蚂蚁灵波的“第三条路”：为什么它开始重新审视 VLA 和 WAM- 大数跨境

首页

蚂蚁灵波的“第三条路”：为什么它开始重新审视 VLA 和 WAM

机器人产业应用

2026-10-12

导读：蚂蚁灵波如何走出“第三条路”？

作者：余柯

上一篇蚂蚁灵波的文章，我们把它的路线概括成一句话：不把本体量产当主战场，而是押注“一脑多机”的通用机器人大脑（原文：蚂蚁灵波深度解读｜不把本体当主战场，蚂蚁为什么押注“具身原生大脑”？）。但那篇文章其实留下了一个更关键的问题：如果真正值钱的是“大脑”，这个大脑究竟应该从哪里长出来？

9 月的外滩大会之后，灵波把答案说得更明确了。过去行业讨论最多的是 VLA 和 WAM。灵波 CEO 朱兴与首席科学家沈宇军则开始强调另一套逻辑：不要先拿数字世界现成的工具去套机器人，而应该从机器人真正需要处理的传感器、动作、实时反馈和物理因果出发，重新设计基础模型。沈宇军将此前的路线争论形容为一定程度上“过于想走捷径”。这也是灵波从 1.0 到 2.0，最值得关注的一次路线转折。

所谓“第三条路”，不是再造一个新缩写

过去一年，机器人基础模型最常见的两套思路，一套叫 VLA，一套叫 WAM。

VLA 可以简单理解为：让视觉语言模型进一步学会输出机器人动作。机器人先看懂场景、理解人的指令，然后决定机械臂怎么动。WAM，也就是世界动作模型，更强调：先预测“接下来世界会发生什么”，再一起生成动作。这类路线往往大量借力已经成熟的视频生成模型。灵波现在质疑的，并不是这两类方法完全无效，而是它们的很多实现都带着明显的“数字世界工具惯性”。

机器人和聊天机器人不同。它面对的是连续不断的摄像头、位置、力觉甚至触觉信号；动作发生以后，环境马上就会变化；而且机器人不能等模型“想半天”，控制必须实时。

所以“具身原生”真正想解决的，是把出发点反过来：不是先问现成的大模型能不能改成机器人，而是先问机器人需要什么能力，再倒推模型应该怎么训练。

灵波为什么会“撞南墙”？

关键在于，灵波自己其实走过一次“拿数字世界模型改机器人”的路。

朱兴公开复盘称，1.0 阶段曾基于通用视频生成模型 Wan 做微调，后来遇到两个问题：一是能力上限不够，二是继续微调，会逐渐破坏模型原本已经学到的先验，最后泛化能力反而下降。他把这个过程称为“撞到了南墙”。为什么会这样？

第一，目标不同：视频生成追求的是“看起来合理”。机器人要求的是“物理上真的正确”。

一只杯子在生成视频里漂移两厘米，观众可能根本看不出来；机器人抓取时偏两厘米，任务可能直接失败。

第二，时间逻辑不同：机器人只能根据已经发生的事情决定下一步。未来画面不能提前泄露给模型。因此机器人控制天然是严格因果问题，而很多传统视频生成骨干并不是为这种单向闭环控制设计的。

第三，微调可能产生灾难性遗忘：LingBot-VA 2.0 的论文直接指出，把已经训练好的双向视频模型再改造成因果机器人模型，会面临原有广泛先验被侵蚀的问题。

因此 VA 2.0 干脆重新设计：语义视觉—动作分词器、严格因果预训练、稀疏 MoE（节约算力），再加上异步的 Foresight Reasoning（前瞻推理），让机器人可以一边执行，一边预测下一阶段状态。

但这里不能反过来得出一个结论：WAM 已经走不通。例如 DreamZero 就建立在预训练视频扩散骨干之上，并报告了较强的未见任务和跨本体泛化结果。也就是说，所谓“捷径”，更准确的理解应该是灵波对这类路线长期天花板的判断，而不是对其当前价值的否定。

一个容易忽视的细节：灵波其实没有“抛弃 VLA”

这也是灵波 2.0 最容易被误读的地方。一边强调不要被 VLA、WAM 的概念绑住，另一边，LingBot-VLA 2.0 仍然是它目前非常重要的一条产品线。官方资料显示，VLA 2.0 的预训练数据约 6 万小时，其中约 5 万小时是机器人轨迹，1 万小时来自第一视角人类视频，覆盖 20 种机器人构型。

模型还把不同机器人的状态和动作统一映射到一个 55 维表示空间（机器人构型中较高的自由度数值），希望降低单臂、双臂、人形、移动底盘等不同身体之间的数据差异。RTX 4090D 上，官方给出的单次推理耗时约为 130ms。换句话说，灵波真正反对的，并不是“VLA”这三个字。它反对的是：把一个本来为数字世界训练的模型，当成机器人最终的基础模型。

还有一个很有意思的细节。LingBot-World 2.0 的官方仓库明确写着，它本身仍建立在 Wan2.2 之上；9 月 10 日又补齐了 14B Causal-Pretrain、14B Bidirectional 和 1.3B Causal-Fast 等版本。这看起来似乎矛盾，其实边界反而很清楚：数字世界模型继续负责数字世界；真正控制机器人的那套模型，才需要重新围绕物理世界设计。

