對話螞蟻靈波 CEO 朱興：機器人還喫不了「粗糧」
機器人打拳跳舞火了一年，它什麼時候才能替我們上班？
前段時間宇樹發佈人形機器人格鬥演示，稱首次實現由世界模型實時驅動的全自主搏擊。據其介紹，UnifoLM-X2-1.0 能實時預測未來狀態，完成規劃、決策和動態交互。
自主格鬥讓我們看到機器人臨場反應的進步，但如果換成在藥房裏取放商品這樣的場景，另一組難題又來了：包裝各異的藥品、有人走動的貨架通道、長時間運行中不斷出現的意外。
這些日常任務，需要機器人把一次次判斷變成持續、可靠的工作。
APPSO 在 2026 外灘大會現場跟螞蟻靈波 CEO 朱興進行了交流。聊到機器人爲什麼連小賣部都還沒大規模落地，他直言：「小賣部其實也很難落地。我懂你的焦慮，今天還是能力和成本兩個都有問題。」
與許多圍繞整機產品展開研發的本體廠商不同，靈波把重心放在具身「大腦」上，希望同一套基礎模型能夠適配不同構型、不同任務，再通過後訓練降低具體場景的使用門檻。重載作業和輕量分揀可以用不同的身體，智能則儘可能複用。
生成可交互世界的 LingBot-World 也是靈波技術探索的一部分。它還訓練了面向具身的視頻生成基座 LingBot-Video，並在此基礎上訓練動作模型 LingBot-VLA 2.0，同時建設數據管線、後訓練和部署工具。
朱興關心的是，這些投入能否讓機器人用更少的數據學會幹活。
我們在外灘大會上，也看到靈波大腦的機器人展示了藥品揀選、物流分揀和工業上下料等操作。藥房演示中的貨架通道僅 80 釐米寬，相關方案已在國大藥房零售門店部署。
靈波也保留了自己的 R 系列本體，用於研發和生活服務探索。做具身大腦，仍然得與硬件、具體場景一起磨合。
在現場交流中，朱興談了不少尚未解決的問題：小模型能完成特定任務，爲什麼還要花錢訓練基模？數據越多，效果爲什麼可能越差？商業化又該推進到哪一步？
對於日常生活中產生的數據，他的判斷很有意思：今天的機器人還喫不了「粗糧」。
以下內容整理自螞蟻靈波 CEO 朱興的媒體溝通會，APPSO 略經編輯。
一、小賣部，也沒那麼容易
Q：藥房、上下料看起來都很普通。爲什麼不選一些更能體現技術水平的場景？
朱興：我們更在意的是跟生態合作伙伴一起，做一些實實在在的落地。今天要讓它做一個很炫的事情，那也是一個 demo。我讓團隊搞兩個月，可以讓四個機器人打摜蛋，展示高精度、觸覺等非常多的技術，也沒太大意義。
我們看重的是真實應用、數據的產生。在這個過程中，讓模型迭代循環起來，知道還有哪些不足，要提升什麼。
產業也想搞既能規模化應用、又更帥的東西。做不了，模型能力還沒到那一步，或者成本還沒到那一步。
Q：連抓取、放置這樣的簡單操作，也很難做到 100% 成功嗎？
朱興：要看場景、環境和任務本身操作序列的複雜度。
小賣部其實也很難落地。我懂你的焦慮，今天還是能力和成本兩個都有問題。模型能力、硬件穩定性，有些就是夠不着。
今天整個模型還在冷啓動階段。基模幹什麼？是把小學生培養成初中生、高中生、本科生，現在可能還在比較早的階段。
相對客觀地說，現階段想做一定規模的落地，環境不能太開放，任務不能太長程。任務太長，異常就多。今天主流可落地的產品基本還是模仿學習爲主，最怕異常，因爲沒見過。還有成本約束，你創造的價值不夠，自己又貴，長期也玩不轉。
Q：既然如此，先把一個小模型訓到能穩定幹活，爲什麼還要投入通用基模？
朱興：如果階段性只做一個非常特定的任務，也不追求規模化複製，直接懟一個小模型，也不是不能做。但你要看，規模化是不是意味着跨場景、跨任務、跨場所複製，這裏面有泛化的挑戰。
基模能力跟成功率不衝突。基模很大的價值，就是讓後訓練的少樣本表現更好：用更少的數據達到同樣的效果，或者用同樣的數據達到更好的效果。這個效果就包含成功率。
