它不像VLA或世界模型那樣高頻出現在論文標題裏，也很少被單獨寫進公開發布的技術框架中，但在一線團隊的觀點輸出裏，這個詞正在變成某種共識。
也許， 具身智能需要重新爲自己燒一套爐子。
這種變化並非憑空出現。今年2月，原力靈機在技術開放日上正式提出了具身原生的概念。
幾乎同一時期，美國Generalist AI團隊也開始強調從物理世界出發構建通用能力。
其GEN-0模型首次驗證了具身智能領域的Scaling Law，隨後發佈的GEN-1將平均成功率從64%提升到99%，執行速度達到此前基線的約3倍。
這些信號背後指向的是一個越來越難迴避的現實： 具身智能沒有捷徑可走 。
在互聯網數據中訓練出來的模型，可以理解語言、生成圖像，甚至做複雜推理；但一旦進入真實環境，面對不確定的物體、連續的動作和不可逆的反饋，這套能力體系往往迅速掉線。
問題不在模型規模，而在起點。
如果目標是讓機器人在物理世界中穩定完成任務，那麼它所依賴的感知、決策與行動能力，從一開始就不應該建立在數字世界優先的範式之上，而是需要一套從物理交互出發構建的原生模型體系。
就在今天，螞蟻靈波正式發佈了 行業首個具身原生預訓練模型LingBot-VA 2.0 ，一款基於自迴歸視頻生成模型、從頭進行全自主預訓練的世界動作模型。
此前的三天裏，LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-Video和LingBot-World 2.0已經先後亮相。
六款模型共同構成了 螞蟻靈波全棧大腦2.0體系 ，一個從空間感知到世界預測再到動作生成的完整閉環。
當類似的探索逐漸匯聚成一條隱約可見的新分支，問題也隨之變得更具體：當具身原生開始成爲共識，它究竟意味着什麼？又會把具身智能的技術路徑帶向哪裏？
01
具身原生，正在成爲行業分水嶺
當前主流的技術路徑，本質上可以被概括爲一種 拿來主義 。
它的邏輯並不複雜，用已經成熟的大語言模型或視頻模型作爲基礎，通過微調、加裝動作頭等方式，將原本用於理解世界的模型改造爲可以執行任務的機器人大腦。
這種路徑的優勢很明顯，可以直接繼承通用模型強大的語義理解能力，縮短開發週期，在一定程度上已經支撐起當前一批具身智能應用的落地。
但隨着機器人逐步進入複雜環境，這種路徑的邊界開始顯現。
首先，它的訓練目標本質上仍然圍繞預測下一幀或者理解語義，更擅長捕捉相關性，而不是建立因果關係。
但機器人面對的不是靜態內容，而是動態的物理世界，它的核心問題是如果我這樣做，會發生什麼 。
其次，從架構到數據再到訓練邏輯，這些通用模型都不是爲物理交互設計的，後期適配不可避免地存在結構性鴻溝。
這種鴻溝在簡單任務中不明顯，但在複雜場景中會迅速放大。
更關鍵的是，在動態環境中，這類模型往往依賴“看-做-修正”的反饋機制，響應存在滯後，對新場景的泛化能力也高度依賴額外數據補齊。
也正是在這樣的背景下，具身原生開始成爲另一條逐漸清晰的路徑。
所謂具身原生，並不是簡單的技術疊加，而是一種從底層重構的思路。
從數據體系、訓練目標到模型架構，全部圍繞機器人在物理世界中的感知、決策與執行任務進行設計，並通過全自主的從頭預訓練來完成能力構建。
這帶來的變化，本質上是從看懂世界再行動，轉向預判世界並主動行動。
如果進一步對比，兩條路線在多個關鍵維度上呈現出明顯差異：
-
在預訓練方式上，一方依賴遷移微調，另一方從零構建；
-
在建模目標上，一方偏重相關性，另一方強調因果關係；
-
在架構邏輯上，一方服務於通用理解，另一方直接面向執行；
-
在指令與動作的關係上，一方是間接映射，另一方則嘗試原生打通。
爲什麼越來越多的討論開始傾向於認爲，具身原生可能成爲下一階段的主導路徑？
核心原因在於， 機器人任務的本質， 是因果驅動的物理交互，而不是內容生成。
簡單來說，預測下一幀會發生什麼，並不能回答如果我移動這個物體，結果會怎樣。
