内容提要
蚂蚁灵波CEO朱兴表示,具身智能尚未迎来Scaling Law时刻,原因是稳定可复现的数据路径尚未找到,行业仍处于攻坚探索阶段。数据价值取决于训练阶段,不存在通吃路线,盲目扩量是浪费。他预计明年产业落地将加速,基础模型领域将出现首轮收敛,长期中国玩家或仅剩3到5家。灵波以开源模型和生态布局,押注通用具身大脑而非统一本体形态。
延伸解读
数据路径未收敛,堆量不等于能力跃迁
朱兴指出,具身智能尚未找到稳定可复现的数据路径,因此无法像大语言模型那样通过参数与数据同步扩张实现可预测的能力提升。不同训练阶段需要不同数据:预训练阶段适合互联网视频和Ego数据获取世界常识,任务落地阶段则依赖真机数据。盲目扩量而缺乏深度理解和质量管控是资源浪费,数据需求应由基础模型团队主导。
产业落地明年加速,数据反哺闭环形成
朱兴判断,按照当前节奏,明年具身智能产业落地将迎来规模化提速。工厂、物流场景试点不断铺开,复杂真机操作案例增多,模型能力虽无颠覆性质变但已实现量级提升。落地过程中沉淀的异常场景数据将持续回流,形成类似自动驾驶的数据反哺闭环,驱动模型迭代升级。
基础模型首轮收敛,长期或仅剩3到5家
朱兴预计,明年之前具身智能基础模型领域会出现第一波收敛,数据范式、评测基准、技术路线与产业分工逐步定型。参考大语言模型市场,长期看中国具身基础模型玩家将收缩至3到5家。他坦言产业周期比自动驾驶更长,会经历“收敛—分裂—再收敛”,穿越周期靠团队、数据理解与训练基础设施三项底层能力。
押注通用具身大脑,不追求本体统一
蚂蚁灵波以开源和生态方式为收敛做准备,挑战赛使用统一开源预训练模型LingBot-VLA 2.0,LingBot模型矩阵已适配LeRobot平台。朱兴直言,灵波不相信机器人本体构型会走向“大一统”,重载与轻载、固定与移动场景需求天然不同,强求统一人形会推高成本、阻碍规模化。竞争终局或许属于能让最多形态机器人“跑起来”的底层大脑。
Q&A
具身智能为什么还没有迎来Scaling Law时刻?
蚂蚁灵波CEO朱兴认为,具身智能尚未迎来Scaling Law时刻,核心原因是稳定、可规模化复现的数据路径至今尚未被找到,行业仍处于攻坚探索阶段。
具身智能的数据路线有哪些?哪种最好?
数据路线包括真机数据、第一人称视角(Ego)数据、UMI通用操作数据、仿真数据和互联网视频。朱兴指出,每种数据都有价值,但价值高度依赖训练阶段,不存在一条通吃的路线。例如,预训练阶段更适合用互联网视频和Ego数据获取世界常识,而具体任务落地时真机数据才真正发挥作用。
具身智能盲目扩大数据量有什么问题?
朱兴认为,在缺乏深度理解和质量管控的前提下盲目扩量是巨大的资源浪费。数据需求的主导权应掌握在基础模型研发团队手中,由模型训练效果来判断需要什么数据、怎样的分布和多样性。
具身智能产业应用什么时候会加速落地?
朱兴预计,按照当前节奏,从明年开始具身智能产业落地将迎来规模化提速。落地过程中沉淀的大量异常场景数据持续回流,将形成类似自动驾驶的数据反哺闭环,驱动模型迭代升级。
具身智能基础模型领域未来会剩下几家玩家?
朱兴判断,明年之前具身智能基础模型领域会出现第一波收敛,数据范式、评测基准、技术路线与产业分工将逐步定型。长期看,中国具身基础模型玩家将收缩至3到5家,蚂蚁灵波的目标是成为其中之一。
蚂蚁灵波在具身智能上的策略是什么?
蚂蚁灵波以开源和生态的方式布局,押注通用具身大脑而非统一本体形态。其策略包括推出统一开源预训练模型LingBot-VLA 2.0,以及已适配全球主流机器人开发平台LeRobot的LingBot模型矩阵,旨在为多种硬件构型铺开开发者底座。朱兴直言,灵波不相信机器人本体构型会走向大一统,强求统一人形反而会推高成本、阻碍规模化。