值得关注的是，近期一项来自中国团队的开源进展，正在为这一困局提供切实可行的出口。由灵波科技发布的具身智能基座模型 LingBot-VLA，已在星海图、松灵等多家国产本体厂商的真实机器人上完成端到端验证。在统一的真机评测基准下，其整体任务成功率与泛化表现已超越Physical Intelligence的 Pi0.5，后者长期被视为行业性能标杆。

而LingBot-VLA 的泛化能力，部分源于其对高质量三维空间信息的深度融合，这是LingBot-Depth 模型所提供的核心能力，也在1月27日同步开源。

不难看到，开源，正在成为改变行业的一股关键力量，如何帮助开发者更轻松地通关？

2025年被业内人士称为人形机器人的量产元年，但智源研究院院长王仲远却指出，具身智能距离真正的“ChatGPT时刻”尚有距离。

真正的“ChatGPT时刻”，需要全球上亿台机器人每天在真实环境中产生动作、触觉、决策等全模态数据。而当前具身智能每个任务都要单独训练，每台机器人都是孤岛，每次部署都从零开始，陷入专用性强、泛化性弱、效率低的死循环。这种模式难以规模化。

具体来说，行业正被三条斩杀线所围困：

一、数据荒。王仲远院长曾提过，即使是几十万小时的数据，也称不上海量，远远没有达到引发智能涌现的量级。传统仿真环境构建成本高、效率低，而真实世界数据***集又极其困难。具身智能企业普遍将数据视为核心资产，私有数据集高度封闭，而开源社区的数据集多局限于简单任务，复杂场景数据稀缺且缺乏统一质量标准。缺乏高质量真机数据，成为中小团队的第一道斩杀线。

二、效果差。由于数据有限，大量开源模型只在仿真环境中跑分，但仿真数据无法完全替代真实数据。一旦部署到真机，性能断崖式下跌。加上一些模型只开放权重，后训练代码是闭源的，开发者拿得到也用不好。泛化性太差，导致机器人的性能表现和成功率不佳，产品竞争力低下，构成第二道斩杀线。

三、高成本。让机器人在物理世界中“高效犯错”，需要海量试错。但每一次试错，都是真金白银。某具身智能创业公司曾测算，“训练一个倒水动作，需要一台超算运算千万亿次……光是模拟人晃动杯中的水这一个动作，所涉及的计算量可能就需要一台超级计算机算十分钟”。高昂的试错成本与开发周期，会让很多企业在成功之前就被斩杀。

不解决这些问题，机器人的规模量产与商业成功就十分遥远。下面我们就来聊聊，星海图、松灵等多家本体厂商的解法。

从公开Demo***来看，星海图、松灵等厂商基于开源基座LingBot-VLA，实现了几个飞跃：

从“一机一脑”到“通用智能大脑”，显著降低了数据门槛。传统模式下，不同构型机器人需要大量***集数据训练模型。LingBot-VLA实现了跨本体复用，同一模型经过少量数据微调可控制不同构型机器人，执行剥柠檬、叠毛巾等上百种任务，减轻中小团队的开发难度。

从“演示就绪”到“部署就绪”。

正如Physical Intelligence的研究者所说，机器人目前状态更像是“演示就绪”而非“部署就绪”。传统模型只能执行单一指令，真实部署时性能大跌。LingBot-VLA具备快速适应不同任务的能力，无论是抓取、放置，还是叠衣服、擦拭桌面，同一个模型全部应对，解决了专用性强、泛化性弱的问题。

LingBot-VLA在GM-100真机评测基准（覆盖3类主流双臂机器人、100项复杂任务、每任务130次真机试错）上，平均成功率（SR）达17.30%，超越Pi0.5的13.02%。比指标更重要的，是多家本体厂商在真实硬件上完成了对LingBot-VLA的验证，这意味着行业终于有一个不吹牛、能落地的模型了。

从烧钱试错到低成本迭代。LingBot-VLA在8、16、32、128和256张GPU配置下，训练效率都超越了OpenPI和DexBotic。而且GPU数量越大，优势越突出。也就是说，基于LingBot-VLA可以大幅缩短训练周期，降低开发的综合成本。省下的算力和时间都是钱，意味着企业和开发者可以反复迭代、快速试错，在激烈的市场竞争中抢占先机。

这是业内首次出现一个真正面向通用操作、跨本体部署的通用智能底座，也是具身智能迎来ChatGPT时刻的先决条件。

不少原本观望的开发者，在看到星海图、松灵等厂商的真机验证之后，都纷纷表示要去GitHub/Hugging Face找代码试试。

那么，LingBot-VLA到底是怎么做到的？

Physical Intelligence的Pi0.5一直是具身智能领域的性能标杆，LingBot-VLA在性能与效率上显著超越Pi0.5，标志着开发者从此有了一个强大、高性能的开源武器。通过论文，我们来详细拆解这把武器有哪些不同。

首先也最难的是跨本体，不同机器人在关节数量、自由度、末端执行器、传感器布局上天差地别，如何屏蔽多元且复杂的硬件差异？

LingBot-VLA 的解法是，接收到视觉图像、自然语言指令、机器人当前状态等信息之后，不直接预测关节指令，把这些信号都映射到统一的操作空间（Unified Action Space），生成统一的动作向量。

