147. 和蚂蚁灵波沈宇军聊：机器人原生基础模型
为什么这一期值得关注
从清华到商汤：一个"对打榜不感兴趣"的AI研究者
沈宇军的AI之路是从2014年底开始的。那时他还是清华大三学生，商汤刚在清华东门成立，他因暑期实习的硬性要求而踏入AI领域。此后一路从商汤干到大学毕业，又去了港中文跟汤晓鸥老师读博。
但他坦承，自己"对打榜这个事情、最后就看一个number"并不感兴趣。2017年GAN（对抗生成网络）兴起时，他找到了真正让自己兴奋的方向——生成模型。"它是能真的能生成一张图然后让大家去看，甚至可以做简单的编辑。"从此他从图像编辑一路向上追溯：编辑→生成→预训练→表征学习，形成了从下游到上游的完整认知。
即便在Diffusion和自回归生成流行之后，他的团队仍坚持GAN的scale up，直到2026年初做了最后一次尝试。结论是：GAN仍有价值，但计算量的利用效率太低，不适合生成视频等极复杂内容。不过对抗训练的博弈机制——同时训两个模型、让它们互相迭代——是他认为仍会以其他形式延续的技术资产。
从字节到蚂蚁：视觉AI何处安放？
博士毕业后，沈宇军先去了字节跳动做抖音特效——用AI技术实现"20年后你长什么样"、"男生变女生"这类爆款玩法。但一年后他感到"确实还有很多自己想做但是没做的东西"。彼时是2022年，ChatGPT尚未爆发，蚂蚁技术研究院在招人。
回顾计算机视觉过去十几年，沈宇军总结：人脸识别是第一波大规模应用，自动驾驶是第二波。"除此之外好像还没有看到哪一个视觉应用被大规模用起来，有比较强的产业价值。"因为视觉在数字世界"用武之地不够"，但在物理世界"离开视觉机器人肯定是没法工作的"，他于2024年决定转向具身智能。
他经历了三种组织形态：字节（产品公司用AI赋能现有产品）→蚂蚁技术研究院（研究驱动，大模型爆发后对"什么是好的研究"产生迷茫）→蚂蚁灵波（直面产业，"既有发挥的空间，又能做对产业有价值的事"）。第三种形态正是他当下最珍视的状态。
蚂蚁灵波创立：从研究院到直面产业
2024年底，蚂蚁集团正式宣布成立蚂蚁灵波科技，定位为一家做具身智能的子公司。沈宇军当时在研究院也正propose要做具身方向，两者不谋而合。
刚到灵波时，团队不到十个人。沈宇军的第一个感受是"还是太天真了"——把模型部署到机器人上，通信怎么调、系统怎么搭，"有太多太多的技术栈超出了我本来的认知"。第二个感受是"一边学习一边跟着行业变化，这种感觉还比较奇妙"。
为什么只做大脑不做本体？
灵波创立之初就明确了核心决策：做机器人的大脑，不做本体。这个判断源于一个长远愿景："我们希望未来某一天每家都会有一个机器人。这个机器人是什么样子谁也不知道，甚至是不是同一个品牌也不一定——就像大家现在的手机也是五花八门。我们希望在这个机器人里面跑的都是灵波的模型。"
沈宇军对"通用"的定义比行业常见理解更深一层：通用不仅是跨任务、跨场景，还包括跨本体。"什么样的本体适合什么样的场景，从产品定义最开始就已经决定了。有些任务适合它做，有些不适合它做。"正因为预判单一硬件形态无法覆盖所有场景，灵波才从大脑切入，让模型在预训练阶段就经历不同本体，落地时快速适应。
技术路线的演进：两个关键决策
25年是灵波的奠基年。同年3月，行业还未出现"世界动作模型"（WAM）概念时，沈宇军就做出两个判断：
第一，必须从视频里学习时序建模。不是把视频抽帧当成图像来看，而是真的让模型学会时序的东西。这催生了后来灵波的视频动作模型（VA）。
第二，必须从真实传感器出发。学术界"心照不宣"的习惯是数据集都比较干净，但机器人在现实世界中跑，传感器噪声完全无法忽略。灵波从一开始就坚持从传感器维度做空间智能——不仅是视觉，还包括触觉。
这两个决策催生了灵波1.0的四个模型（Depth、VA、World、VLA），于2026年1月开源。
