关于机器人的“大脑”如何构建，业内仍在探索之中。当前多数方案是将现有大模型迁移至机器人场景，用现成能力嫁接动作输出，见效快，却始终绕不开一个根本问题——那些模型原本并不理解物理世界。
蚂蚁灵波今天给出了一个截然不同的选择。
两条路线，一个岔路口
具身智能的“大脑”应该怎么建，行业内还没有统一答案。
目前主流做法是拿现成的多模态大模型或视频生成模型做改造，让它们输出动作指令。这条路的好处是快，站在已有模型的肩膀上，短期内就能看到落地效果。
但问题也很明显——那些模型原本是为对话或内容生成设计的，学到的是语义关联和画面相关性，而不是物理世界里的因果规律。它能推测出下一帧“通常”长什么样，但并不真正理解“我动一下手臂，面前的杯子会怎样”。
蚂蚁灵波选择了另一条路。LingBot-VA 2.0从预训练第一步就面向物理世界设计，模型的目标从一开始就被设定为：理解物理世界，并据此生成动作。
从零预训练，把因果性刻进模型
LingBot-VA 2.0的核心思路可以概括为一句话：让模型在预测世界下一步的同时生成动作，边推演边行动。
视频模型学的是相关性，给定前几帧补全后面的画面；而机器人执行任务是单向的，只能基于当前观测和历史状态决定下一步。LingBot-VA 2.0把因果建模作为预训练的核心目标，从一开始就按照机器人真实的执行逻辑进行学习——理解动作如何影响环境，并驱动世界状态持续演化。
为此团队在多个环节做了针对性设计。在视觉编码层面，新一代VAE架构在压缩视觉信息时就让“语义”和“动作”彼此对齐，使模型对文本指令的响应更准确，理解指令到生成动作的转化更顺畅。
在训练目标层面，引入多块预测机制，强制模型学会轨迹级的物理动力学，而非停留在短期的视觉连贯上。实验显示，开启该机制后训练速度提升约2.3倍。
推理时间：从927毫秒到142毫秒
传统机器人控制是一个固定循环：观察、推理、执行、再观察，推理和执行串行进行，模型延迟直接变成控制延迟。LingBot-VA 2.0把这条链路拆成两条异步推进的流——一条负责预测未来的视觉状态和动作，另一条负责执行当前动作。
机器人正在执行当前动作时，模型已经提前算好了下一步，思考时间被藏进了机器人的运动时间里。同时，每当一帧真实观测回来，模型会用真实数据覆盖之前预测的内容，重新锚定上下文，避免沿错误轨迹跑偏。
加上一致性蒸馏、FP8精度和KV-cache优化，端到端推理从927ms降至142ms，控制频率从35Hz提升到225Hz。这是"能演示"和"能干活"的差距。
路线决定上限
LingBot-VA 2.0在RoboTwin 2.0上成功率93.6%，环境切换仅下降0.4个百分点。在需要长程视觉追踪和闭环纠错的任务上优势明显。
过去两年竞争围绕本体，机器人学会了翻跟头、端茶倒水。当重心转向大脑，分水岭变成"谁的模型更懂世界"。英伟达、Google、Physical Intelligence从不同起点出发，但正收敛到同一判断：机器人的大脑必须在物理理解和动作生成之间建立更紧密的联系。
LingBot-VA 2.0在这条路上迈出了一步，而这一步才刚刚开始。