跳转至

具身原生：具身智能大模型迈入新阶段

Ch01.1511 具身原生：具身智能大模型迈入新阶段

📊 Level ⭐⭐⭐ | 9.3KB | entities/embodied-native-llm-embodied-intelligence-new-stage.md

具身原生：具身智能大模型迈入新阶段

蚂蚁灵波于 2026 年 7 月发布 LingBot-VA 2.0，行业首个「具身原生」（Embodied Native）预训练模型，标志着具身智能大模型从「通用嫁接」走向「从零为物理世界设计」的新范式。

核心内容

什么是「具身原生」

「具身原生」意味着模型从数据构成、训练目标到架构设计，从第一步起就面向「机器人在真实物理世界中完成任务」而设计。与复用数字世界中为内容创作而生的视频生成模型能力的「通用嫁接」路线不同，LingBot-VA 2.0 让模型从第一个参数开始就为物理世界而生。

核心技术架构

因果建模优先于相关性建模：普通视频生成模型学到的是相关性——给它几帧能推测其他画面通常是什么样。具身智能需要因果性——机器人执行任务天然是单向的，只能基于当前观测和历史状态决定下一步动作。LingBot-VA 2.0 把因果建模摆在了预训练目标的核心。

语义视觉-动作 Tokenizer（新一代 VAE）：在标准重建目标（像素、感知、对抗三项损失）之外新增两个目标：

  • 语义对齐：用冻结的感知编码器当老师，让隐变量向感知特征靠拢
  • 隐动作抽取：通过逆动力学模型（IDM）从前向动力学模型（FDM）从相邻帧解出低维「隐动作」，全程无需动作标注

最终输出一对配好的视觉-动作隐变量，让「看懂一句指令」到「做出一串动作」的转化更顺畅。

多块预测（Multi-Chunk Prediction, MCP）：主干 DiT 之上挂三个轻量辅助模块，每个负责更远的预测视野（默认预测未来 3 个片段），串成因果链强制模型组织成「轨迹级的动力学」而非短期视觉连贯。在 RoboTwin 上 20k 步即追平基线 45k 步的精度，相当于 2.3 倍训练加速，且 MCP 只在训练期起作用，部署时可丢弃不增加推理开销。

前瞻推理（Foresight Reasoning）：将传统串行的「观察-推理-执行」循环拆成两条异步推进的流：

  • 预测流：预测未来视觉隐变量并解码动作
  • 执行流：机器人执行当前动作片段

当机器人执行动作 a_t 时，预测流已经在备好 a_t+1。配合「预测-校正」机制——每帧真实观测回来覆盖 KV-cache 中的想象状态——端到端推理时间从 927ms/片段降到 142ms/片段，异步控制频率从 35Hz 提升到 225Hz，实现 6.5 倍端到端推理加速。

稀疏 MoE 架构：引入 DeepSeek 验证过的稀疏扩展思路，视频流用 MoE 扩大容量（MoE-13B-A1.9B），动作专家保持稠密。采用「无辅助损失」负载均衡——每步训练后根据各专家分到的 token 数量微调选择偏置，全程不往扩散目标注入额外均衡梯度。在相同训练时间下损失曲线与 Dense-5B 基线几乎重合。

实验结果

在 RoboTwin 2.0 双臂操作基准上，LingBot-VA 2.0 平均成功率达 93.6%，从干净环境切到域随机环境成功率仅掉 0.4 个百分点，展现出优秀的稳健性。真机部署中，每个任务仅 20 条遥操作示范即可训练通用策略部署到所有任务，优势在长程视觉追踪、闭环纠错的任务上最为明显。

深度分析

1. 「具身原生」vs「通用嫁接」的路径选择

LingBot-VA 2.0 的路线选择代表了具身智能领域最深层的分歧：「通用嫁接」路线（如 Embodied Intelligence Frontier 中讨论的 Gemini Robotics 等）站在多模态大模型的肩上，成熟、可用、真机验证充分，是当前最能规模化落地的路线；「具身原生」路线不借用任何现成模型的底座，从第一步起就为物理世界重新训练，天花板更高但周期更长。两种路线可能在「世界动作模型」的判断上逐渐趋同——机器人的大脑终究要在视频级物理理解和连续动作生成之间建立更紧密的联系。

2. 因果建模与 Teacher Forcing 陷阱的普适性

MCP 模块的设计解决了一个普遍问题：高帧率下 Teacher Forcing 训练让模型学会「照抄上一帧外观」而非「理解物理动力学」。这对所有视频理解类模型都有启示——短期视觉连贯性是欺骗性的优化目标，真正的理解需要更远视野的监督信号。这个思路也可以迁移到视频预测、世界模型（如 Baai Orca Next State Prediction World Model）等领域。

3. 异步推理-执行架构的系统意义

前瞻推理将推理时间「藏进」机器人运动时间里的思路，将控制频率从串行架构的极限中解放出来。这对工业机器人、自动驾驶等实时性要求极高的场景是质变——机器人不再因为「正在思考」而错失操作时机。更广义地看，这种「预测流+执行流+真实观测校正」的三元组架构，是一种通用的实时控制范式，可以类比 Multi Agent Orchestration 中的异步通信模式。

4. 无标注动作学习的训练效率突破

隐动作抽取方案通过逆动力学模型 + 前向动力学模型从相邻帧解出「隐动作」，全程不需要任何动作标注。这意味着任何一段无标签的网络视频（如 YouTube 上的人类操作视频）都能成为具身模型的训练数据。这大幅降低了训练数据的获取门槛，使模型可以从互联网规模的视频数据中持续学习。

5. 从「能演示」到「能干活」的工程落地

模型端到端推理时间从 927ms 压缩到 142ms（6.5 倍加速），控制频率从 35Hz 提升到 225Hz——这个跨越才是真正的工程落地信号。三层优化（FP8+TensorRT、分页KV-cache+FlashInfer、系统级缓冲管理）的递进式优化路径，为其他机器人推理系统提供了可复用的参考。

实践启示

  1. 在机器人模型设计中优先考虑因果建模而非相关性建模：运动控制是因果单向的序列决策问题，模型架构应从训练目标层面体现这一约束。从第一步就为「动作如何影响世界状态」进行建模，比事后追加控制逻辑更本质。
  2. 多块预测（MCP）可推广到任何视频/时序理解任务：当任务面临「短期视觉连贯欺骗优化目标」的问题时，添加更远视野的预测分支可以有效强制模型学到真正的物理动力学，且训练后将辅助模块丢弃不增加推理成本。
  3. 异步推理-执行架构是实时控制系统的通用设计模式：将推理与执行解耦为异步流，配合真实观测定期校正，可以突破串行架构的延迟天花板。这套模式不限于机器人——任何需要「快速响应+复杂推理」的系统都可借鉴。
  4. 无标注动作学习是从互联网视频中提取训练数据的可行路径：IDM+FDM 的隐动作抽取方案让任意无标签视频成为训练数据，大幅降低采集成本。评估自身项目是否可以利用此模式扩展训练数据集。
  5. 注意推理优化的层次性递进：模型层→序列层→系统层的三层优化路径，比单点突破更有效。每个瓶颈分别应对，最终实现 6.5 倍端到端加速——在机器人场景中，「能演示」和「能干活」之间的差距往往就在这一层。

相关实体

→ 原文存档