26年的豪赌：具身原生
1.0发布后，沈宇军发现了核心矛盾：数字世界模型的开发初衷与物理世界的需求不匹配。比如视频生成追求高清画质，但机器人控制不需要；而机器人需要的实时单向推理和推理效率，数字世界模型并不天然支持。
这不是一个小决定。"原生这个事情很有可能做到最后就发现没做出来。训了一年，花了好多资源，结果这模型就是不收敛。"但沈宇军力排众议，坚持这是必由之路："如果数字世界那条路走不了特别长远，那这是一条必经的路。如果走不通，如果不是我们走通，也会有人走通的。"
好在，至少第一步迈出去了——"不敢说它一定是百分之百验证，但至少我们迈出了一步。"
灵波2.0：六个模型的完整体系
灵波2.0发布了六个开源模型，围绕"看得更清楚、想得更明白、干得更利索"三个层次展开：
视觉层（看得更清楚）：灵波Vision（几何原生预训练）→ 灵波Depth（空间深度感知）。弃用Dino v2这种语义理解预训练，改为从几何出发——"从边缘出发，让模型更好地理解几何概念"。效果体现在两个惊艳案例上：能看到反光水龙头流出的水流位置，以及玻璃门后的猫——"能看到是语义理解，摸不到是空间感知。"
架构层（想得更明白）：包括三个模型。灵波Video解决了MOE稀疏化训练——让专家被等概率激活，光这个技术点就花了两个月、失败了几十次。"把MOE训好是一个能力问题，不是一个态度问题。"灵波World解决了因果时序模型——时间不能倒流，必须单向attention。团队曾尝试把双向变单向，结果预训练中学到的知识大量被遗忘，果断放弃，从头设计单向。灵波VA 2.0则是所有技术的合集——从每一个参数完全随机化开始训。
执行层（干得更利索）：灵波VLA 2.0将支持的构型从9种扩展到20+种，增加了头、腰、底盘和灵巧手的自由度。这个升级的动力来自真实落地——实验室桌面的"干净setup"与真实场景的"需要抬手够高处、弯腰拿低处"存在巨大gap。
数据的鸿沟：为什么GPT-1时刻还没到？
沈宇军直言，具身智能还没有到GPT-1时刻，核心瓶颈在数据。
灵波2.0的预训练数据量从2万小时增长到6万小时，实际有效数据（经过更严格清洗后）约为上一版的4倍。但与互联网数据相比，仍差约两个数量级。他说："可能当具身的数据本身可以做scale up的时候，或者说能至少跟互联网达到相同量级的时候，是我心目中的GPT-1的时刻。"
好消息是，真机数据的获取成本在过去两年"至少降了三倍不止"——人员管理成熟、机器成熟、数据量产化。但挑战在于：Ego-centric等数据采集理念已经有了，变成可规模化、可被模型使用的产品，还需要打磨。
在数据来源上，灵波坚持真机数据为主、仿真只用于评测。原因是仿真数据"分布会相对同质化"——在它擅长的任务上可以瞬间生成海量数据，但对柔性操作（如撕开塑料袋）等复杂物理交互的模拟还不够成熟。
后训练的飞跃：100条→20条
2.0相比1.0有两个显著的效率提升。第一，1.0时100个任务需要训100个模型，2.0可以10个任务用一个模型解决。第二，每个任务需要的后训练数据从约100条降到了约20条——打桌球demo一共也只采了20条数据。
在泛化性上，位置维度的泛化已有突破：整理桌面时物品可以随机撒落、中途取出、跟人一起收拾，机器人都能应对。但任务维度的泛化——给一个从未见过的任务就直接完成——目前还做不到。"机器人的数据还是不够多。你见过的任务还是不够多，你没办法通过见过的任务组排列组合变成一个你没见过的任务。"
与LLM的关系：意图实现而非意图来源
沈宇军对具身智能与语言模型关系的判断非常清晰：两者不冲突，但解决的问题不同。
