整场相同会， ，，，，，媒体把统一个问题换了许多种方式追问。。。。。
今天的机械人大脑， ，，，，，距离真正进入物理天下干活， ，，，，，尚有多远？？
蚂蚁灵波 CEO 朱兴和首席科学家沈宇军给出的判断， ，，，，，比市场的热度冷静得多。。。。。目今的机械人大脑， ，，，，，可能还没有走到 GPT-1 时刻。。。。。行业尚未迎来真正的智能涌现， ，，，，，手艺蹊径也远未收敛。。。。。
已往一年， ，，，，，VLA、天下模子、视频行动模子等看法轮替登场。。。。。蚂蚁灵波此次一口吻宣布 6 款模子， ，，，，，但它想回覆的问题更详细。。。。。数字天下里训练出来的大模子， ，，，，，能否直接装进机械人的身体？？物理天下是否需要一套从感知、展望到行动都重新设计的模子系统？？
灵波选择从物理天下的约束出发， ，，，，，重做这套模子系统。。。。。
01 数字天下的大模子， ，，，，，为什么装不进机械人的身体
沈宇军在现场讲了一个「开门见猫」的例子。。。。。
一扇不透明的玻璃门后面有一只猫。。。。。通俗视觉模子可以识别门后的猫， ，，，，，也能准确形貌画面。。。。。但机械人要向猫移动时， ，，，，，仅仅「望见」还不敷。。。。。它需要明确玻璃门组成了物理阻隔， ，，，，，在门翻开之前， ，，，，，猫处于机械臂无法触达的空间。。。。。
数字模子关注画面里有什么， ，，，，，机械人还要判断距离、遮挡、接触关系和可达性。。。。。语义识别准确， ，，，，，只完成了物理使命的第一步。。。。。
即梦、万相等视频模子服务于内容创作。。。。。用户给出一段文字或一份剧本， ，，，，，模子可以参考完整故事， ，，，，，花更多算力换取画质和一连性。。。。。
机械人面临的时间只能向前流动。。。。。它抓取杯子时， ，，，，，不知道下一秒是否会有人遇到桌子， ，，，，，也不知道杯子会不会滑动。。。。。模子只能凭证目今状态展望下一步， ，，，，，并在传感器返回新信息后修正行动。。。。；；媸欠衿敛⒉恢饕， ，，，，，展望需要合理、快速， ，，，，，并且能够转化成行动。。。。。
团队把这条蹊径称为「具身原生」， ，，，，，并重新训练 LingBot-VA 2.0。。。。。果真手艺论文显示， ，，，，，该模子接纳因果预训练、希罕 MoE 和异步推理等设计， ，，，，，服务于高频、闭环的机械人控制。。。。。
这种取舍甚至允许展望画面泛起一定变形。。。。；；当圩急缸テ鸨邮， ，，，，，模子天生的杯子可以不敷清晰， ，，，，，只要行动偏向准确。。。。。传感器会一连提供真实画面， ，，，，，模子再凭证最新状态校准。。。。。
VLA 更容易明确人的语言意图， ，，，，，推理资源消耗较低， ，，，，，是目今更容易落地的蹊径。。。。。灵波用 VLA 进入场景、磨练数据， ，，，，，再用 VA 探索动态建模和未来展望。。。。。沈宇军以为， ，，，，，今天禀立的手艺蹊径各自在解决一块拼图， ，，，，，未来可能逐渐汇入一个模子。。。。。
从这个角度看， ，，，，，灵波宣布 6 款模子， ，，，，，更像是在拆解机械人大脑仍未解决的单点问题。。。。。模子数目未来反而可能镌汰。。。。。
02 重新训练的主要价钱， ，，，，，是一场数据长征
选择具身原生， ，，，，，马上会遇到第二个问题， ，，，，，数据从那里来？？
这个问题在现场被重复追问。。。。。十万小时够不敷？？百万小时能不可泛起智能涌现？？万万小时能否迎来机械人的 ChatGPT 时刻？？
朱兴的回覆很直接， ，，，，，万万小时可能也不敷。。。。。
自动驾驶面临相对明确的交通规则和驾驶使命。。。。。通用机械人需要进入工厂、客栈和家庭， ，，，，，接触差别材质的物体， ，，，，，适配差别身体， ，，，，，还要处理事先无法界说的失败状态， ，，，，，数据漫衍远比简单驾驶使命重大。。。。。
果真论文显示， ，，，，，LingBot-VLA 2.0 的预训练数据已经从第一代的约 2 万小时增至 6 万小时， ，，，，，其中包括 5 万小时机械人轨迹和 1 万小时第一视角人类视频， ，，，，，笼罩 17 家厂商的 20 种机械人构型。。。。。行动空间也从双臂扩展到头部、腰部、移动底盘和灵巧手。。。。。
