一块 4090 就能跑的机器人大脑，蚂蚁开源了
七月九号下午，IT 之家前后脚挂出两条新闻，蚂蚁灵波开源 LingBot-Video，蚂蚁灵波开源 LingBot-World 2.0。我往前一翻，好家伙，前一天晚上他们刚把 LingBot-VLA 2.0 放出来。二十四小时，三个模型，视频基模、世界模型、机器人大脑，全开源。
一般大厂开源是挤牙膏式的，一次放一个，热度吃满一周再放下一个。一天倒出来三个的，要么是市场部排期失误，要么是憋了个大的。我把三份材料摊开对着看，越看越觉得是后者。这不是三次孤立的发布，是一整条流水线，拆成三份只是卖相更好。
先从最不起眼的那个说起。
LingBot-VLA 2.0，6B 参数，做的是机器人圈叫 VLA 的东西，Vision-Language-Action，看摄像头画面、听人话指令、直接输出机器人动作，相当于机器人的大脑加小脑。6B 放在 2026 年的模型圈约等于小不点，但它有个账面数据我第一眼没反应过来，又倒回去看了一遍，在一块 RTX 4090D 上跑一次推理只要 130 毫秒。不是 H100，不是 B200，是你隔壁搞游戏的兄弟机箱里那块卡。机器人大脑的部署门槛，这一下被压到了消费级显卡的档位。
底子也扎实。骨干网络用的是 Qwen3-VL-4B，对，蚂蚁用了隔壁阿里通义的开源模型当地基，这年头开源生态就是这么套娃的。训练数据 6 万小时，5 万小时真机器人轨迹加 1 万小时第一视角人类视频，覆盖 20 种机器人形态，单臂的、双臂的、带灵巧手的人形机全都有，宇树 G1、傅利叶 GR-2 这些名字都在支持列表里。而且这 6 万小时是筛过的精华，原始池子有 9 万小时机器人数据，他们搭了一条自动化管线，算加速度和抖动的统计指标，把轨迹不平滑的、画面遮挡掉帧的、多视角对不上的全扔了，才剩下这些。
这里有个我觉得全场最妙的设计，55 维规范向量。不同机器人的关节数量天差地别，它硬是定义了一套 55 维的统一格式，手臂关节 14 维、末端位姿 14 维、夹爪 2 维、灵巧手 12 维、腰 4 维、头 2 维、移动底盘 3 维，剩 4 维留着扩展。你的机器人没有腰？对应维度填零就行。一个模型控制 20 种硬件，靠的就是这层统一接口。
写过驱动的兄弟应该已经反应过来了，这玩意就是机器人界的 HAL，硬件抽象层。这个伏笔先放在这，后面要用。
还有个设计我个人很喜欢。真实世界里干活，光看着当前画面做反应是不够的，你伸手接一个正在倒的杯子，靠的是对半秒之后的预判。VLA 2.0 在输入里加了两个可学习的查询向量，一个盯着当前帧，一个专门负责预测未来那一帧，然后请了两位老师来教，一个深度估计模型教它空间几何，一个视频理解模型教它时间上的变化规律，用蒸馏的方式把两位老师的判断力压进这个 6B 的小身板里。蒸馏，distillation，就是让小模型学大模型的输出而不是从头学原始数据，相当于直接抄学霸的解题思路。机器人从「看到什么做什么」变成「猜到接下来会发生什么再动手」，这一步挺关键的。
然后是 LingBot-Video。30B 参数的视频生成基础模型，用了 MoE 架构，Mixture of Experts，混合专家，可以理解成模型内部养了一群各有所长的专家，每次推理只叫醒最相关的那几个。所以 30B 的总参数，生成时只激活 3B，推理效率大约是同规模普通稠密模型的三倍。
但它跟你平时刷到的那些 AI 视频模型压根不是一个赛道。官方这次把话讲得挺直白，视频生成正在分岔，一条路通向影院，服务内容创作，另一条通向机器人，服务物理世界的预测。给人看的视频，好看就够了，物理规律穿帮无所谓，观众不较真。给机器人看的视频不行，机械臂抓杯子的下一帧如果违反物理，机器人照着学，杯子就真碎了。所以它往训练里塞了 7 万小时机器人相关数据，还专门用强化学习对齐物理合理性和任务完成度，在北大和字节联合发布的机器人视频基准 RBench 上跑出 0.620，压过 Wan2.6 的 0.607 和 Seedance 1.5 Pro 的 0.584，在专测物理直觉的 Physics-IQ Verified 上也是第一。
到这里，我的情绪还停留在「还行，有点意思」。最后这个是真让我从椅子上坐直了。
LingBot-World 2.0，实时交互世界模型。你可以把世界模型理解成一个用神经网络现算的游戏引擎，没有建模，没有贴图，没有预渲染，每一帧画面都是模型当场生成的，你按键盘控制角色移动转视角，它实时算出下一帧给你。这个方向去年起 demo 就不少，但全都有一个致命伤，叫长时漂移，误差逐帧累积，跑几分钟画面就开始融化，纹理糊掉，几何变形，整个世界慢慢崩坏。
这次的版本号后缀叫 Infinity。官方压力测试连续跑了一个小时，画面不崩，纹理锐利，720p，60 帧。一个小时。？？？