不同本体的关节指令，则由轻量级模块或厂商驱动层完成，主干模型无需知道硬件细节。

这就像人体，由大脑来统一处理信息，并生成倒水、开门等操作意图，由神经系统转化为具体的肢体动作，无论高矮胖瘦或人种差异，各种身体结构都能执行。LingBot-VLA就是这样的通用大脑，只输出通用操作指令，硬件差异由下游模块处理。

LingBot-VLA这颗大脑的决策能力，建立在空间感知基础之上。这就要提到最近开源的 LingBot-Depth模型。

不同于普通RGB输入，LingBot-VLA在训练与推理中显式融合了由LingBot-Depth生成的高质量、度量准确的深度图。该深度模型***用创新的“掩码深度建模”（MDM）技术，能在透明、反光等挑战性场景中补全缺失深度，并在NYUv2、ETH3D 等基准上达到SOTA。更重要的是，它输出的深度具备真实物理尺度，使机器人能进行精确的距离判断与操作规划，让LingBot-VLA更好地看清物理世界，并与之交互。

那跨任务的强大泛化能力，又是怎么实现的呢？

传统VLA模型只能执行训练时见过的指令组合，比如没训练过擦桌子，即使包含抓抹布、移动手臂等子动作，模型也会失效。LingBot-VLA的突破在于，将语言指令动态解析为结构化动作序列，并与视觉感知对齐。

这就像是人类的举一反三。主干模型建立了“物体－指令－动作”的关联，Action Expert负责预测动作序列。当接收到擦桌子的指令时，哪怕以前没有训练过，也可以复用抓起毛巾、移动手臂等子技能，进行重组和适配，迁移到其他任务上，让任务泛化不再是零样本猜测。

在跨本体、跨任务的基础上，LingBot-VLA 在训练层面做了系统性优化，引入课程学习和稀疏奖励蒸馏，数据效率大幅提高。研究者从大规模真实世界基准测试集GM-100中选择了8个具有代表性的任务，在AgibotG1平台上进行了实验。

结果显示，在有限预算下，LingBot-VLA的Progress Rate（进度率）和 Success Rate（成功率）都优于Pi0.5。

正是上述工作与创新，使得LingBot-VLA能在更低数据、更少算力的条件下，达到比Pi0.5更强的真机泛化能力，成为一个为真实世界部署而生的通用智能基座。而这，正是本体厂商跨越斩杀线的关键。

在智能产业中，开源开放是公认的重要力量。

以AIGC为例，Stable Diffusion开源之前，高质量图像生成模型如DALL·E和Midjourney等闭源模型，使用受限，普通开发者无法本地部署或二次开发。SD开源后，催生了完整的生态体系，AIGC因此迎来爆发式增长。

再反观闭源公司，OpenAI不开源的做法，被大量开发者嘲讽为“closeAI”，而曾以闭源软件帝国著称的微软，如今不仅深度拥抱开源，更战略性收购了开源社区GitHub。

为什么开源对AI乃至AGI如此重要，科技巨头和开发者都十分重视？根本原因在于，AGI的复杂性远超单一企业或实验室的能力范围，它需要全球开发者、研究者和产业伙伴，在数据、算法、工具和场景上的持续协同与迭代。

具体到具身智能领域，此前，宇树科技、优必选等厂商各自开发了不兼容的操作系统，制约了产业生态的协同发展。这种背景下，行业迫切需要有能力的开源贡献者，让千千万万开发者不必重复造轮子，能站在巨人的肩膀上共同探索AGI的上限。

从能力层面看，LingBot-VLA作为蚂蚁在AGI领域的又一成果，具备可复现、可落地、高性能等特点，且经过真机检验，能够支持普通开发者，快速构建自己的具身智能体，降低创新门槛，释放集体创造力，为行业共建提供了基础。

从战略意愿看，自从LLM爆发以来，蚂蚁一直是全球领先的大模型开源贡献者，以开源开放模式探索AGI，为此打造InclusionAI 开源社区，系统性地释放了包括基础大模型百灵、通用 AI 助手灵光、具身智能灵波在内的核心技术。LingBot-VLA是蚂蚁集团开源的第一款具身智能基座模型，也是这一战略在具身智能领域的关键实践。

从持续贡献的角度看，LingBot-VLA不仅开源了模型，还涵盖了后训练工具链，使得开发者可以更方便地进行微调和部署，可谓诚意满满。LingBot-Depth紧随其后开源，进一步丰富了技术栈，这种连续性的开源动作，也让开发者更有信心加入技术路线，繁荣生态。

所以，蚂蚁所做的，是搭建起一座连接前沿研究与产业落地的开源桥梁，而这正是具身智能产业从炫技到量产，从“演示就绪”到“部署就绪”的关键基础设施。

正如Stable Diffusion的开源彻底引爆了AIGC生态，LingBot-VLA正为具身智能带来类似的转折，触发具身智能的“Stable Diffusion时刻”。

对开发者来说，当别人还在为数据匮乏、算力吃紧、泛化难而挣扎的时候，不妨以LingBot-VLA为起点，完成向真实世界的飞身一跃。

返回搜狐，查看更多