标签： 具身智能

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。

现在做机器人的公司，几乎都在死磕同一件事：训练一个能干没学过的活儿的基础模型。有人拿几百万条网络视频喂模型，有人搞计算机仿真，还有人让工人戴着装满传感器的手套干活来采集动作数据。路子五花八门，但方向出奇一致——都在卷模型能力。

一家叫 Enigma 的研究实验室偏不这么玩。这家成立还不到一年的公司周一刚从隐身状态浮出水面，顺手宣布了一笔 7000 万美元的种子轮融资，由 Index Ventures 和 Ribbit Capital 领投，Conviction Partners 的 Sarah Guo 跟投。种子轮就是这个数字，在机器人赛道也算是相当扎眼了。

不卷模型，先研究人怎么”使唤”机器人

Enigma 的思路是反着来的：与其闷头堆模型能力，不如先搞清楚人类到底想怎么跟机器人打交道。他们赌的是，把交互研究明白了，不仅能做出更顺手的界面，说不定还能长出一种不一样的”机器人大脑”。

为了验证这件事，Enigma 准备上线一场大型公开实验：全世界任何人都可以在线操作他们的 100 多台自研 AI 机器人。这些机器人放在以色列和加州的机库里，能拿画笔画画，能互相”击剑”，还能拎起烧瓶做简单的化学实验。公司称机械臂和底层模型全部从零自研。

联合创始人 Jacobi 打了个比方：如果洗个碗要先花 15 分钟跟机器人解释东西放哪，谁都会说”算了，我自己来”。而现在，哪怕用最强的模型，大家也都卡在这一步。

他心里的标杆是汽车音量旋钮——伸手一拧就行，不用输入一个百分比再赌它会不会太吵。Enigma 想通过这场在线实验收集真实交互数据，找出机器人领域的那个”音量旋钮”：到底是打字、说话，还是给机器人看段示范视频，又或者是点按拖拽？

两个网络安全老兵，闯进机器人赛道

有意思的是，两位创始人都不是机器人科班出身。Jonathan Jacobi 是微软史上最年轻的员工，当年由 Wiz 创始人 Asaf Rappaport 亲自招进去；他和 Gal Niv 十几岁时在黑客竞赛上认识，后来一起在以色列 8200 部队做网络安全研究。去年俩人决定创业，挑了个自己完全没干过、但他们认为问题最带劲的领域。团队里有顶级 AI 实验室出来的人、数学奥赛冠军，还有几位被劝退学的博士生。

• 种子轮 7000 万美元，Index Ventures 与 Ribbit Capital 领投；
• 100 多台自研机器人向全球开放在线操作，收集真实人机交互数据；
• 已与医疗、物流、娱乐行业的公司展开合作，具体商业场景暂未公开。

Index Ventures 合伙人 Shardul Shah 恰恰看中了这种”外行”身份：圈内人做具身智能，起手式往往是遥操作或者灵巧手，而 Enigma 起手问的是”最终体验应该长什么样”。这个切入点确实少见。至于生意怎么做，Jacobi 暂时不肯细说——这家公司目前最大的谜，倒真配得上 Enigma 这个名字。

加州圣莱安德罗有一间仓库，里面正在上演一场很不寻常的叠叠乐。一个叫 Andrew Ceja 的人戴着头盔，小心翼翼地从摇摇欲坠的木塔里抽木块。头盔上有摄像头，记录他看到的画面——这在采集机器人训练数据时挺常见。但他这顶头盔还多了一样东西：一圈能读取脑电波的传感器。

这家公司叫 Encord，本行是给 AI 模型训练做数据工具。Ceja 的头衔是“飞行员”（pilot），也就是公司里专门给机器人当陪练的人。他们赌的是一件事：接下来卡住人形机器人和仓储机器人的，不会是模型架构，而是真实世界物理训练数据实在太少。所以 Encord 干脆不只帮客户管理已有的数据，而是把那些还不存在的数据造出来。