基模提升是水漲船高，跟大語言模型的基模發展，帶動生態應用是一樣的道理。
Q：從一家門店複製到另一家，現在卡在哪兒？
朱興：我們過去一段時間把模型從實驗室拿出來，跟很多夥伴做落地，確實會遇到一個門店和多個門店複製的問題。現在複製成本很高，本質上還是泛化性不足。不同藥房、不同便利店，環境有很多不一樣。
短期可以先選沒那麼開放的環境，壓縮泛化的挑戰；任務不要太長程，先偏單任務。模型可以先驅動一部分環節，再到更多地由模型主導，能力成長要有一個爬坡過程。
二、礦泉水不能跳着舞落到手上
Q：現在很多做視頻、遊戲的公司都在談世界模型。它們的能力，能直接用來控制機器人嗎？
朱興：有些詞的概念很泛。具身的世界模型，跟數字世界、遊戲裏的模型，客觀講也不是一種生物。以視頻生成路線爲基礎的這類世界模型，底層用的是視頻生成的原理，但數字世界和物理世界差別比較大。
數字世界的模型，滿足的是內容需求：豐富、好看、創新、特效、畫質。只要好，用戶可以接受延遲。
機器人需要什麼？它不需要那麼好看，也不需要特效，需要的是合理，符合物理規律，因爲最終要變成動作，控制機器人。
比如我現在想喝這瓶礦泉水，礦泉水在天空中跳個舞，落到我手上，肯定好看，但不符合物理規律，沒意義。
機器人第一在乎是否符合物理規律，第二需要高性能、實時。它在物理世界裏不斷輸入、輸出，不可能等你幫它生成一個很好的故事。
Q：靈波也嘗試過在通用視頻模型上微調。爲什麼後來決定從頭做？
朱興：1.0 系列的時候，我們也是基於數字世界的通用視頻生成模型，比如 Wan，通過微調把它硬調到適合機器人。
一個問題是上限不高。另一個問題是，調到最後會破壞前面模型的先驗和知識，副作用就是泛化性降低。走到後期，我們真的是撞到南牆了。
所以我們很早就啓動了更原生的研發。LingBot-Video 訓練時加入了大量機器人真實數據，再基於它訓練 LingBot-VLA 2.0。
我們相信物理智能需要基於物理真實數據，從 0 到 1 訓練自己的基模。數字智能，包括多模態、大語言模型的發展，可能會給具身很多助力，但內核部分還要靠具身本身解決。
Q：從頭訓練基模，投入更大、風險也更高，爲什麼還要選？
朱興：因爲我們希望長期發展，選擇上限更高的路線。從 0 到 1 大規模訓基模挺費錢的。
大語言模型興起之後，有的選擇基於別人的基模微調，有的冒更大風險投入預訓練。選擇後者也不見得跑得出來。今天具身也進入了「百模大戰」初期，你選一個更高上限的路線還不見得做得出來，但不選擇的話，肯定做不大。
Q：LingBot-World 2.0 開放了 1.3B 小模型。模型小了，幻覺和效果損失怎麼辦？
朱興：不可能說幻覺完全沒有。模型小了這麼多，效果完全保持一致，也不現實。
我們之前說過會開放更小的版本，希望對高交互世界模型感興趣的人能更多地玩起來，這是想給技術社區做的貢獻。
這次也開放了一部分訓練技術。比如怎樣訓練單向因果的能力，機器人的時間一定是單向的，在線預測要按時間順序使用已經發生的觀測，不能依賴未來的真實幀。從現在到未來，不可能穿越。這些技術本身也有門檻，希望能幫助開發者和學術界。
三、「煉丹」背後，是數據的配方
Q：行業總在談百萬、千萬小時數據。你相信 Scaling Law 嗎？
朱興：我也相信 Scaling Law。但不能這麼機械地看數據量。
現在已經有這種現象：一個模型用的數據比另一個多了 3 倍、5 倍，效果卻差，但在某些類型的場景任務上表現得特別好，肯定是數據分佈大量不均衡。我們做基模，談的是一定的通用性。
量重要，但更要談質量和分佈。大家老說「煉丹」，煉丹背後就是配方，數據的配方。
我知道大家特別想大力出奇跡，覺得懟到多少小時，智能就湧現了，具身智能新時代就來了。這個事情不太簡單。
Q：有人說數採廠 90% 的數據無效。問題出在數據供應商，還是模型公司？
