近日，蚂蚁灵波密集发布6款模型，从视觉感知到世界模型再到动作执行，几乎亮出了具身智能的整条技术链。但在眼花缭乱的发布背后，真正值得行业关注的并非某个模型的参数指标，而是一个更值得思考的命题：物理世界的智能，究竟需不需要一套与数字世界截然不同的“原生”技术体系？

具身智能是否需要自己的“原生”技术栈？

当前，具身智能领域的主流做法，是尽可能复用大模型的能力，用视觉语言模型做感知，用扩散模型做动作生成，用大语言模型做任务规划。蚂蚁灵波科技首席科学家沈宇军表示，数字世界模型与机器人具身模型本质是两类目标完全不同的模型，不能简单将机器人视作大模型在物理世界的延伸，采用数字模型微调嫁接方案虽然短期落地速度快，但存在底层逻辑冲突，强行耦合只能走短期捷径，长期必然遇到发展瓶颈。

沈宇军指出，数字模型主要面向内容生成与创作，侧重图像语义，而机器人身处物理环境，必须具备真实距离感知。像玻璃这类透明障碍物，数字模型往往会“看穿”玻璃、识别出后方的物体，却感知不到玻璃本身的存在，无法判断阻隔，容易造成行动失误，这是物理场景独有的感知难题。同时，人类行动前会预判推演，和商用视频生成逻辑完全不同。数字生成追求高清精细画面，机器人只需要快速预判因果，优先保证响应速度，无需渲染细节，例如预判咖啡倾倒，只需快速得出会洒出的结论即可。而且数字模型不存在和现实环境交互的需求，机器人作业时则持续和真实环境产生互动。

针对以上需求，沈宇军提出具身原生技术路线，所谓具身原生，是指从训练一开始，就在架构、数据、算法等方面天然地为机器人设计，并且锚定物理交互三大核心目标：看得更清楚、想得更明白、干得更利索。

行业内不少企业认为，随着算力提升和模型规模化，数字世界模型的“通用能力”终将覆盖物理世界需求，无需另起炉灶。而蚂蚁灵波这类“原生派”则认为，从数字模型迁移微调的过程中会不可避免地产生知识损失，难以充分满足物理交互需求，必须从预训练阶段就重新设计。这场路线之争尚无定论，但灵波通过行业首个具身原生世界动作模型LingBot-VA 2.0，至少在技术层面提供了一种可行性样本。

具身智能谈“商业爆发”，为时尚早

沈宇军认为，制约通用机器人发展的一大核心瓶颈是数据。

沈宇军指出，通用大模型建立在互联网数十年积累的标准化图文数据之上，数据已经在那里，量大、规范、随手可取。但具身智能的数据现状是“一片空白”，多传感器同步录制没有标准、信号误差校正没有方案、实时传输存储没有成熟链路。一个数据采集链路的调试周期动辄长达一个月，反复返工是常态。

沈宇军表示，长期来看，高效的多模态对齐真机数据获取方式，将成为拉开企业技术差距的第一道分水岭。这不是简单的“多采数据”就能解决的问题，而是需要从采集链路设计、标注规范制定、闭环反馈机制等层面进行系统性建设。谁先跑通这个“数据飞轮”，谁就有可能率先跨越从实验室到真实场景的鸿沟。

而在硬件侧，他指出了三大核心变化方向：一是灵巧手产业将加速发展，当前简易夹爪严重限制了机器人的精细操作能力；二是多模态感知必须深度融入具身原生模型，触觉、听觉等维度的引入势在必行，但传感器硬件迭代和多模态融合算法仍需要长期探索；三是软硬件必须同步迭代，硬件短板会直接压低模型落地效果的上限。

没有标准化的数据规范，没有统一的操作系统接口，没有通用的硬件兼容框架。在这个阶段谈“商业爆发”，为时尚早。

具身智能急需自己的评价标尺

在数字世界，评价一个视频生成模型的标准相对清晰：画质、清晰度、语义一致性、创意丰富度。这些指标可量化、可对比，Benchmark体系成熟。但目前全球缺少公允、统一的具身智能 Benchmark，不同厂商模型性能无法横向对比，技术迭代缺乏统一标尺。

沈宇军呼吁，行业需要一套公允、统一的具身智能Benchmark评测体系，用以标准化定义感知、预测、操作基础能力，让不同厂商模型具备横向对比标尺，引领整体技术迭代方向。同时，希望降低开发者参与门槛，当前实体机器人硬件成本高，中小开发者、高校缺少真机调试条件，社区可搭建云端设备共享、远程真机接入体系，吸纳更多人才参与技术创新。

沈宇军认为，具身智能真正的产业拐点，是普通用户、开发者都能低成本参与机器人训练、持续沉淀真实场景数据，届时机器人将逐步走进家庭，承接重复劳动、高危作业，实现产业大范围普及。

具身原生路线的出现，本质是行业从“数字 AI 延伸”转向“物理 AI 原生” 的范式切换，并非单一企业的技术营销，而是整个产业面对数据、实时性、物理交互三重约束下的尝试和选择。虽然这条路线尚未被全行业验证，但至少提出了一个值得认真对待的命题：物理世界的智能，可能需要从第一性原理出发重新构建，而不是从数字世界的成果中做嫁接。