蚂蚁灵波

过去一年，具身智能最热闹的争论，不是某个模型的效果有多好，而是一个悬而未决的路线问题：机器人到底该走 VLA，还是走 WAM？两种路线看似针锋相对，内核却指向同一个出处，都建立在数字世界的大模型之上。VLA 是视觉语言模型向动作的延伸，WAM 则把视频生成模型搬到机器人身上。 行业争论的 VLA 和 WAM 两条路线，灵波都没有选。它走的是第三条，官方称之为“具身原生”：从零训练自己的基模。 8 月，这家蚂蚁集团旗下的具身智能公司宣布启动首轮融资。9 月 11 日，在 2026 外滩大会，CEO 朱兴与首席科学家沈宇军在多个场合重复了一个判断：具身智能不是数字智能的嫁接，必须基于物理真实数据。 VLA 和 WAM，都是数字世界的延伸 朱兴对技术路线之争的评价是，大模型厂商只有两类工具可用，一类是多模态视觉语言模型，一类是视频生成模型，VLA 和 WAM 不过是“在已有工具之下解机器人问题想出来的名词”。按照沈宇军的说法，这些路线都有点儿“过于想走捷径了”。 灵波其实自己尝到过走捷径的代价，它的 1.0 系列曾是微调数字世界通用视频生成模型 Wan 的结果，硬调出来适配机器人，被朱兴称为“撞到了南墙”。第一，数字模型有上限；第二，微调到最后，反而会破坏原模型的先验和知识，副作用是泛化性降低。 “非要让一个数字世界模型去控机器人，特别像非要求一个男人生孩子。”朱兴说。 这个判断有一个现实参照。GPT-6 出现后，业内一度讨论它对具身的冲击。朱兴认为，凡是基于数字世界模型做具身任务的公司，都会觉得“很恐怖”，因为基模能力一旦跃迁，基于它的下游工作就可能失去意义，这就像两三年前做后训练的那拨人，会随着基模从 60 分跳到 90 分而焦虑。 灵波对路线之争“很少讨论”，朱兴认为，从宏观设想出发的争论没有意义，有意义的是先想清楚模型要具备什么能力。 它把机器人抽象成三件事：从传感器源源…