6万小时仍然只是起点。。。。。灵波更看重数据闭环的速率和质量。。。。。
真实数据还包括 UMI、Ego 等方式纪录的人类操作历程， ，，，，，可以用更低本钱扩充行为数据。。。。。下一阶段还要增补触觉、力觉等模态， ，，，，，并与第一视角视频对齐。。。。。
团队需要一连回覆几个工程问题。。。。。哪些数据真正进入了训练？？模子在哪类使命上失败？？新的收罗使命能否快速笼罩能力缺口？？从收罗、处理、训练到反馈的链路需要多长时间？？
数据规模扩大后， ，，，，，团队还要筛选高价值样本。。。。。自动驾驶已经履历过类似转变， ，，，，，早期追求上量， ，，，，，后期则从海量帧中找出最能改善模子的少数样本。。。。；；等说囊斐：褪О苁萦绕涮诠， ，，，，，也更可能决议模子能否处理长尾问题。。。。。
灵波支持 20 种构型， ，，，，，厂商接入后仍需围绕详细使命举行后训练。。。。。预训练的作用， ，，，，，是让模子提前见过差别的身体。。。。。
一脑多机真正节约的， ，，，，，是每换一种本体、每增添一个场景时从零训练的本钱。。。。。
03 机械人大脑的商业化， ，，，，，先过乐成率这一关
现场有媒体提到一个仓储案例。。。。。人工用叉车完成一次搬运可能只需 30 秒， ，，，，，机械人却要花 1 分钟甚至更久， ，，，，，遇到新情形还可能停下来重新判断。。。。。
朱兴把乐成率放在了速率之前。。。。；；等诵卸倏， ，，，，，一连失败一再以后， ，，，，，企业仍要安排职员接受， ，，，，，安排也很难爆发经济价值。。。。。乐成率稳固之后， ，，，，，企业才会进一步盘算节奏、推理效率和单位本钱。。。。。
基础模子与后训练由此形因素工。。。。。
朱兴把预训练比作作育一名基础素质很好的大学生。。。。。学生进入银行做会计依然需要职业训练。。。。。具身基础模子抬高能力上限， ，，，，，后训练则把模子酿成生产工具。。。。。
关于机械人厂商和场景客户， ，，，，，后训练包括数据收罗、标注、模子适配、安排和推理优化。。。。。每一个环节都会转化为本钱。。。。；；∧Ｗ釉街腔邸⒓墓剐秃褪姑蕉， ，，，，，后训练需要补的课就越少。。。。。
通用机械人大脑的商业价值， ，，，，，是降低每个场景单独开发模子的投入。。。。。工厂打螺丝的机械人没有须要学会洗碗， ，，，，，旅馆和客栈也会选择差别本体。。。。。场景决议身体， ，，，，，通用大脑需要横跨更多身体。。。。。
灵波已经体现正在与本体厂商推进工业落地， ，，，，，并探索买断、订阅和定制等差别收费方式。。。。。不过， ，，，，，现场没有披露可供外界验证的客户案例、收入规模和本钱模子。。。。。现阶段， ，，，，，市场能够确认的是手艺蹊径和生态位置， ，，，，，规；；桃当栈啡孕杵诖嘞钅渴。。。。。
04 灵波为什么要做这件重事
重新训练机械人大脑需要恒久投入。。。。。预训练、数据基础设施、真机验证和本体适配， ，，，，，任何一项都很难靠小团队快速补齐。。。。。
蚂蚁给灵波提供的焦点资源， ，，，，，包括资金、人才、训练基础设施、数据处理能力和场景生态。。。。。灵波在此基础上搭建从空间感知、视频天生、交互天下模子到 VLA、VA 的全栈模子系统， ，，，，，再通过本体相助验证投产能力。。。。。
这套结构也反映了蚂蚁对工业名堂的判断。。。。。具身智能仍处于类似「百模大战」的早期阶段， ，，，，，未来可能收敛为少数几家通用基础模子提供商。。。。；；等司嗬氪蠊婺＝爰彝ト杂泻艹ぞ嗬， ，，，，，现在类比 Windows 或 Android 还太早。。。。。
视察蚂蚁灵波 2.0， ，，，，，模子参数和榜单只是其中一部分。。。。。更要害的指标是， ，，，，，它能否一连提高跨使命、跨场景和跨构型的乐成率， ，，，，，能否把后训练本钱降到客户愿意支付的水平。。。。。
数字天下的 Agent 在基础模子能力上升后迅速普及， ，，，，，具身智能也可能履历类似的能力外溢。。。。。只是物理天下多了一层无法回避的约束， ，，，，，模子做出的每一个判断， ，，，，，最终都要由一副真实的身体完成。。。。。
蚂蚁灵波选择提前重做这颗大脑。。。。。蹊径能走多远， ，，，，，最终还要看机械人能不可真正干活。。。。。
“天下为公”为全球变局中的清静与秩序提供何种中国方案？？