机器人打拳跳舞一年了，何时能替我们上班？

机器人打拳跳舞火了一年，它什么时候才能替我们上班？

宇树发布人形机器人格斗演示，称首次实现由世界模型实时驱动的全自主搏击，UnifoLM-X2-1.0能实时预测未来状态，完成规划、决策和动态交互。但换成药房取放商品等场景，包装各异的药品、有人走动的货架通道、长时间运行中的意外，都是新难题。

APPSO在2026外滩大会现场与蚂蚁灵波CEO朱兴交流。谈到机器人为何连小卖部都未大规模落地，他直言：“小卖部其实也很难落地。今天还是能力和成本两个都有问题。”

与围绕整机产品研发的本体厂商不同，灵波把重心放在具身“大脑”上，希望同一套基础模型适配不同构型、不同任务，再通过后训练降低场景门槛。重载作业和轻量分拣可用不同身体，智能尽可能复用。灵波训练了面向具身的视频生成基座LingBot-Video，并在此基础上训练动作模型LingBot-VLA 2.0，同时建设数据管线、后训练和部署工具。朱兴关心的是，这些投入能否让机器人用更少数据学会干活。

外滩大会上，灵波大脑的机器人展示了药品拣选、物流分拣和工业上下料等操作。药房演示中货架通道仅80厘米宽，相关方案已在国大药房零售门店部署。灵波也保留R系列本体，用于研发和生活服务探索。

朱兴谈了不少未解决问题：小模型能完成特定任务，为何还要花钱训练基模？数据越多，效果为何可能越差？商业化推进到哪一步？他对日常数据的判断是：今天的机器人还吃不了“粗粮”。

一、小卖部也没那么容易

问：为何不选更能体现技术水平的场景？朱兴：我们更在意与生态伙伴做实实在在的落地。炫技也是demo，让团队搞两个月，四个机器人打掼蛋，展示高精度、触觉，没太大意义。我们看重真实应用、数据产生，让模型迭代循环。产业也想搞既能规模化又更帅的东西，但模型能力或成本还没到那一步。

问：连抓取放置都难做到100%成功？朱兴：要看场景、环境和任务复杂度。小卖部也很难落地，能力和成本都有问题。模型还在冷启动阶段，基模是把小学生培养成初中生、高中生、本科生，现在还在较早阶段。现阶段想一定规模落地，环境不能太开放，任务不能太长程，任务太长异常就多。主流可落地产品基本还是模仿学习为主，最怕异常。还有成本约束，创造价值不够，自己又贵，长期玩不转。

问：为何还要投入通用基模？朱兴：只做特定任务、不追求规模化复制，直接怼小模型也不是不能做。但规模化意味着跨场景、跨任务、跨场所复制，有泛化挑战。基模能力跟成功率不冲突，基模很大价值是让后训练少样本表现更好：用更少数据达到同样效果，或用同样数据达到更好效果。基模提升是水涨船高。

问：从一家门店复制到另一家卡在哪？朱兴：复制成本很高，本质是泛化性不足。不同药房、便利店环境有很多不一样。短期可选没那么开放的环境，压缩泛化挑战；任务不要太长程，先偏单任务。模型先驱动一部分环节，再到更多由模型主导，能力成长要有爬坡过程。

二、矿泉水不能跳着舞落到手上

问：视频、游戏公司的世界模型能直接控制机器人吗？朱兴：具身世界模型跟数字世界、游戏里的模型不是一种生物。数字世界模型满足内容需求：丰富、好看、创新、特效、画质，只要好，可接受延迟。机器人不需要好看和特效，需要合理、符合物理规律，因为最终要变成动作。矿泉水在天空跳舞落到手上，好看但不符合物理规律，没意义。机器人第一在乎是否符合物理规律，第二需要高性能、实时。

问：灵波为何决定从头做？朱兴：1.0系列基于通用视频生成模型微调，上限不高，调到最后会破坏先验和知识，泛化性降低，撞到南墙。所以很早启动更原生研发。LingBot-Video训练加入大量机器人真实数据，再基于它训练LingBot-VLA 2.0。物理智能需要基于物理真实数据，从0到1训练自己的基模。

问：从头训练基模投入大、风险高，为何还选？朱兴：希望长期发展，选上限更高的路线。大语言模型兴起后，有的基于别人基模微调，有的冒更大风险投入预训练。今天具身也进入“百模大战”初期，选更高上限路线不见得做得出来，但不选肯定做不大。

问：LingBot-World 2.0开放1.3B小模型，幻觉和效果损失怎么办？朱兴：幻觉不可能完全没有，模型小了效果完全一致也不现实。开放更小版本，希望对高交互世界模型感兴趣的人更多玩起来，给技术社区做贡献。也开放部分训练技术，比如训练单向因果能力，机器人时间一定单向，在线预测要按时间顺序使用已发生观测，不能依赖未来真实帧。

三、“炼丹”背后是数据的配方

问：相信Scaling Law吗？朱兴：相信，但不能机械看数据量。已有模型数据多3倍、5倍效果却差，但在某些场景任务上表现特别好，肯定是数据分布大量不均衡。量重要，更要谈质量和分布。大家说“炼丹”，