朱興：我不知道這個數字是誰說的，怎麼統計出來的。確實，不管哪種數據源、哪種採集方式，都有大量場景重複。過度重複的數據，意義沒有那麼大。
但作爲模型方，你有義務定義需要什麼數據、什麼質量，不能把這件事賴到數採廠。
數據需求是模型訓練來定義的：要什麼類型，什麼分佈，覆蓋哪些場景、哪些任務。難採的先試採，形成比較好的標準作業流程，再交給供應商上量。這是模型廠商很核心的經驗和能力。
供應商則要把執行做好。要求採抓藥瓶，就要把軌跡質量、平滑性、適當的泛化性做好。各有各的責任。
Q：靈波具體怎麼做？
朱興：我們很早就轉向定製化採集，不怎麼購買成品數據了。成品數據容易有技術質量差、大量重複的問題，導致最終能用的比例很低。
我們跟供應商在作業流程、端到端數據管線的自動化集成上，做了很多工作。內部從原始數據到能進入模型訓練的數據漏斗，可用率比較早就從 15% 左右拉到了 90% 以上。
還有一個特別關注的問題：數據從生產出來，到進入訓練，到底要多久，是一週還是三天？我們跟供應商基本採用流式交付，不等一大批數據攢齊再交。
Q：想把質量握在手裏，是不是最好自己建數採廠？
朱興：沒必要非黑即白。
專業供應商有大規模用工的能力。管理很多生產員，怎麼考覈、激勵，產能怎麼保留彈性，這也是能力。至少靈波不擅長，也不想把自己搞得那麼複雜。
未來數據要進入更多場景，進入場景本身也需要運營。我們把數據管線做得更高效，對數據理解得更深，再跟專業服務商配合，是 1 加 1 大於 2。
Q：第一人稱視角的 Ego 數採很熱。戴個頭環、眼鏡拍下人幹活，就夠了嗎？
朱興：Ego 是一個很好的思想，以人爲中心，更便攜，更容易進入開放場景，能夠增加場景和任務的多樣性。但要看具體怎麼採。
頭環加裸手，當前比較大的問題是精度。手的軌跡是重建出來的，誤差過大的時候，數據價值就打折了。
我比較看好結合高精度、便攜的觸覺手套。既保留 Ego 的優勢，又藉助硬件和算法解決精度問題。還有一個重要的點，視覺和觸覺的信息天然可以對齊，只要誤差不要太大。這類數據對下一步模型發展意義很大。
至於設備有兩個、四個還是六個相機，視角不同，都有用途。關鍵還是數據滿足什麼標準，軌跡精度夠不夠。
Q：互聯網視頻、仿真和真機數據，到底應該怎麼配？
朱興：不要輕易談不同數據源的配比。互聯網視頻操作數據那麼多，配那麼一點點真機數據，不就淹死了嗎？
要分訓練階段。越往預訓練，我們越希望獲得場景泛化，所以用無本體數據、互聯網視頻等更容易擴大規模的數據。越到後訓練，越要針對具體場景、具體任務把成功率拉上去，貼近機器人的數據就越有價值。落地前還要採數據，就是讓模型熟悉機器人的構型、任務和環境。
仿真數據也有價值。我認爲今天更多體現在中後訓練，尤其是針對某個具體任務，強化成功率。每種數據都有階段性的價值，不能混在一起只看一個總量。
四、真正的飛輪，要能接住失敗
Q：數據一直要靠人專門去採。什麼時候才能讓機器人邊工作，邊給自己積累數據？
朱興：今天還很早，是冷啓動，靠各種數採強制喂。再往前走，有一點應用規模了，至少部分場景裏的異常數據飛輪可以轉起來。
這時候看重的是異常數據，成功數據沒有那麼大意義。
Q：再往後，真正的數據飛輪會是什麼樣？
朱興：我認爲什麼纔是具身智能真正的數據飛輪？其實每個人的日常生活或者工作過程中，都在爲機器人生產數據。
Q：這些日常數據，現在能直接給機器人用嗎？
朱興：你現在給它，它也喫不了，喫不了「粗糧」。
Q：既然關鍵在數據，是不是模型架構已經沒那麼重要了？
朱興：數據現在很重要，未來更重要。但模型範式沒有完全收斂。世界模型的能力怎麼用好，機器人未來的學習範式，都還要發生變化，必須持續探索。
不要把這個跟 Transformer 那一層的計算架構混爲一談。計算架構一換，大家都會換。模型範式有新東西出來，別人也會對齊。
