在人工智能与机器人技术深度融合的前沿领域，具身智能正逐渐崭露头角，被业界视为继大语言模型浪潮之后，引领下一代人工智能（AI）发展的新范式，机器人的“ChatGPT时代”似乎已呼之欲出。

然而，一个关键问题摆在眼前：那些基于数字世界模型能力“嫁接”而来的具身智能“大脑”，能否无缝适应并完美驾驭物理世界的复杂多变？图灵奖得主、著名AI科学家Yann LeCun（杨立昆）多次强调，真正的智能必须深深扎根于物理世界的土壤之中。

近日，徽声在线获悉，蚂蚁灵波推出了业界首个具身原生世界动作模型LingBot-VA 2.0，这一创新标志着具身智能发展迈出了重要一步——机器人“大脑”的设计不再依赖于数字世界模型能力的简单“嫁接”，而是从动态建模、因果预测、实时执行等与物理环境交互的原始需求出发，进行原生性的创新设计。

蚂蚁灵波CEO朱兴在接受《每日经济新闻》记者采访时表示，具身智能模型复杂性的核心挑战在于，实验室环境、数字仿真场景以及各类标准测试基准，均难以全面复现模型在真实物理场景中运行时所遭遇的种种难题。因此，解决物理智能领域的技术难题，仍需回归物理智能的底层路径进行探索。

具身智能产业遭遇“落地难题”

在人工智能的蓬勃发展中，具身智能被视为通往通用人工智能的关键桥梁。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纽带。

据中国机电一体化技术应用协会发布的《2026中国具身智能产业发展报告》显示，2025年全球人形机器人出货量预计将达到约1.8万台，同比增长高达508%。其中，中国企业将占据约74%的出货量份额。展望2026年，全球具身智能产业有望迎来爆发式增长。

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”就能实现。朱兴指出，当前行业主流路线大多依赖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。但这两者在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的极致，可以天马行空；而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“落地难题”，蚂蚁灵波首席科学家沈宇军向徽声在线记者透露，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，导致语义理解难以转化为物理世界的有效交互约束。沈宇军举例说明，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“真正出现”。

二是“思考不够深入”。数字世界的视频在生成时就已经预设了结局，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“执行不够流畅”，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中高效工作。

机器“人”时代何时到来？

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完全适配的。

此外，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。因此，让具身智能真正从实验室走向大规模应用，或许比想象中要困难得多。

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

首先，模型引入了语义视觉—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将“理解指令”转化为“完成动作”，有助于提升指令跟随与动作精度。

其次，模型采用了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，从而提高模型的预测准确性。

再者，引入混合专家模型（MoE）架构，在不牺牲推理效率的前提下扩大模型容量，实现性能与效率的平衡发展。

最后，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，从而搭建起适配真实物理环境的机器人“大脑”原生基础模型。

那么，机器“人”时代究竟何时到来？沈宇军给出了他的见解：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。