大事不好！机器人学会预测未来了

集群智慧张老师

金磊 发自 凹非寺
" E; j. i4 e/ ?量子位 | 公众号 QbitAI

) ?& F3 q% ^+ K, @0 M不得了，机器人现在开始学会脑补未来了。
这就是蚂蚁灵波又又又又（连续第4天）开源的狠活儿——
全球首个用于通用机器人控制的因果视频-动作世界模型，LingBot-VA

1 a7 L% f* F1 D& ]6 e

怎么个脑补法？
简单来说啊，以前的机器人（尤其是基于VLA的）干活儿，主打一个条件反射：眼睛看到什么，手立刻就动一下。
: y7 x) {$ w0 n这叫“观察-反应”模式。
' Y' Z. ]' K1 A& }4 m8 a但LingBot-VA就不一样了，它通过自回归视频预测打破了这种思考方式，在动手之前，脑子里先把未来几秒的画面推演出来。
说实话，用想象力做决策，在机器人控制这块还是相当新鲜的。
但这不是LingBot-VA唯一的亮点，还包括：
% g. }8 c1 x; A# z% \# U

• 记忆不丢失：做长序列任务（比如做早餐）时，它会记得自己刚才干了什么，状态感知极强。
  & }# z5 Z  U) ?& ~3 C* `
• 高效泛化：只要给几十个演示样本，它就能适应新任务；换个机器人本体，也能hold住。
  3 `! M+ k8 f9 M+ B8 l" B3 ]) C

" y) n5 y4 E* H4 u! M
% c* K7 K( b; `' F! W
$ e! `% W' s# f$ |9 U" p
因此在LingBot-VA的加持下，像清洗细小的透明试管这种高精度任务，机器人已经是可以轻松拿捏：
7 Q; B5 J7 K- i) x

( z, g2 p  l+ H
* N' V- B% O/ _5 |9 e视频地址：https://mp.wEIxin.qq.com/s/xqE6C72usddKMc4EH89myA
正如我们刚才提到的，今天是蚂蚁灵波连续第四天开源。
* d% s4 N7 E& ]& J, ~0 F如果说前几天的开源是给机器人加强了眼睛（LingBot-Depth）、大脑（LingBot-VLA）和世界模拟器（LingBot-World），那么今天的LingBot-VA，就是让这具躯壳真正拥有了灵魂
一个行动中的世界模型，让想象真正落到执行层面。
如此一来，通用机器人的天花板，算是被蚂蚁灵波往上顶了一截。
正如网友所述：

4 M. O5 D2 e' {

3 g* S) D3 E9 f; l5 ?/ \
• 从预测到执行；说实话这是巨大的飞跃。
  4 {& f8 p2 @; `+ V

% t) N( H$ C" D9 o" @0 q' G$ F
/ {+ y; z3 t: y$ S7 c# v

7 Z: N5 J8 [* U让想象力先行一步
" G- q# |1 a# g
  x7 v2 x9 D  _- A. r
1 {5 X5 F9 X' c$ B) N) c$ bLingBot-VA在架构设计上选择了一条更进一步的路径。
5 d. ?9 Z" w5 g7 V. R0 }* T5 T在传统的VLA（视觉-语言-动作）范式中，模型通常会将视觉理解、物理变化推理、低层动作控制这三项复杂任务放在同一个神经网络中处理，这在学术界被称为表征缠绕（Representation Entanglement）。
为了追求更高的样本效率和更强的泛化能力，LingBot-VA选择把这团乱麻解开，提出了一套全新的解题思路：先想象世界，再反推动作。
* K+ ]( C6 V7 `6 V: n4 B为了实现这个想法，蚂蚁灵波团队采用了一个两步走的策略：
' t' u! d6 q! P& w6 _
; E* y  H0 D2 L/ F$ ^9 ^$ x$ D) A, G

• 视频世界模型：先预测未来的视觉状态（接下来会发生什么）。
  
• 逆向动力学（Inverse Dynamics）：基于视觉的变化，反推出应该执行什么动作（为了达到这个画面，手该怎么动）。
  

* H* J5 Q8 S/ o: ^- o这与传统VLA有着本质区别：它不直接从“现在”跳到“动作”，而是要经过一下“未来”这个步骤。
  k- g3 P/ D( c. `如何实现？蚂蚁灵波团队主要将三个架构层面作为突破口。