所以要把數據管線做得更高效，對數據的理解更深。離開這個東西談模型，沒有意義。
Q：那大語言模型公司下場，會不會很快把這些優勢抹平？
朱興：我打個比方，如果今天 OpenAI 或者 Anthropic 下場做自動駕駛，能短時間顛覆特斯拉嗎？
大模型廠商在訓練能力等方面有優勢。但自動駕駛更核心的壁壘，還是數據：什麼是好數據，對數據的理解，以及數據管線。
通用大模型可以提升機器人特定階段的研發效率，是很好的工具支持。但具身面臨的數據挑戰還在那裏，還是要自己解決。
五、人形，不必成爲執念
Q：爲什麼把適配不同機器人構型，看得這麼重？以後不會收斂到一種通用的人形機器人嗎？
朱興：構型泛化是長期存在的問題，也是產業需要。
先看生產力場景。高負重的重載作業，和很輕的分揀，爲什麼要同一套硬件配置？爲什麼一定要同一種構型？有的單臂用六軸就可以，有的需要七軸甚至更多。要服務效率，背後是成本。
再看家庭，每家的第一需求也不一樣，有的要老人看護，有的要陪伴，喜好也不同。人都有高矮胖瘦。
我覺得機器人沒必要長得像人、什麼都像人。我們更應該看具身智能作爲一項技術，能在社會里創造什麼價值。把「人形機器人必須更像人」當成第一性原理，我不覺得是科學的方法。
Q：外骨骼這類產品好像不太需要大腦。一定要用大模型，纔算好的機器人嗎？
朱興：我們談具身智能、談大腦，一般希望它能泛化。有的場景不需要怎麼泛化，完全可以用其他技術更穩健地解決，這是沒問題的。
技術都是手段，最終滿足場景需要是最關鍵的。過去工業機器人基本上把能窮舉的規則都做了，再往前，有些場景就做不了了。
Q：靈波做大腦，爲什麼還要做自己的 R 系列機器人？
朱興：研發肯定需要軟硬一體。模型需要數據，數據由硬件產生，自己不做，也得找別人定製。
另外，螞蟻集團的核心業務沉澱都是圍繞生活服務的，我們也想更早探索生活服務。從早期的擔保交易，到掃碼支付、民生服務，再到醫療健康，螞蟻一直在做這些事。未來到了物理智能的時代，怎麼更好地在家庭中服務人？具身智能是中間繞不過去的橋樑。
R 系列的特點是底盤小，感知設備多，在力控等方面做了不少軟硬件處理。生活服務裏的通行、避障更復雜，要考慮安全。這還不是產業主流的出貨場景，想提前探索，就需要合適的硬件平臺。
工業、物流等夥伴的出貨場景，我們不碰，提供基模和工具鏈。生活服務處在嚴格的 To B 和 To C 之間，是機器人進家庭之前的前哨。
Q：爲什麼先選藥房？
朱興：藥房是試點，確實有需求。大藥店白天外賣訂單高峯時，到店客人會佔用藥師很多時間，機器人能不能輔助一下？夜間更痛苦，一些藥房的訂單量大，外賣佔比又高。
我們是把機器人放進有人的藥房裏工作，要解決人機安全問題。抓拿取放裏也有商品泛化問題：棉籤、膏藥等等，可能有幾千個 SKU，類別很豐富，很多也是家裏會有的物品。
第一，確實有商業需要，或者至少能模糊地看到；第二，它對技術有牽引，對未來進入家庭的探索也有幫助。
Q：離一個可以放心留在家裏的機器人，還有多遠？
朱興：「進家庭」不能模糊地講。是情緒陪伴，還是做一些輔助操作？還是最後既特別聰明，操作又特別好，讓你像信任家人一樣信任它？
如果說的是最後一步，我不好估計時間。安全、倫理等非常高階的問題，還有很多空白。人對安全的感受，包括複雜的物理交互，都很高階。
但我覺得可以一步步來，從情緒陪伴到輔助操作，讓機器人通過少量樣本學會一些技能，可能花幾年時間逐步往前走。
六、「Chat」比「GPT」更重要
Q：具身智能需要這麼多公司都做基模嗎？
朱興：從基座公司的角度，確實不需要太多家。大模型從「百模大戰」走到今天，已經比較收斂。具身也會走向幾家爲主的格局，只是今天可能纔剛剛開始「百模大戰」。
但產業需要很多角色協作，硬件、數據、智能、場景，都要配合。
