1105
2如今的模型在数字世界里游刃有余。它能写诗、会画画、认得清图片里的猫。但一旦把同样的模型放到机器人身上，问题就暴露了：它看得见玻璃后的猫，却不知道那道玻璃过不去；它知道水杯要倒，但推理太慢，等反应过来水早已洒了。
数字世界的“懂”，不等于物理世界的“会”。
过去一周，蚂蚁灵波科技密集发布并开源了6 款模型，涵盖空间感知、世界模拟、动作执行等完整技术链条。
社交媒体刷屏、开发者社区强烈关注、多次登上海内外平台Trending趋势，开源的4款模型在GitHub上总Star数已超过2.3K……
不止模型本身，LingBot2.0更提出了一个明确的技术主张：具身原生。机器人的大脑，不该是通用大模型的“移植版”，而应该从零开始，为物理世界量身定做。
什么是“具身原生”？为什么机器人不能只是大模型在物理世界里的一个 Agent？为什么数字世界里好用的视频生成、多模态模型，到了机器人身上就会遇到新问题？
这期节目，我们与灵波科技首席科学家沈宇军从灵波大脑 2.0 的发布聊起，一起聊聊灵波如何为机器人装上一颗“原生大脑”。
🧑🤝🧑本期嘉宾
沈宇军：蚂蚁灵波科技首席科学家
👩本期主播
石洪竺：魔搭社区运营负责人
📒时间轴
一、灵波大脑 2.0：为什么要提出“具身原生”
从灵波 1.0 到 2.0：半年时间里，模型能力做了哪些升级
从模型架构、数据到算法，天然为机器人设计
灵波正式提出“具身原生”，是为了解决机器人的三个问题：“看得更清楚”、“想得更明白”、“干得更利索”
二、看得更清楚：机器人不能只识别，还要理解物理距离
数字世界追求清晰度、画质和创造力，物理世界更在乎时效性和合理性
为什么要做一个尽可能通用的机器人“大脑”
大模型吃了几十年互联网数据红利，但具身场景的很多数据工作都要从零开始
“开门见猫”：当门关闭时，深度图就无法识别门后的猫，仅靠语义识别无法理解三维空间
（“开门见猫”）
灵波的视觉训练聚焦几何边缘检测，通过识别轮廓和边界，让机器人能感知物体位置和障碍物
（几何边缘检测）
Depth 2.0 的升级：更换预训练方式，扩大数据量，解决更多 corner case
三、想得更明白：机器人需要单向、快速、可交互的世界模型
现实世界不是全可控的，机器人的思考要像时间一样单向流动
World 2.0：支持更长时间（小时级别）的视频生成和交互
机器人执行任务时，必须能应对被打断、被干扰的情况
Dense 架构推理效率不够，为什么要做 MoE 视频生成模型
一个无法摆拍的 demo：机器人如何实时响应人的随机动作
（机器人打球）
物理世界不需要视频生成得多漂亮，而需要生成得足够快、足够合理
（LingBot-World-Infinity）
四、干得更利索：真正落地后，才知道数据缺在哪里
“具身原生”讲起来是态度，做起来是能力
真实场景里，机器人需要抬手、弯腰、移动底盘，不只是动双臂
灵巧手、头部、腰部、底盘等自由度，都需要新的数据覆盖
从 9 种构型升级到 17 种构型，扩展可控自由度
数据规模化不只是堆量，更要关注任务、构型、自由度的分布
数据闭环不是采集完就结束，而是训练反馈到采集端
五、具身智能的下一步：灵巧手、传感器和数据
从 1.0 到 2.0，具身智能下一阶段的拐点是什么
未来三个关键变化：灵巧手、传感器、多模态数据
具身智能的 ChatGPT 时刻：当每个人都能参与训练机器人
终局想象：机器人进入家庭，承担重复、危险、精细的任务
对开源社区的期许：建立公允、共同认可的中立Benchmark
📖名词解释
具身智能：让智能体拥有身体，并能在真实物理环境中感知、决策和行动的 AI 方向。
具身原生：从模型架构、训练数据、算法和任务目标开始，就面向机器人和物理世界设计，而不是直接套用数字世界模型。
世界模型：让 AI 在内部模拟环境变化和未来结果的模型。对机器人来说，它可以帮助提前预演动作后果。
MoE：Mixture of Experts，混合专家模型。通过只激活部分专家模块，在保持模型容量的同时提升推理效率。
Benchmark：评测基准，用来衡量模型能力。具身智能目前仍需要更公允、更贴近真实物理任务的评测标准。
🔗延伸阅读
灵波科技官网：www.robbyant.com
直播回放链接：weixin.qq.com
策划：常常
运营：千寻
更多节目信息，欢迎关注小红书：会友播客
添加小助手微信：huiyouhz，可以加入听友群喔
