当中国机器人产业还在争论人形还是轮式、双臂还是单臂时，蚂蚁集团旗下具身智能子公司蚂蚁灵波做了一个大胆的决定：彻底放弃所有现成的数字世界预训练模型，从零开始，从传感器层面构建机器人的原生视觉基础模型。

这是一场豪赌。

▍为什么现成的模型行不通？

蚂蚁灵波首席科学家沈宇军的论点直击核心。通过互联网训练的视觉模型追求的是图像质量、纹理、场景识别——"照片里有一只猫"——但机器人需要的不是"知道这是杯子"，而是"知道以什么角度、用多大力去抓这个杯子才能不滑落"。

"你能看到它，但你摸不到它。"沈宇军用一句话概括了这种差距。更关键的是：数字世界的模型可以双向处理视频（看完整段再判断），但现实中的机器人只能单向感知，必须实时反应，不能从未来预知过去。

这促使他做出了一个极端的技术决定："根据物理世界的需求重做一切。"不是微调，不是适应——而是从零开始训练视觉编码器、视频生成模型，以及最终控制机器人运动的世界动作模型。

▍九个月的关键迭代：从1.0到2.0

2026年1月，蚂蚁灵波开源了第一代基础模型，当时仍采用相对保守的策略——以DINOv2等数字世界模型为视觉骨干并微调。但随着实际部署压力增加，局限逐渐暴露。

第二代模型来了个大转向：预训练数据从约2万小时跃升至6万小时（增长约4倍）；支持的机器人配置从9种扩展到20多种，新增头部、腰部、底座和灵巧手自由度；后训练所需数据从每任务约100个样本降至约20个，效率提升显著。

三大技术支柱构成2.0底座：MoE专家混合架构——从零训练，仅稳定过程就耗时两个月；因果单向注意力机制——纯单向设计，团队曾尝试双向转单向，发现知识大量丢失，被迫重来，再耗费三到四个月；语义和动作对齐的视觉压缩——让编码器原生感知与动作相关的特征。

▍"GPT-1时刻尚未到来，瓶颈在数据"

蚂蚁灵波已积累6万小时真实机器运行数据，但"与互联网规模的数据相比，仍差两个数量级"。真正的起点是数百万小时的具身原生预训练数据。

好消息是，采集成本正在快速下降——"至少降了三倍"。但沈宇军强调模拟数据在训练中的局限性：模拟数据分布过于均匀，而物理引擎模拟柔性物体（如纸张折叠）仍有明显缺陷。蚂蚁灵波的做法是：训练用真实数据，模拟数据仅用于评估。

在沈宇军看来，中国在数据规模上"必将超越美国"——逻辑很简单：中国硬件供应链更完善，量产机器人本体更多，意味着更多实际应用场景和更丰富的数据来源。

▍三年创业最重要的一课：敢赌

这是沈宇军的首次创业。他花了相当长时间适应新的思维方式——博。"没有人知道哪条路一定能成功。如果成功一目了然，大公司就永远会赢。当道路未知时，犹豫不决只会一无所获。"

蚂蚁灵波押下的三大赌注：不照搬数字世界模型，而是从传感器层面重建空间智能；不造硬件外壳，而是专注打造通用大脑；坚持从连续视频而非静态图像中学习。

他理想中的机器人是"J型人格"——务实。工作第一，情感价值第二。"情感价值应该由人类提供"——这句话透着一位工程师对产品本质的理解。当原生方案成功，它将彻底改写产业对数字世界预训练模型的依赖逻辑——从零开始的眼睛，或许才是最适应物理世界的眼睛。