对话蚂蚁灵波 CEO 朱兴：机器人还吃不了「粗粮」
内容提要
蚂蚁灵波CEO朱兴指出，具身智能落地面临机器人大脑冷启动、能力与成本双重限制，连小卖部场景都难落地。灵波专注通用基模，适配不同构型，通过后训练降低门槛。他强调数据质量与分布比数量更重要，需分阶段配比数据，异常数据是飞轮关键。人形非必需，构型应服务场景。商业化需克制，期待明年机器人数量和训练成本出现指数级变化。
延伸解读
通用基模的价值：少样本后训练与泛化
朱兴指出，通用基模的核心价值在于提升后训练的少样本表现，即用更少数据达到相同效果，或同样数据达到更好效果。这直接关系到跨场景、跨任务复制的泛化能力。若只针对单一任务训练小模型，虽可短期落地，但难以规模化复制。基模进步如同大语言模型基模带动生态应用，是水涨船高。
数据质量与分布：比数量更关键的配方
朱兴强调，数据量并非唯一决定因素，质量和分布同样重要。他提到，数据多3-5倍但效果更差的现象，源于数据分布不均衡。灵波转向定制化采集，通过自动化数据管线将可用率从15%提升至90%以上，并采用流式交付缩短数据进入训练的周期。模型厂商需定义数据需求，供应商负责执行质量。
商业化节奏：克制与有限推进
朱兴表示，不会为收入数字过度推进商业化，以免消耗团队精力。但商业化是必要考验，只有付费才能让技术和产品成熟。灵波选择药房等场景试点，因有真实需求且能牵引技术。他期待明年出现两个指数级变化：真实场景中模型驱动机器人数量增长，以及后训练数据成本指数级下降。
人形非必需：构型应服务场景
朱兴认为，机器人不必执着于人形。不同场景需求各异：重载作业与轻量分拣需要不同硬件配置，家庭中老人看护与陪伴需求也不同。构型泛化是长期产业需求，应关注具身智能创造的价值，而非“更像人”。灵波保留R系列本体用于研发和生活服务探索，但核心是输出智能，与生态伙伴协作。
Q&A
为什么机器人连小卖部这样的简单场景都很难落地？
朱兴指出，小卖部其实也很难落地，今天还是能力和成本两个都有问题。模型能力、硬件稳定性有些就是够不着，整个模型还在冷启动阶段。同时成本约束也很关键，创造的价值不够，自己又贵，长期玩不转。
既然小模型能完成特定任务，为什么还要投入通用基模？
如果只做非常特定的任务且不追求规模化复制，直接怼小模型也不是不能做。但规模化意味着跨场景、跨任务、跨场所复制，有泛化挑战。基模很大的价值是让后训练的少样本表现更好：用更少的数据达到同样效果，或用同样数据达到更好效果，这个效果就包含成功率。
具身智能的数据飞轮什么时候才能转起来？
今天还很早，是冷启动，靠各种数采强制喂。再往前走，有一点应用规模了，至少部分场景里的异常数据飞轮可以转起来。这时候看重的是异常数据，成功数据没有那么大意义。真正的数据飞轮是每个人的日常生活或工作过程中都在为机器人生产数据。
为什么机器人还吃不了日常产生的“粗粮”数据？
朱兴判断，今天的机器人还吃不了“粗粮”。日常数据虽然多，但当前模型能力还无法直接消化。数据量重要，但更要谈质量和分布，过度重复的数据意义不大。模型方有义务定义需要什么数据、什么质量，不能把这件事赖到数采厂。
机器人一定要做成人形吗？
朱兴认为机器人没必要长得像人、什么都像人。高负重载作业和很轻的分拣，为什么要同一套硬件配置？家庭第一需求也不同。构型泛化是长期存在的问题，也是产业需要。把“人形机器人必须更像人”当成第一性原理，不是科学的方法。
灵波在商业化上如何拿捏分寸？
灵波不会为了一个更好的收入数字过度推进商业化，因为不可持续，也会阶段性地把团队精力耗掉。但再克制也不能不做，只有付费的商业化才能迎接更真实的考验。做有限的商业化，更在意的是让团队具备这种能力，让技术和产品成熟起来。
未来一两年，普通用户和从业者应该看什么信号判断行业真的向前走了？
朱兴特别期待明年有两个指数级的变化：真实场景里，以模型驱动为主、在干活的机器人数量增长；同样的真实场景和任务，后训练成本，尤其数据成本，能指数级下降。从今年下半年到明后年，生产力应用的量可能会快速增长。
