蚂蚁灵波沈宇军：大模型越来越强，机器人为什么还需要自己的模型？

本文来自蚂蚁灵波首席科学家沈宇军。在具身基础大模型与数字通用大模型都在加速演进的时间节点，聊聊我们认为机器人需要怎样的基础模型，供行业交流探讨。

以 Claude Fable 5.2、GPT-6 Astra 为代表的大模型开始展现出解决机器人任务的能力，也让一个问题变得更加直接：通用大模型越来越强，机器人为什么还需要自己的模型？昨天，我们团队发布了 LingBot-Touch 触觉表征的工作，借着本次发布，我也想谈谈我们团队对这个问题的思考。

我的判断是：一个工具能够解决机器人的问题，不代表它就是最适合机器人的工具。讨论大模型对具身智能的影响，不能只看已有模型能做什么，还要回答机器人究竟需要什么。

数字模型能用，不等于最合适

从视觉语言模型（VLM）到视觉语言动作模型（VLA），从视频生成模型（VideoGen）到世界动作模型（WAM），行业一直在尝试将数字世界的能力迁移到物理世界，灵波也在这些方向展开了一些工作，但不意味着模型的技术路线已经确定，探索仍在继续。

我此前谈过，VLA 和世界模型都不会是终局。机器人既需要融合不同信息，也需要预测行动的后果。最终的模型，应当从物理世界的需求出发，而不是被已有的技术分类限定。这也是我们强调 “具身原生” 的原因：不是给数字模型接上动作接口就结束了，而是重新审视机器人的输入、输出和学习目标。可以吸收数字模型的能力，也要强化机器人需要的能力，剔除不需要的能力。

最终，我希望这个工具 “不大不小”：关键能力没有短板，非必要能力尽量没有浪费。这里说的大小不是参数规模，而是能力配置。比如，具身模型不应把编程能力媲美 Fable、Astra 作为目标，因为完整的软件工程能力并不是机器人作业的刚需。反过来，对距离、触觉等物理模态的感知与理解，是数字世界模型并不原生具备、机器人完成高精度复杂操作却不可缺少的能力。

物理世界提出了不同的要求

机器人在现实世界作业，有三个问题绕不开。

首先，输入有误差。 要让具身基础模型完成高精度的复杂操作，前提是有好的物理模态感知，包括距离、触觉等。但现实中没有 100% 零误差的传感器，尤其是在触觉等传感器尚不成熟的方向。机器人必须要从带误差的数据中理解环境，LingBot-Depth、LingBot-Touch 都是这个方向的工作，帮助机器人看得更清楚、摸得更灵敏，获得更好的物理感知。

第二，输出要经受物理交互的检验。 接触中的细微变化，很难仅靠视觉轨迹和语言描述完整表达。比如，同样是拧瓶盖，成功拧开与手指打滑时，手部运动轨迹可能十分接近，但接触受力的变化却不同。动作看起来合理，不等于执行结果可靠。机器人需要理解物理世界中的因果逻辑和交互反馈，并据此调整行动。

第三，物理世界的任务执行不会等待模型。 许多数字世界的任务可以按回合推进，但现实世界的时间不会停止。虽然目前数字世界已有 “双工” 模型能够支持一边输出一边推理的并行交互，但还仅限于语言的部分，其他模态的实时流式处理还没有解决。机器人需要一边行动，一边持续接收信息、更新判断，并根据反馈调整动作。现实世界的时间不会停止，突发变化也不会等待模型想完，对时效性有更高要求。

这三点说明，通用能力超配与具身能力不足可以同时存在。复杂任务推理的进步，不能替代物理操作能力的突破。具身原生的意义，就是让模型从一开始围绕物理作业组织能力，而不是事后不断补齐缺口。

先弄清楚什么值得 scale up

这些能力的沉淀，最终还是要回到数据。行业逐渐形成了一个共识，只提数据数量、不提质量是不科学的。对具身智能来说，还要进一步追问：什么样的输入和输出，才值得扩大规模？

输入是否保留了理解感知误差所需的信息？输出能否表达精细交互？任务数据能否支持机器人应对过程中发生的变化？如果关键的信息没有被记录下来，单纯增加数据量，并不能替代这些问题的答案。

目前，行业对合适的数据形式和标准仍没有定论。在这个具体问题上，大模型厂商和具身公司都需要探索、验证，站在了同一条起跑线上。

未来，是从大模型出发打造 “超配” 的工具，还是从机器人应用出发打造 “刚刚好” 的工具，我们很难判断哪条路线更正确。但殊途同归，在真实物理世界中，许多共通的问题都必须解决。灵波之所以选择后者，可能跟特斯拉选择开发 FSD 是类似的商业逻辑吧。

（来源：蚂蚁灵波科技）