脑波到底能告诉机器人什么

那顶脑电头盔是德国神经科学创业公司 Zander Labs 做的。他们的想法是，通过测量大脑活动，能推断出人做事时的一些心理状态——比如出错、意图、意外——这些信号打包进数据集，也许能训出更聪明的模型。目前 Encord 和 Zander 还只是试运行：先攒一批带脑波标记的数据，塞进客户的机器人模型跑一跑，看看到底有没有用，再决定要不要放大规模。

在现场盯着这套流程的 Zander 神经科学家 Lucas Gehrke 说，一个人做某个动作时大脑投入了多少精力，本身就是个有用的线索——它能提示模型开发者，什么时候该调用算力最猛的那档模型，什么时候随便应付就行。Encord 机器人学习负责人 Vineeth Velmurugan 把这称作解决数据瓶颈的“最前沿”尝试。他之前待过 OpenAI 的机器人实验室，也在仓储自动化公司 Berkshire Grey 干过。

“这些数据根本就不存在。”——Vineeth Velmurugan，Encord 机器人学习负责人

生成式 AI 撞上了物理世界的墙

“生成式 AI 能给机器人做到它给聊天机器人做到的事”，这个念头一次次撞上同一堵墙。大语言模型是拿整个互联网的文字喂出来的，可要教神经网络怎么在物理世界里动手操作，同样量级的原料太难找。自动驾驶公司靠自己采集，但很难规模化；用视频来训练也行，可视频缺了真实数据那种精细度。Velmurugan 估算，想真正突破，需要一个大约相当于 YouTube 视频库五倍体量的数据集——这也解释了为什么“造数据”本身能变成一门生意，而不只是研究课题。

现在做“机器人大脑”的公司主要盯上两类数据来源：一是工人戴摄像头采集的第一人称视角视频，通常再补上别的机位和指标；二是远程操控机器人采集的数据。Encord 两样都做，第一人称数据来自全球好几家工厂，圣莱安德罗那间仓库则专门试验脑波这类新花样，或者针对某个具体技能攒数据做微调。

TechCrunch 去现场时，飞行员们正在用“主从机械臂”——一只由人直接操控，另一只模仿它的动作——采集数据，任务包括把咖啡从壶里倒进杯子（洒得到处都是）和码扑克筹码。“每一家做人形机器人的公司都来问我们要这些片段。”Velmurugan 说。货架上堆着假花、书、塑料蔬菜、猫砂盆和铲子、成捆的电线，全是训练机器人干家务活的道具。

机器人的手，还差得远

另一个工位上，飞行员 Sofia Infante 操控机械臂给服务器背后插拔网线——这正是数据中心运营方做梦都想自动化的活儿，前提是机器人得有那个精度。记者自己上手试了试就明白差在哪：夹钳远不如人的手指灵活，也没有我们手臂那种理所当然的自由度。Encord 还在开发一种新数据形态，把一组传感器绑在前臂上，捕捉肌肉里的电信号，希望据此还原出手在每一刻的三维姿态——因为拍手部动作的视频往往拍不全整只手。

• Encord 给数据集做密集标注，比如“右手拧紧螺栓”，帮基于大模型的系统看懂画面里在发生什么。
• Velmurugan 估算，这种密集标注的价值是“垃圾第一人称数据”的 100 倍，而制作成本只贵 20 倍——纸面上是笔划算买卖。
• 但 20 倍也是真金白银。当年从 Stack Overflow 之类的网站扒文字几乎不花钱，物理数据却得一点点“制造”出来，这就彻底改变了做模型的经济账。

仓库里那十几个飞行员因此不会闲着。Infante 和 Ceja 都是从另一家数据标注公司 Scale 跳过来的。Ceja 更早还在一家废物管理公司干过，因为对技术感兴趣，被派去照看一台机器人垃圾分拣机。如今叠叠乐的塔一次次倒下，他说自己挺享受给机器人解题的过程——“每天都有新鲜事”。