我們何德何能把大腦做得非常領先，還把所有東西都做得非常領先？上帝不會這麼眷顧靈波。
Q：什麼樣的公司能活到最後？
朱興：我真不知道，回答不了。如果我能回答，靈波就可以「長生不老」了。
Q：你們希望跟本體廠商、場景公司形成什麼關係？
朱興：靈波核心是輸出智能，提供閉源版基模和工具鏈，幫助夥伴更高效地後訓練、採集後訓練數據、清洗標註、做端側量化部署，以及真機強化學習。
我們提供技術服務，一起探索後訓練，不斷磨合。在這個過程中，希望形成一個數據網絡，尤其讓異常數據更多回流。
機器人總體是非標產品，對接客戶需求、集成交付、維護，都非常重。靈波自己做，能做幾家？需要生態一起做。
Q：一方面堅持長期投入，另一方面又要落地。商業化的分寸怎麼拿捏？
朱興：我們不會爲了一個更好的收入數字過度推進商業化。一是不可持續，二是會階段性地把團隊精力耗掉，撿了芝麻丟了西瓜。
但再剋制，也不能不做。只有付費的商業化，才能迎接更真實的考驗。
商業化是公司非常重要的能力。再好的技術，也要在不斷接受商業化挑戰的過程中沉澱。做有限的商業化，我們更在意的是讓團隊具備這種能力，讓技術和產品成熟起來。
Q：未來一兩年，普通用戶和從業者應該看什麼信號，判斷行業真的向前走了？
朱興：在環境、任務複雜度沒那麼高的情況下，一些地方的賬會逐漸算過來。我個人判斷，從今年下半年到明後年，生產力應用的量可能會快速增長。
我特別期待明年有兩個指數級的變化：真實場景裏，以模型驅動爲主、在幹活的機器人數量增長；同樣的真實場景和任務，後訓練成本，尤其數據成本，能指數級下降。
Q：你認爲具身智能會有自己的「ChatGPT 時刻」嗎？
朱興：我覺得會有這個時刻，但判斷不了，技術爆發很難預期。
ChatGPT 更重要的是 Chat，不是 GPT，不 Chat 也不行。這很像具身下一步的發展，哪怕是 To B 應用，也要推到一定規模，把這個閉環轉起來。我感覺 Chat 比 GPT 更重要。
最後的話
現在要買一個機器人來分擔工作，你大概要付出更多額外的的工作：教它、盯着它，在它卡住時接手。這恐怕是生產力機器人最需要避免的尷尬。
機器人替人幹了多少活，人就要替機器人操了多少心。
對想用它節省人力的客戶，單次抓取成功只是開始。一天需要接管多少次？換一批商品要重新教多久？出錯後，普通員工能處理，還是得等工程師？這些負擔足夠低，機器人的工作才真正變成了人的空閒。
這裏有一個繞不開的矛盾：機器人需要真實工作中的反饋才能進步，但客戶買它，是希望工作少一點。當然仿真訓練也在快速進步，但海內完全取代
朱興在外灘的具身論壇裏，認爲機器人總體還處在「童年」階段，但也該下場幹活，否則「學習不完整」。前提是場景相對安全。把任務拆小、把環境控制住，讓機器人先承擔一部分工作，有現實理由。
但這種學習成本，不能含糊地全部交給使用者。早期的工廠、藥房可以選擇共同試驗，雙方說清楚哪些能力已經可用，哪裏還需要人兜底。家庭裏的老人和孩子，卻不能被默認成配合訓練的工作人員。進入生活之前，機器人得先證明，它帶來的幫助大於它需要的照顧。
基礎模型的一次進步，應該讓更多機器人少學幾遍、少犯幾次錯，也讓夥伴少跑幾趟現場。朱興強調異常數據迴流，其價值就在這裏：一次失誤能否變成後來者的經驗。
如果每臺機器人都要從頭犯同樣的錯，「通用」的價值就還沒有兌現。
如果只收走數據，卻不讓已交付的機器人用上改進，用戶就承擔了訓練成本，卻沒分到模型進步的好處。
朱興也承認，有些場景並不需要多強的泛化，用其他技術也可以解決。做大腦的公司，也得接受客戶未必需要一顆最聰明的大腦。
行業在爭論模型路線、參數和數據量，但用戶最終買單的理由，應該是「這件事終於不用我管了」。
#歡迎關注愛範兒官方微信公衆號：愛範兒（微信號：ifanr），更多精彩內容第一時間爲您奉上。