$ A' ?9 L, i+ g. S3 d9 v2 @
8 X+ T! y6 t2 m3 T- G* m0 u首先就是视频与动作的自回归交错序列
! g  J- j7 `. O1 V. ]  y2 v$ m在LingBot-VA的模型里，视频Token和动作Token被放进了同一条时间序列里。
. N. M+ u5 Q* z3 f: L% {) o, _为了保证逻辑严密，团队引入了因果注意力（Causal Attention）。这就像给模型定了一条死规矩：只能用过去的信息，绝对不能偷看未来。
同时，借助KV-cache技术，模型拥有了超强的长期记忆。它清楚地知道自己三步之前做了什么，任务绝对不会失忆。


4 `! s2 X# H% g
其次是Mixture-of-Transformers (MoT) 的分工协作
5 q! d$ j) \9 x8 k. a; Q3 R8 f这一步主要是为了解决我们前面提到的表征缠绕的问题。
; F7 v8 m9 }, Q8 B# ~5 V- M6 i" {我们可以把过程理解为“左右互搏”，但又很默契的一种配合：
1 @5 `8 b  J# _9 Y3 b

  Y4 \5 T% P' \, S% c' ?8 Q& z
• 视频流：宽而深，负责繁重的视觉推演。
  9 T! h, ]$ a' m: D/ B
• 动作流：轻而快，负责精准的运动控制。
  8 n5 N6 ~* _6 K

这两个流共享注意力机制，信息互通，但在各自的表征空间里保持独立。
这样一来，视觉的复杂性不会干扰动作的精准度，动作的简单性也不会拉低视觉的丰富度。
最后就是工程设计相关的工作。
; P" l6 C. I1 M6 A; l1 ?毕竟光有理论是不好使的，“实践才是检验真理的唯一标准”：
- V& l" }- `1 O4 I' r+ K

• 部分去噪（Partial Denoising）：做动作预测时，其实不需要每一次都把未来画面渲染得高清无码。模型学会了从带有噪点的中间状态里提取关键信息，计算效率大大提升。
  2 \- f# T- p8 Y7 b
• 异步推理（Asynchronous Inference）：机器人在执行当前动作的时候，模型已经在后台疯狂计算下一步了。推理和执行并行，延迟感几乎消失。
  
• FDM 接地（Grounding）：为了防止模型想象力脱离现实，系统会用真实的观测数据不断校正想象，避免出现开放式的幻觉漂移。
  % n! G1 g) V2 f* i. [

实验结果与能力验证

* o* N: f  _4 j' Y
在了解完理论之后，我们再来看实验效果。
蚂蚁灵波团队在真机实验和仿真基准上，对LingBot-VA进行了全方位的实测。
2 p0 c6 `0 x8 @5 G. a在真机测试中，LingBot-VA覆盖了三类最具挑战性的任务。
首先是长时序任务，比如准备早餐（烤面包、倒水、摆盘）、拆快递（拿刀、划箱、开盖）。
( L/ v0 w$ ]0 `0 z6 Y* ?* W0 ^% o# V
" z, Y: H8 F8 G5 z7 M! A

视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
这些任务步骤繁多，但凡中间有一步有误，那可以说是满盘皆输。从LingBot-VA的表现来看，一个字，
即便是不小心失败了，机器人也会记得进度，尝试重来。
第二类是高精度任务，比如擦试管、拧螺丝。


) V8 q* x2 {8 [: S" R
视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
这要求动作精度达到毫米级，得益于MoT架构，动作流不再受视觉噪声的干扰，手极稳。
刚才我们已经看了擦拭管的案例，再来看个拧螺丝的：
; U- n, l5 q# y) h8 p' l第三类任务是针对可变形物体，例如折衣服、折裤子。

( h0 F* X) Q% a  n( }

视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
5 r# N, A5 A9 v* y( `- E这些任务的难点在于物体处于一个随时变化的状态，但LingBot-VA通过视频推演，预判了布料的形变，操作行云流水。
$ C9 i! U# c5 n9 f$ r除此之外，LingBot-VA在RoboTwin 2.0和LIBERO这两个硬核仿真基准上，也是很能打的。
; y# O" |, s0 F0 u尤其是在RoboTwin 2.0的双臂协作任务中，无论是简单的固定场景（Easy），还是复杂的随机场景（Hard），LingBot-VA都展现出了不错的实力：

9 _, a0 O2 K3 R

• RoboTwin 2.0 (Easy)：成功率92.93%，比第二名高出4.2%。
  / G% L1 _# Z# n* [" E$ w( k
• RoboTwin 2.0 (Hard)：成功率91.55%，比第二名高出4.6%。
  

