摘要
当大模型加速进入物理世界，一个看似顺理成章的技术路径是：把已经在数字世界训练成熟的模型装进机器人，再接上动作控制。但这是否就足以构成机器人的“大脑”？ 7月19日，在蚂蚁InclusionAI与PyTorch基金会联合举办的“AGI基础设施与普惠实践”论坛上，蚂蚁灵波科技首席科学家沈宇军以《蚂蚁灵波全栈2.0，打造具身原生的机器人通用大脑》为题发表演讲。他给出的判断是，物理世界不是数字世界的简单延伸，机器人需要一套从感知、预测到行动，都为物理世界重新设计的基础模型体系。 蚂蚁灵波首席科学家沈宇军发表演讲 01. 从数字世界到物理世界，机器人要跨越三道鸿沟 沈宇军把机器人大脑面临的挑战概括为三点：看得更清楚、想得更明白、干得更利索。 第一道鸿沟来自传感器。数字世界的视觉模型擅长识别“这是什么”，机器人还必须知道“它在哪里”“离我多远”“中间能不能通过”。例如，隔着透明玻璃看见一只猫，并不意味着机器人能够直接触碰它。视觉语义上“看见”，不等于物理空间上“可达”。 第二道鸿沟来自高动态交互。数字内容模型可以在相对完整的上下文中生成结果，机器人面对的环境却随时可能被人打断、被物体遮挡，或因一次接触而发生变化。它不能一次规划到底，而是要在行动中持续预测下一刻，并根据反馈实时修正。 第三道鸿沟是泛化与产业落地。机器人不仅要在一台机器、一个任务上表现良好，还要让已经学会的能力迁移到不同构型和真实场景，降低重复采集数据和重新训练的成本。对具身智能而言，能做出一次演示只是起点，能在不同本体上稳定复用才更接近通用能力。 02. 蚂蚁灵波全栈2.0：打造具身原生的机器人通用大脑 针对这三道鸿沟，蚂蚁灵波全栈2.0形成了从空间智能、环境反馈到灵巧操作的大脑能力闭环。 蚂蚁灵波应对数字世界与物理世界鸿沟的解法 在空间感知层，LingBot-Vision从几何结构出发进行视觉预训练，为机器人建立面向空间原生的视觉基座；基于LingBot-Vision，LingBot-Depth 2.0进一步弥补传感器误差，重点处理透明、反光和密集物体等真实环境中的难题。目前，蚂蚁灵波已与奥比中光展开合作，将LingBot-Depth 2.0集成至其相机产品，搭载相关能力的相机已面向全球市场销售。