有那么多方向，到底什么是最重要的"。
这个答案是由身体和场景共同定义的。
所以"原生"的核心不是技术炫技，而是：模型必须从一开始就把"身体"当作变量纳入建模，而不是把身体当作训练好模型之后再去适配的执行器。
04 .
模型的起点是"原生"，终点是"成长"
模型训出来了，问题还没结束。沈宇军对未来有两个判断。
第一个判断：当前最大的瓶颈是数据，而且这个问题短期内解决不了。
灵波第二代模型用了六万小时训练数据，比第一代的两万小时翻了三倍。但沈宇军说"远远不够"。
"具身数据和互联网数据比，差两个数量级。"他认为具身数据至少要做到百万小时起步，才能和互联网数据相对平衡。"
当具身数据本身可以做scale up的时候，或者说能至少跟互联网达到相同量级的时候，可能是GPT-1时刻。
什么时候能到百万小时？他无法预判，但他说可能会比预期来得快。
因为基建上来了，模型开发效率高了。"从机器人的GPT-1到ChatGPT，不一定需要语言模型那么长时间。"
但数据不只是"量"的问题。沈宇军反复强调"分布"。本体构型是一种分布，任务类型也是一种分布。如果数据里百分之九十没用到头，只有百分之十用了头，模型就倾向于"不怎么动腰"。所以数据怎么采、任务怎么下发，是比"量"更难解决的问题。
灵波目前的策略是以真实数据为主，仿真数据更多用在任务明确、环境相对固定的场景上。"仿真数据可以瞬间生成大量，但分布会相对同质化。柔性物体、撕塑料袋这类操作，物理引擎还需要时间。"
另一个被忽视的环节是"数采员"的水平。"越复杂的任务，能完整、丝滑做下来的数采员就越少。动作不丝滑，你没办法修丝滑。模型学到的就是卡顿的操作方式。数采员这个行业也在进化。"
第二个判断：预训练模型只是起点，模型需要一套"成长体系"来迭代。
沈宇军提到，灵波在落地环节加入了"纠正强化"。让机器人在任务执行中犯错、被纠正、变得更好。这部分没有体现在开源技术报告里，但它是从"模型能跑"到"模型能干好活"的关键一步。
他把"成长体系"拆成两个方向：一边探索智能上限，一边抓落地。落地过程中发现"哪里不行"，反过来驱动模型迭代的方向。
"模型还很早期，它可能有十个八个需要迭代的方向。精力有限，不可能全面开花。哪一点先做，反而由落地来决定。"
05 .
写在最后
回到开头那个问题。沈宇军希望机器人是个J人：能干活、不废话、把事情做完。这个期待和他对模型的判断是一脉相承的。
蚂蚁灵波押注的是机器人时代的基础层：一套为物理世界原生设计的模型体系。
这个押注包含四层判断：物理世界需要独立于token世界的建模方法；交互过程中的状态和反馈需要和视觉、语言共同进入模型；模型的边界必须延伸到身体；预训练之后还需要一套数据体系和成长体系来持续迭代。
四层判断的共同底色是：机器人的智能，不是从数据里"学"出来的静态知识，而是在跟物理世界持续交互中"长"出来的能力。 如果这个判断成立，那今天的VLA、多模态、LLM微调，都只是过渡方案。终局是一套完全为物理世界设计的系统：从传感器到模型架构到数据体系，全部重新定义。
沈宇军说这个判断"值得一赌"。"如果数字世界那条路走不长远，这是必经之路。如果不是我们走通，也会有人走通。"
具身智能的数据规模还没到量级，GPT-1时刻还没来。但灵波已经在为那个时刻打地基了。这条路走不走得通，时间会给出答案。
END
「点赞」「转发」「❤️」
欢迎在评论区分享你的想法！
🌟 点亮星标 🌟
关注具身智能的最新动态
