蚂蚁灵波CEO朱兴:具身智能没有Scaling Law时刻,产业落地明年或提速
【TechWeb】“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TechWeb等交流时如此说道。 具身智能能否复刻大语言模型的规模化跃迁路径是当下行业热议的话题之一,朱兴对此持审慎态度。 在大语言模型领域
“到今天为止,全球还没有一家公司真正等到具身智能的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等媒体交流时说出了这句话。
具身智能能不能走通大语言模型那条规模化跃迁的路,眼下行业里讨论很多。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,能力提升大致可以预判。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”,像幼儿学步,前期难免不稳、受挫,要理性看待,别盲目乐观,也不用过度悲观。
数据路线还没收敛,堆量不等于能力跃迁
具身智能赛道里,“数据军备竞赛”成了高频词。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密切相关,没有哪条路线能通吃。
越靠近预训练,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,主导权应该在基础模型研发团队手里,不在数据供应商或本体厂商那边。“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还盲目扩量,是“巨大的资源浪费”。
蚂蚁灵波首席科学家沈宇军补充说,具身智能牵扯的问题很多,灵波更关注数据模态、数据质量,以及怎么把数据有效地用于模型训练,最终变成模型能力的提升。
产业应用明年加速,具身基模长期可能只剩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慢慢多了起来。朱兴表示,模型能力没有出现颠覆性质变,但提升是量级层面的。
他判断,按现在的节奏,明年起具身智能产业落地会迎来规模化提速;落地过程中沉淀的大量异常场景数据会持续回流,形成类似自动驾驶那样的数据反哺闭环,不断驱动模型迭代升级。
落地提速的同时,行业格局也会出现第一轮收敛。朱兴认为,明年之前具身智能基础模型领域就会迎来第一波收敛,数据范式、评测基准、技术路线和产业分工将逐步定型。
参照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家。
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,留在牌桌上的会是头部企业,新玩家想挤进来并不容易,真正较量的还是团队和底层基建这两样。
蚂蚁灵波正试着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”的现实下,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”。重载作业和轻载分拣、固定工位和移动场景,需求天然不同,强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,也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。