而且不只是逛地图。施法、攻击、射箭、跳跃、滑翔，这些动作都由模型根据当前场景实时生成对应的视觉变化。你还可以用文字直接改世界，打一行字召唤一场暴风雪，从城市切到森林，让天上飞过一群鸟，模型自己判断合理的时空插入点，把变化无缝融进正在运行的世界。系统里还内置了两个 agent，一个替角色规划行为，一个当导演往场景里持续扔新事件，世界不再是静止的背景板，会自己演化。再加上支持多人进同一个世界一起探索。跑分先放一边，就冲这个产品形态，有点子牛逼。
三个模型单独看是三条新闻，摆在一起看，是一条完整的生产线。
具身智能这几年最卡脖子的不是算法，是数据。文本模型可以把整个互联网当饲料，机器人模型的饲料是真机上采集的轨迹，一台机器人一小时只能采一小时，还得雇人盯着，采完还要洗。蚂蚁那 9 万小时的原始数据池，光收集成本就足够劝退绝大多数创业公司。这是行业公认的死结。
现在你再看这盘棋。LingBot-Video 是造数据的，生成符合物理规律的机器人视频，给下游当仿真数据和预测模块用，官方自己列的用途里就写着仿真数据生成。LingBot-World 是练功房，一个能实时交互、按小时稳定运行的虚拟环境，机器人策略在里面试错，摔一万个杯子也不用赔钱，官方列的用途里同样明晃晃写着具身智能训练。LingBot-VLA 是最后交付的那个大脑，喝着前两者产的数据长大，装进真机干活。造数据的、练功的、干活的，一条链，全在牌桌上。
然后想起那个 55 维接口了吗，伏笔回收。对硬件厂商来说，接入这套体系的成本低到离谱，把自家机器人的关节映射进规范向量，缺的部位填零，完事。蚂蚁赌的就是这个，具身智能的安卓时刻。手机行业当年每家都想做自己的操作系统，后来大部分厂商算明白了账，做系统太贵，用安卓真香。机器人行业现在每家都在自研大脑，等哪天有厂商也把账算明白，一个开源的、20 种形态都验证过的、一块消费级显卡就能部署的大脑摆在货架上，你猜他们选什么。
安卓从来不靠卖系统赚钱。蚂蚁大概率也没指望模型本身收钱，生态起来之后，支付、云、服务，哪条路都能变现。一家做支付起家的公司去押机器人的操作系统层，怎么说呢，比它当年头铁做社交靠谱多了。
不过，先别急着冲。我把材料里几个官方没放进标题的细节挑出来，你自己称称分量。
第一个是协议。VLA 2.0 的代码仓库是 Apache 2.0，商用友好，随便折腾。World 2.0 是非商用开源协议，只许研究。发现了吗，练功房才是这条链上最值钱的资产，而它恰好是被圈起来的那个。大脑免费送你，练功房的商用门票要另谈。开源的诚意是真的，生意的算盘也是真的，两件事不冲突，但你做技术选型之前，得先知道收费站设在哪。
第二个是成功率的绝对值。GM-100 通用操作测试里，VLA 2.0 在 AgileX 双臂平台上的成功率是 34.4%，确实比 π0.5 的 32.2% 高，确实是榜一。但你把这个数字横过来看，当今最强的通用机器人策略之一，十次任务成功三次半。真机的长程任务更扎心，Astribot S1 做冰箱整理，把水果饮料分门别类放进冰箱，训练分布内成功率 60%，一旦把物品摆放位置换一换，做个分布外测试，成功率直接掉到 13.3%。是的，比对手 π0.5 的 6.7% 好一倍，可 13.3% 放在任何一个真实家庭里都约等于不可用。技术报告自己也承认，不少任务进度分很高、成功率上不去，机械臂能顺利走完九成流程，最后一下放偏了，或者松爪时机不对，前功尽弃。具身智能的困难从来不在演示视频里，在最后一厘米。
第三个算媒体素养题。英文圈那篇 MarkTechPost 的报道写得很全，我这篇的不少数据也参考了它，但它文末挂着一行小字，感谢蚂蚁研究团队对本文推广的支持。带着这个信息再回头看各路通稿里的最高级形容词，你就知道哪些要打折了。倒不是说数据有假，RBench 是北大和字节的基准，作弊不了，只是「全球首个」这种定语前面通常挂着一长串限定条件，面向具身智能的、基于 MoE 架构的、开源的。定语越长，首个越水，这个规律放哪个行业都成立。
如果你看完手痒想上手，路线也给你踩好了。最平滑的是 World 2.0 的在线体验，Reactor 网页端或者灵光 APP 都行，不用部署直接玩。想跑真格的，VLA 2.0 的权重挂在 HuggingFace，技术报告在 GitHub 仓库里，环境要求 Python 3.12 加 PyTorch 2.8，仓库自带下载和部署脚本。微调走 LeRobot 格式的数据集，官方给了在 RoboTwin 2.0 仿真环境里跑 50 个任务的完整例子，没有真机也能玩出个所以然。推理框架这边 SGLang 首日就适配了 World 2.0，工具链是齐的。说实话我自己还没来得及跑，模型这两天才放出来，等我测完再来汇报，翻车了也照实写。
写到这，窗外天都黑透了。我又想起智能手机刚起来那几年，每家硬件厂都觉得操作系统该自己攥在手里，几年之后，绝大多数都在给安卓交作业。我不是说蚂蚁这套一定能成，具身智能离真正好用，中间还隔着不知道多少个 34.4%。但平台级的赌注从来都是这样，下注的时候看起来像烧钱，成了之后回头看，个个都说是必然。
牌已经摊开了。接下来就看有多少机器人厂商，愿意把自己的关节映射进那 55 个维度里。