只有建立因果模型，機器人才能具備真正意義上的自主決策能力。
這種趨勢也已經在行業中得到側面驗證。
LingBot-VA 1.0開源時，包括英偉達在內的多個團隊開始加速佈局世界動作世界模型方向，某種程度上說明，這條路徑並不是孤立嘗試，而是正在成爲共識的一部分。
02
五個能力躍遷，讀懂LingBot-VA 2.0的原生實力
如果說具身原生是一種方法論，那麼LingBot-VA 2.0則是這一方法論的具體體現。
它的價值並不在於某一個單點技術，而在於圍繞機器人真實作業需求，完成了一系列關鍵能力的躍遷。
首先是從相關性走向因果性。模型不再依賴通用模型的微調，而是基於自迴歸視頻生成模型從零開始預訓練。
其核心任務從學習畫面如何變化轉變爲學習動作如何改變世界，即建立行爲與結果之間的物理因果對應關係。
這種轉變使機器人具備真正的自主決策能力，而不是簡單的被動響應。
爲此，LingBot-VA 2.0模型首次提出了自迴歸視頻-動作世界建模框架，將視頻生成與控制深度融合，在預測下一步世界狀態的同時直接推演並輸出相應動作序列。
這一框架讓模型在預測世界狀態的同時，直接生成可執行的動作序列，真正實現了從想到做的閉環。
在此基礎上，模型進一步實現了從反饋執行到前瞻行動的升級。
傳統機器人採用感知-執行-修正的循環，在靜態環境中尚可，但在動態場景中容易因滯後而失敗。
LingBot-VA 2.0引入foresight reasoning機制，使機器人在執行當前動作時持續預測未來幾幀的狀態變化，並據此實時調整控制策略。
這種邊執行邊推演的能力顯著提升了控制頻率，並在物體移動或環境擾動等複雜條件下保持了較高的成功率和魯棒性。
例如在LingBot-VA 2.0驅動的機械臂空氣曲棍球演示中，模型能夠實時應對對手的隨機擊打併調整動作，展現出強大的動態適應能力。
另一個關鍵突破，是打通指令與動作之間的鴻溝。
傳統系統中，機器人往往聽得懂但做不對，原因在於語義理解與動作生成之間缺乏統一表示。
LingBot-VA 2.0通過新一代VAE結構，將語義與動作原生對齊，使指令可以更直接地轉化爲正確執行。
這一閉環設計從根本上消除了理解與執行之間的偏差，大幅提升了任務執行的準確度。
在工程層面，模型還需要解決一個現實問題，能不能實時幹活。
機器人部署對實時性要求嚴苛，如果模型推理成爲瓶頸，會直接導致任務失敗。
LingBot-VA 2.0通過MoE架構與異步推理機制，系統可以按需激活不同專家模塊，並將推理與執行節奏解耦，在保證性能的同時提升效率，使模型真正具備落地能力。
但這一架構的實現本身就充滿了挑戰：如何在訓練中保證多個專家模塊被均勻且稀疏激活，是MoE成功的關鍵。
得益於此，模型在保持高容量同時實現了顯著的推理加速，特別適合傳送帶抓取等對實時性要求極高的場景。
最後，是數據層面的突破。預訓練模型的終極檢驗在於面對新場景時的泛化能力。
LingBot-VA 2.0僅需少量樣本即可在後訓練階段完成適配，這直接證明模型學到的不是場景記憶，而是可遷移的物理規律和因果邏輯。
這種輕量化適配不僅降低了新任務的數據採集成本，也極大簡化了部署流程，爲產業規模化應用打開了現實通道。
總的來看，LingBot-VA 2.0的意義，不在於單一技術指標的提升，而在於它讓具身原生從概念變成了一條可以被驗證、被複現的技術路線。
03
從單點突破到全棧大腦2.0，螞蟻靈波的完整佈局
如果單看LingBot-VA 2.0，很容易把它理解爲一次單點突破。但實際上，它更像是整個體系中的收口。
螞蟻靈波此次構建的全棧大腦 2.0，本質上是一套完整的能力閉環，着力解決三個核心問題： 看得更清楚、想得更明白、幹得更利索 。
