具身智能的赌局 · 蚂蚁灵波访谈笔记

深度访谈笔记

具身智能的豪赌

蚂蚁灵波首席科学家沈宇君访谈实录

播客对谈约 110 分钟

人物档案

👤

沈宇君

蚂蚁灵波科技 · 首席科学家

清华 → 港中文（师从汤晓鸥）→ 商汤 → 字节跳动 → 蚂蚁技术研究院 → 蚂蚁灵波

我很坚信，具身一定会有自己的模型。

如果这个观点不变，数据必须支撑自建模型。如何把数据有效的 scale up 是至关重要的一点。

三大技术赌注

不做本体，只做大脑

目标是让每家机器人里都跑着凌波的模型。通用意味着跨本体、跨任务、跨场景。

从传感器出发

真实传感器的噪声完全不可忽略。从空间智能出发，先解决“看得清楚”的问题。

从视频里学习

不是把视频抽帧当图像看，要让机器人学会时序上的动态建模。这是2025年3月就做出的决定。

技术演进时间线

2014

商汤成立，大三实习进入 AI 领域

2017

转向生成模型（GAN），从图像编辑走向预训练

2022

加入蚂蚁技术研究院，经历大模型爆发

2024 底

蚂蚁灵波成立，从研究转向真实业务

2025.3

决定“从视频学 + 空间智能”两大技术主线

2026.1

开源 1.0：4 个模型、2 万小时数据、9 种构型

2026.6

发布 2.0：6 个模型、6 万小时数据、20+ 构型

数据飞轮

6万

小时真机数据（2.0）

20+

支持构型数

模型参数量

↓3倍+

真机数据成本下降

理想数据规模：百万小时起步。

后训练数据量：从 1.0 的 100 条降到 2.0 的 20 条。

具身原生的三层突破

👁️ 看的更清楚

放弃 DINOv2 预训练，改为从几何出发（点、线、面）重新预训练。解决语义理解与空间感知的鸿沟。

玻璃门后的猫能看清水流

🧠 想的更明白

原生 MoE 架构（线性激活均匀性）+ 单向时序建模。从头训练，不魔改数字世界模型。耗时 2 个月踩通 MoE，3-4 个月打通单向注意力。

MoE·训练失败几十次单向注意力·预训练作废

✋ 干的更利索

VLA 2.0：新增头、腰、底盘、灵巧手自由度。能处理随机性（如跟人对打桌球），仅靠自身相机感知。

随机性任务跨本体

如果机器人有性格，我希望他是个贼人，他好干活。

选择干活能力优先：情绪价值应该由人来提供。

数字世界知道那里有只猫，物理世界要知道前面有扇玻璃门。

语义理解 vs 空间感知：看到但摸不到，是语义；知道会撞上，才是空间。

创业一定是赌出来的。

如果大家都知道的成功路径，大厂一定成功。在路径未知时，敢于做决定。

行业观点

大脑落后于本体。 今年的主要矛盾是让它先把活干好。

具身是独立方向。 不是 LLM 的分支，具身是解决“如何做好”，LLM 解决“如何听懂”。

格局预判： 类似大模型时代：大厂 1-2 家 + 创业公司 2-3 家。

硬件优势： 数据上中国一定比美国跑得快，必须利用数据联盟构建壁垒。

启示与行动建议

真机数据是核心壁垒：坚持从传感器出发，别迷信仿真数据。

模型要从物理世界“原生”生长：不强行魔改数字世界模型。

聚焦通用大脑：跨本体、跨任务，用落地场景反向驱动模型迭代。

敢于下赌注：在技术不收敛的路口，做决定比做完美研究更重要。

结语

具身智能的 GPT-1 时刻尚未到来，但配套基建已成熟，开发周期会比之前快得多。沈宇君认为，只要数据规模化路径打通，机器人时代的 ChatGPT 时刻可能不会太久。

最好的预期：真的看到机器人进家庭，跑的是凌波的模型。
最坏的预期：没做出来，也没什么更坏的了。

看的更清楚 · 想的更明白 · 干的更利索

具身智能的每一步，都在定义未来

由 CuteNote.app 颜值笔记生成