蚂蚁灵波朱兴:具身智能没到Scaling Law时刻,明年落地或提速
“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,全球还没有一家公司真正站上具身智能的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朱兴在跟TechWeb等媒体交流时讲出了这个判断。

具身智能能不能走上大语言模型那条规模化跃迁的路,眼下行业里讨论得很多。朱兴的态度偏谨慎。
大语言模型的经验是,参数和数据一起扩张,能力提升大致可预测。可到了物理世界,朱兴认为这套逻辑成立的前提——一条稳定、能规模化复现的数据路径——到现在还没找到。行业还在“攻坚探索阶段”,跟幼儿学步差不多,早期难免不稳、难免受挫,需要理性看待,既不盲目乐观,也不必过度悲观。
数据路径尚未收敛 堆量不等于能力跃迁
具身智能这条赛道上,“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,每条路线都在争“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,没有哪条路线能通吃。
举个例子,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;越往具体任务落地走,比如拆垛、上下料、物流分拣,贴近真实场景、贴近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,主导权应该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”。
缺少深度理解和质量管控还盲目扩量,在他看来是“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,灵波更关注的是数据模态、数据质量,以及怎么把数据有效用于模型训练,最终转化成模型能力的提升。
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不断优化,底层基础工作稳步推进。工厂、物流场景的试点陆续铺开,复杂真机操作案例也慢慢多了起来。朱兴表示,模型能力虽然没有出现颠覆性质变,但量级层面的提升已经实现。
他的判断是,按现在的节奏,具身智能产业落地预计从明年开始规模化提速;落地过程会沉淀大量异常场景数据并持续回流,形成类似自动驾驶那样的数据反哺闭环,推动模型不断迭代升级。
落地加速的同时,行业格局也会迎来第一轮收敛。朱兴认为,明年之前具身智能基础模型领域就会出现第一波收敛,数据范式、评测基准、技术路线与产业分工将逐步定型。
参照大语言模型市场如今的几家主导格局,具身赛道大概率会走相似的路。朱兴表示,长期看中国具身基础模型玩家会收缩到3到5家,蚂蚁灵波想成为其中一员。
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”,要穿越周期,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,大语言模型这个市场在赛道收敛完成后,能一直留在牌桌上的只有头部企业,新玩家想挤进来并不容易,真正较量的是团队和底层基建的能力。
蚂蚁灵波正试图用开源和生态的方式,为这一收敛进程做准备。挑战赛用的是统一开源预训练模型LingBot-VLA 2.0,LingBot模型矩阵也已适配全球主流机器人开发平台LeRobot,两者指向同一个策略:硬件构型“百花齐放”是现实,那就先把通用具身大脑的开发者底座铺开。
朱兴直言,灵波不相信机器人本体构型会走向“大一统”,重载作业与轻载分拣、固定工位与移动场景的需求天然不同,硬求统一人形反而会推高成本、阻碍规模化。
如果这个判断成立,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。