"语言模型更多的是让人听懂这个指令到底是什么。具身智能更多需要解决的是怎么把一件事情做好。做好本身是不需要再理解语言的。"灵波目前解决的是"意图的实现"——你说一句，它帮你把这事做了。但更高层面的"意图的来源"（如机器人看到下雨就主动拿伞）还未涉及。
沈宇军倾向于选择"具身智能是独立于语言模型的发展方向"这一派。"具身会继续拿大语言模型当一个比较好的入口，然后它会成长出自己的模型。它们两个中间可能只是一个交互的层面。"
中美路线对比：殊途同归
在机器人基础模型领域，硅谷的两条主线各有侧重。Generalist（谷歌系）强调高效后训练，数据管线更成熟，可能已积累几十万甚至百万小时数据。Physical Intelligence更强调zero-shot——希望不要后训练，什么都会做，在真机遥操上更扎实。
沈宇军认为两者殊途同归："如果设想未来有一天机器人真能进家庭，你肯定希望它有两个点：80-90%的活它自己就能干了，10-20%干不了的你教它一下就会了。这两个能力都必须具备。"
他还指出，Ego-centric数据采集的兴起和灵巧手的发展，可能会让两条数据路线（真机遥操和Yumi类型）都发生新变化——"合久必分，分久必合。"
行业格局：大脑落后于本体
沈宇军对2026年行业现状的核心判断是：大脑目前落后于本体。
硬件侧进步超出预期：宇树、智元等公司已跑通量产，灵巧手公司层出不穷，触觉传感器不断发展。软件侧则从show demo阶段快速进入场景落地阶段——"去年WRC的时候大家还是在show demo，今年反而demo提得少了，都在提进场景了。"
但不及预期的是数据。"在没有具身原生的东西真正出来之前，大家对数据量需求其实没有想象中那么迫切。没有一个具体的推动力让你马上一定要拿到这些数据。"
沈宇军判断，大脑和本体会"交替上升"：当前大脑落后，大量公司涌入做大脑→智能层跑得比本体快→某一天超过→对本体提出新需求→催生由智能重新定义的新一代本体公司。
汤晓鸥的传承与创业的"赌"
谈到老师汤晓鸥，沈宇军有两个深刻印象：幽默亲切（"他也是东北人"），以及"能比较快速地从乱序的混沌当中抓到一个主要矛盾"。答辩时别人问怎么做，汤晓鸥问的是"这个东西到底应该怎么用"——一个与行业落地相关的直击要害的问题。
这种精神延续到了沈宇军的创业中。他说自己经历了"两个第一次"——"第一个第一次是业（面向落地），第二个第一次是创（创业）。"最大感悟是：以前更关注技术的领先性，现在更关注技术哪一方面的领先性——是不是有价值的领先。
灵波的三次豪赌——传感器原生、具身原生、数据原生——都是在路径未知、资源有限的条件下做的。沈宇军的话直白有力："没有人知道哪一条路一定是成功的。在有限的资源下、路径不确定的情况下，就是要赌。敢做决定、敢赌，这是很关键很关键的一点。如果那条路一定成功，大厂一定成功了。"
中国优势：数据采集的空窗期
沈宇军提出了一个值得关注的观点：互联网数据是互联网时代的红利变现，但具身数据是一个空窗期——"现在大家都是一样的"。在这个空窗期，中国的硬件供应链、量产能力和人力优势，可能让中国在具身数据采集上跑得比美国更快。
灵波已经在建立"数据联盟"，与硬件和本体合作伙伴共建数据体系。但他们也明白，标准化的数据采集SOP是规模化的前提——"所有规模化东西一定要有标准"。
J人、令狐冲与家的定义
快问快答环节展现了沈宇军的个人风格。如果机器人有性格？"我希望它是个J人。核心还是要实用。在提供情绪价值和干活之间，我会果断选择干活。情绪价值应该由人来提供。"
推荐人生之书？《笑傲江湖》。"我特别喜欢令狐冲里面那种比较豁达的样子——什么都不太在乎的那种心理状态。我希望成为这样的人。"
最好的预期？"真的看到机器人进家庭了，跑的是灵波的模型。"最坏的？"就是没做出来呗，可能某一次赌的过程中赌错了。"
全球最喜欢的地点？"家。"最喜欢的食物？"日料。"