9 i. _8 E; b+ [, r
" O- Q; }+ e- m4 L
$ H0 ?5 {) C, {( _+ E# p
3 o. P. k! q% u( a而且有一个趋势非常明显：
任务越难、序列越长（Horizon变大），LingBot-VA的领先优势就越大。
在 Horizon=3 的长任务中，它的优势甚至扩大到了9%以上。
  q  r& [3 D% |) p+ A# F! r7 V而在LIBERO基准测试中，LingBot-VA更是拿下了98.5%的平均成功率，刷新了SOTA记录。
% f9 l6 B/ {# j


总结一下，通过这些实验，我们可以清晰地看到LingBot-VA的三个核心特质：
2 U, W# E9 X) m% b: e- s: P

/ X9 s8 D. Z. B( t; h' \
• 长期记忆：在一个来回擦盘子的计数任务中，普通VLA模型擦着擦着就忘了擦了几下，开始乱擦；LingBot-VA 则精准计数，擦完即停。这就是KV-cache的起到的作用。
  
• 少样本适应：面对全新的任务，只需提供50条左右的演示数据，稍微微调一下，它就能学会。这比那些动辄需要成千上万条数据的模型，效率高了几个数量级。
  " @3 L( C8 k+ ^# P1 F% E% e/ X; T, P
• 泛化能力：训练时用的是某种杯子，测试时换个形状、换个颜色，或者把杯子随便摆个位置，它依然能准确识别并操作。
  % J( B$ m# P1 v2 x8 y7 f

9 Q4 G0 c' |% B" Z连续四天开源，已经产生影响


把时间轴拉长，回看这四天的连续开源，我们会发现蚂蚁灵波下了一盘大棋。
因为这四个开源项目拼凑在一起，就会形成一条非常清晰的技术主线：
) I1 N2 L) Q3 {7 f
7 ]! S6 y. ?: y3 A7 L- R6 |% X

8 u) N  M; V- t9 ?6 P0 |: N
• Day 1: LingBot-Depth——解决“看清”的问题。让感知能够更加清晰。
  0 W: ^7 L7 B7 w5 l; ^0 _
• Day 2: LingBot-VLA——解决“连接”的问题。打通语言、视觉到动作的通用接口。
  
• Day 3: LingBot-World——解决“理解”的问题。构建可预测、可想象的世界模型。
  ; k. F. j: z0 b/ `
• Day 4: LingBot-VA——解决“行动”的问题。把世界模型真正嵌入控制闭环，让想象指导行动。
  8 g; s6 N: \/ o2 I

6 c3 O$ t. G$ w2 z2 ~这四块拼图凑在一起，释放了一个强烈的信号：
通用机器人正在全面走向视频时代。
视频，不再仅仅是训练用的数据素材，它正在成为推理的媒介，成为连接感知、记忆、物理和行动的统一表征。
5 R7 q* X3 N& v- R这对于整个行业来说，价值是巨大的。
对通用机器人来说，长任务、复杂场景、非结构化环境，这些曾经的硬伤，现在有了系统性的解法。
从具身智能路线来看，世界模型不再是一个可选项，它正式成为了机器人的中枢能力，从“能动”进化到“会想再动”。
并且蚂蚁灵波的持续不断地开源动作，不仅仅是提供了代码、模型这么简单，更是一条可复现、可扩展的技术范式。
% }, x4 T0 K$ v- k而蝴蝶效应也在行业中开始显现。
- T; {2 m* |# z* g就在这两天，谷歌宣布通过Project Genie项目让更多人体验Genie 3；宇树科技宣布开源UnifoLM-VLA-0……
8 G( p0 k& M0 w# d海外媒体也对蚂蚁灵波的开源动作有了不小关注，点评道：

+ f8 ^: k2 [. `

• 蚂蚁集团发布了名为LingBot-World的高质量机器人AI模拟环境。这家中国金融科技公司完善了一套完整的开源工具包，用于物理AI系统的开发。这也是在全球机器人领域主导权争夺战中的一项战略性举措。
  / V  I. O6 y; Q) R% ^; _" I

4 R( c8 ?/ r& t! P; B) ?
2 e# Y' Z3 h1 f; \) ^; \5 m

6 u* a- Z) r; }' Q. P- X* M嗯，蚂蚁灵波的压力是给到位了。
总而言之，LingBot-VA的出现，标志着世界模型第一次真正站上了机器人控制的主舞台。
( C2 }( q. c1 l! \项目地址：
) x/ u9 Y2 p/ @3 u! C5 d1 xhttps://technology.robbyant.com/lingbot-va
GitHub地址：
https://github.com/robbyant/lingbot-va
/ W2 Q3 E; i3 I  M项目权重：
, p) a6 v  b: K, {https://huggingface.co/robbyant/lingbot-va
https://www.modelscope.cn/collections/Robbyant/LingBot-va