蚂蚁灵波朱兴:具身智能尚无Scaling Law时刻,明年产业落地或提速
“今天世界上还没有任何一家公司,真正迎来了具身智能的Scaling Law时刻。”11月16日,蚂蚁灵波首届具身大模型挑战赛总决赛收官,期间蚂蚁灵波CEO朱兴在与媒体交流时如此说道。
“到今天为止,全球还没有哪家公司真正等来了具身智能的Scaling Law时刻。”11月16日,蚂蚁灵波首届具身大模型挑战赛总决赛结束,蚂蚁灵波CEO朱兴在赛事期间与TechWeb等媒体交流时作出上述表示。

具身智能能不能复制大语言模型那种规模化跃迁,是眼下行业讨论很多的话题。朱兴对此态度谨慎。
大语言模型之所以能靠参数和数据同步扩张换来可预测的能力提升,前提是一条稳定、可规模化复现的数据路径。朱兴认为,这个前提在物理世界里至今没有找到。行业还处在“攻坚探索阶段”,就像幼儿学步,前期难免不稳、受挫,需要理性看待,既不盲目乐观,也不必过度悲观。
数据路径还没收敛,堆量不等于能力跃迁
具身智能赛道里,“数据军备竞赛”正被频繁提起。真机数据、第一人称视角(Ego)数据、UMI通用操作数据、仿真数据、互联网视频,各条路线都在争“规模化”的定义权。朱兴的看法是,每种数据都有价值,但价值高低跟训练阶段高度相关,没有一条路线能通吃。
举例来说,越靠近预训练阶段,以人为中心的互联网视频和Ego数据越适合用来获取世界常识;越进入具体任务落地,比如拆垛、上下料、物流分拣,贴近真实场景和机器人本体的真机数据才真正派上用场。
朱兴指出,该要什么数据,主导权应当放在基础模型研发团队手里,而不是数据供应商或本体厂商。“模型究竟缺少什么数据、需要怎样的分布和多样性,最终要回到模型本身的训练效果来判断”。
在他看来,缺乏深度理解和质量管控的前提下盲目扩量,是“巨大的资源浪费”。
蚂蚁灵波首席科学家沈宇军补充说,具身智能牵涉的问题非常多,灵波更关注数据模态、数据质量,以及怎么把数据有效用于模型训练,最终转化为模型能力的提升。
产业应用落地明年加速,具身基模长期看或仅剩3到5家
过去一年,具身智能行业的数据采集和供给体系在持续优化,底层基础工作稳步推进。工厂、物流场景的试点不断铺开,复杂真机操作案例也逐步增多。朱兴表示,模型能力虽然没有出现颠覆性质变,但实现了量级层面的提升。
他判断,按当前节奏,具身智能产业落地预计从明年开始规模化提速;落地过程中沉淀的大量异常场景数据会持续回流,形成类似自动驾驶的数据反哺闭环,持续驱动模型迭代升级。
落地加速的同时,行业格局也将出现第一轮收敛。朱兴认为,明年之前具身智能基础模型领域会迎来第一波收敛,数据范式、评测基准、技术路线与产业分工将逐步定型。
参考大语言模型市场如今几家主导的局面,具身赛道也会走类似路径。朱兴表示,长期看中国具身基础模型玩家将收缩至3到5家,蚂蚁灵波的目标是成为其中之一。
不过朱兴也坦言,具身智能的产业周期会比自动驾驶更长,“先收敛一波,再分裂一波,再收敛一波”。穿越周期靠的是团队、数据理解与训练基础设施这三项不随技术范式漂移的底层能力。
朱兴强调,大语言模型这条赛道收敛完成后,能一直留在牌桌上的只有头部企业,新玩家想挤进来已经很难,真正较量的地方在团队和底层基建。
对这一收敛过程,蚂蚁灵波打算用开源加生态的路子提前布局。挑战赛用的是统一开源预训练模型LingBot-VLA 2.0,LingBot模型矩阵则已经适配全球主流机器人开发平台LeRobot,两者指向同一个做法:硬件构型眼下“百花齐放”,那就先把通用具身大脑的开发者底座铺开。
朱兴直言,机器人本体构型在灵波看来不会走向“大一统”。重载作业和轻载分拣不一样,固定工位和移动场景也不一样,需求本身就不同;硬要统一成人形,成本反而会被推高,规模化也会受阻。
如果这一判断成立,具身智能的竞争终局或许不属于某一种机器人形态的胜出,而属于那个能让最多形态的机器人“跑起来”的底层大脑。