“数据是壁垒”，但重点不是谁的小时数最大

朱兴近期反复强调，具身智能真正难复制的东西在数据。但这里的“数据壁垒”，不能简单理解成“谁买了更多数据”。灵波公开介绍过一套数据流程：先由模型研发团队决定缺什么任务、什么场景和什么数据分布，再试采形成 SOP，之后交给供应商规模化采集，而且采用流式交付（边采边回传），让数据尽快进入训练。朱兴称，灵波早期从原始数据到真正进入模型训练的数据，可用率只有约 15%，后来已经提高到 90% 以上。这其实说明了一件事：“6 万小时”不是壁垒本身。

真正重要的是这 6 万小时里，有多少不同机器人、多少有效动作、多少失败案例和 corner case，以及这些数据能不能被统一表达。而且，数据也不是唯一变量。机器人换一个身体之后，相机位置、关节定义、控制频率、机械臂长度、夹爪、灵巧手、力觉反馈都可能改变。因此，“一脑多机”真正的考题不是模型能不能成功加载，而是：换一台机器人以后，到底还需要重新采多少数据、调多少天、花多少钱。

谁会最先跑出真正可验证的现场结果？

短期看，答案很可能不会首先出现在“万能家庭机器人”。更现实的是环境相对受控、任务链相对短、商业账能够算清的工业、物流和药房。朱兴近期公开谈到的落地条件也非常接近这一逻辑：场景不能过度开放、任务不能太长，同时成本必须成立。所以以后再判断 VLA、WAM 或“具身原生”谁更有效，只看一段 Demo 已经不够。

真正应该跟踪的是四个数字：新场景需要多少数据、后训练需要多久、连续任务成功率有多高、一天需要人工接管多少次。谁能持续把这些成本压下来，谁的路线才真正开始形成产业价值。

Zero-WAM 为什么又出现在同一个研究体系里？

还有一个很值得观察的细节。8 月发布的 Zero-WAM 论文里，朱兴和沈宇军都在作者名单中。Zero-WAM 的思路并不是单纯继续扩大基模，而是把人类示范视频直接当作机器人的上下文提示：人先演示一遍，机器人再根据视频理解一个从未训练过的新任务。

论文构建了 7.42 万组 HumanGen 人—机器人配对数据，覆盖 8600 个任务；在 7 个未见的 RoboTwin 2.0 任务中，报告的平均成功率约为 47%（47%听着不高，但在“完全没见过且没训练过”的新任务上，能有一半左右的成功率，已经是巨大的突破了）。

这和“具身原生”并不一定矛盾。一个大型研究体系完全可能同时跑多条支线。“具身原生”回答的是：机器人的基础模型应该从哪里长出来。Zero-WAM 回答的是：面对一个从没学过的新任务，怎么最快把任务告诉机器人。一个是底座问题，一个是任务泛化机制。真正值得继续观察的，是这些研究最终会不会汇入同一套机器人大脑。

结语

上一篇，我们讨论的是蚂蚁为什么不把本体当主战场。这一篇更进一步：灵波现在试图把“机器人大脑”本身，也从数字世界现成模型的路径依赖里拆出来。它真正押注的并不是一个新的技术缩写，而是一件更重的事情：让机器人的基础模型，从训练第一天开始就理解动作、因果和物理世界。

这条路成本更高，也更慢。最终验证它的标准却非常朴素——换一台机器人、换一个场景、换一个任务以后，能不能少采一点数据、少调一点参数、少出一点错，并且持续把活干下去。如果这些数字开始稳定下降，所谓“第三条路”，才算真正成立。

连界创新

推荐阅读

产业应用场景

·出海！中国具身智能企业在全球市场大“杀”四方！

·比人形更快进入家庭？具身智能宠物机器人迎爆发！

·文娱巨星！人形机器人“表演大乱斗”，谁赢了？

·商业导览成具身智能商业化破局点？

·巡检机器人之困，场景刚需，但这一问题亟待解决

机器人本体企业

·仿生机器人=伴侣机器人？一文为仿生机器人正名！

·乐聚Taskor，为人形机器人规模化进厂按下“快进键”

·具身智能争霸赛打响！四大核心区都有哪些“扛把子”？

·CES 2026｜星动纪元携人形机器人家族亮相

·智元CES放大招！开源Genie Sim 3.0强的可怕！

供应链动态

·零部件企业跨界突围！这些企业上大分！

·夺取物理世界的入场券：具身智能操作系统拆解

·人形机器人关节生死局：执行器路线之争与技术博弈

·灵巧手赛道“激战”，新老玩家各执什么王牌？

·开源数据集图鉴！这份具身智能“军火库”请查收

【声明】内容源于网络

机器人产业应用

由连界创新具身智能中心发起，以场景应用为导向，专注具身领域科技与产业的链接。我们将围绕投资+服务双轮驱动，为科技增长赋能。业务涵盖垂直行业峰会/沙龙、私董会、标杆走访，具身智能行业研究报告与咨询，产业生态系统搭建等。

内容 585

粉丝 0

机器人产业应用由连界创新具身智能中心发起，以场景应用为导向，专注具身领域科技与产业的链接。我们将围绕投资+服务双轮驱动，为科技增长赋能。业务涵盖垂直行业峰会/沙龙、私董会、标杆走访，具身智能行业研究报告与咨询，产业生态系统搭建等。

总阅读6.3k

粉丝0

内容585