宇树科技刚把“具身智能第一股”的招牌挂上科创板，另一边，蚂蚁旗下的灵波又抛出一个问题：如果不造机器人本体，只做“大脑”，这家公司到底值多少钱？8 月 8 日，晚点 LatePost 报道，灵波正式启动首轮融资，拟募 15 亿元，年底前还要推第二轮。
慢不是问题，泛化才是
采访里有个细节很妙。有记者讲起在浙江仓库看到的场景：机器人叉车取货，工人三十秒干完的活它要一分多钟，遇到没见过的情况还会停下来“想一想”。台上的 CEO 朱兴没急着辩驳速度，只说了一句：脱离成功率谈效率，意义不大。在他看来，慢是个确定性的技术问题，迟早有解；真正卡脖子的是机器人能不能把任务完成，也就是对复杂真实世界的理解力——行内叫泛化能力，而泛化的难点本质在 data。
首席科学家沈宇军打了个比方叫“开门见猫”：数字世界的模型看一只猫，识别、描述、生成都不在话下；可对真要走过去的机器人来说，隔着一层玻璃门的猫“不该存在”，得等门推开，猫才在深度感知里一点点显形。
这恰恰点出了物理 AI 和语言 AI 的根本差别。数字世界里理解语义往往就够了，物理世界还多一层空间关系：人和人隔多远、谁在谁后面、要走几步才够得着。大脑比小脑破局更晚，核心原因就是数据——大模型几乎吞掉了整个互联网，物理 AI 的数据量却小得多，要理解的世界复杂度却指数级更高。
“具身原生”：不从数字世界模型改造
行业里做大脑主要有两条路：一条是 VLA，从多模态大模型迁移过来，落地最快；另一条是世界动作模型（WAM），由视频生成模型改造，擅长预测未来。灵波的选择是自己从头搭底座，叫“具身原生”——不直接把数字世界的模型改造成机器人，而是从物理世界的需求出发重做数据、训练目标和架构。
他们给出的阶段成果是 LingBot-VA 2.0，号称行业首个具身原生的世界动作模型。从语义视觉—动作 VAE、单向因果建模到 MoE 架构，都按机器人在真实世界里稳定干活的需求重新设计，并且从头预训练。朱兴打了个更直白的比方：两条路线的第一需求不一样，就像“两个人性格不合，长期在一起还是要出事情的”。
- 成立一年半，灵波已经发布十余款模型，组出 1.0 和 2.0 两代“全栈大脑”；
- 覆盖视觉、空间感知、世界预测到动作执行，技术未收敛时便于定位每一环的问题；
- 背后依托蚂蚁百灵团队训练 1T 参数开源大模型的整套 infra 能力，CTO 何征宇长期管基础设施。
不押注本体，反而做起了“土壤”
灵波给自己的硬件定位划了条线：会根据模型需要探索一点本体能力，但不押注本体，在大脑和硬件之间保持中立。做法是把跨构型的泛化直接塞进预训练——预训练见过某种构型的真实数据，模型在该构型上用起来就天然熟悉。LingBot-VLA 2.0 已经覆盖 17 家厂商的 20 多种构型，乐聚基于它只用约 300 条数据、微调一两天就能跑通场景。
更关键的是开源。灵波把大部分模型、300 万对 RGB-深度配对数据集，甚至完整后训练工具链都放了出来。朱兴想建两个生态：一个数据、一个本体，让伙伴的数据反哺大脑，大脑再输出给更多硬件。用他的话说，灵波像在种一片具身版的“蚂蚁森林”——自己不长成最高的树，而是给整片林子供养分。