看得更清楚，對應從傳感器出發的原生空間智能 ， 由LingBot-Vision空間原生視覺基模與LingBot-Depth 2.0深度感知模型組成，爲機器人提供高精度、穩定的空間視覺輸入。
例如在透明玻璃門場景中，模型能準確判斷門後物體的可通行性，避免了看得見卻摸不着的典型數字世界幻覺。
想得更明白，則聚焦從模型設計和訓練範式出發的原生架構。
其中，LingBot-Video通過MoE架構平衡模型規模與推理效率，LingBot-World 2.0通過Causal Pretrain保證因果建模能力，而LingBot-VA 2.0則作爲基於以上技術的集大成者，實現視頻-動作世界的深度融合。
幹得更利索，源於從物理世界執行任務角度出發的原生數據驅動。
LingBot-VLA 2.0作爲具身操作基座，在預訓練階段已經覆蓋了多種硬件構型。
依託海量真機落地場景，持續反哺模型迭代，適配更多硬件構型與作業自由度。
相較於數字世界模型依託互聯網數據快速迭代的成熟路徑，物理世界智能的進化，更需要產業場景共建、真機數據沉澱。
而LingBot-VLA 2.0正是螞蟻靈波深耕產業落地、推動物理數據共建共享的核心載體。
正如螞蟻靈波首席科學家沈宇軍所言，物理世界的數據獲取充滿挑戰，需要傳感器對齊、真實交互等長期積累，這也是LingBot-VLA 2.0通過海量真機場景反向驅動迭代的核心價值。
在這個體系中，可能有人會問VLA 和 VA 該如何共處。
答案是清晰的：前者解決的是今天能不能用，承擔規模化落地與數據沉澱的任務；後者則定義未來能走多遠，探索能力上限。
兩者並不是割裂的，而是在同一數據體系與技術理念下協同演進。
這種從感知到執行再到預測的閉環，使得全棧大腦不再是概念，而是一種具備工程落地能力的系統設計。
04
重構產業生態，螞蟻靈波的開源目標與商業落地
任何技術路線，最終都需要在真實世界中接受檢驗。
在生態層面，螞蟻靈波已經與星塵、樂聚、松靈、智元、星海圖、宇樹等多家廠商完成適配驗證。
其中，LingBot-VLA 2.0在預訓練階段已覆蓋17個主流機器人品牌的20種構型，這意味着其模型設計具備較強的通用性與兼容能力。
例如在物流分揀場景中，樂聚機器人已經基於相關能力展開應用；在零售藥房場景中，國大藥房實現了實際部署。
在感知層，奧比中光將LingBot-Depth 2.0集成進其數據採集設備與SDK，進一步擴大了應用邊界。
從評測結果來看，其性能優勢也得到了量化驗證。
在上海交通大學GM-100評測中，LingBot-VLA 2.0在雙臂操作任務中的平均進度分與成功率均領先於π0.5與GR00T N1.7。
在開源策略上，螞蟻靈波採取了一種相對剋制但清晰的路徑。
LingBot-VA 2.0本身暫不開源，但其關鍵技術支撐，包括LingBot-World 2.0與LingBot-Video，以及LingBot-Vision和LingBot-Depth 2.0，已經在Hugging Face與魔搭社區開放。
這種關鍵能力開源、核心產品閉源的方式，一方面降低了行業進入門檻，讓更多開發者可以驗證技術路線；另一方面也保留了商業化所需的核心壁壘。
數字世界模型的成功是因爲有互聯網數據的積累，但物理世界的數據缺口不可能靠一家公司填上，它需要整個行業共建。
這纔是螞蟻靈波選擇開源的真實意圖。
具身智能的發展，正在從有沒有智能，走向智能從哪裏來。
通用模型遷移不會消失，它仍然是當前階段的重要路徑。但隨着機器人越來越深入真實世界，這種路徑的侷限也在不斷顯現。
具身原生提供的是另一種可能性。
這並不是簡單的技術路線之爭，而更像是一場關於機器人大腦如何被定義的長期博弈。
通過LingBot-VA 2.0與全棧體系，螞蟻靈波給出了一種相對完整的答案。
但這條路徑是否會成爲主流，仍然取決於兩個變量：數據是否能夠規模化積累，以及模型是否能夠持續泛化。
在這場關於具身大腦的長期競逐中，真正的分水嶺，或許纔剛剛出現。