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
量子位 | 公众号 QbitAI

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——
( }( s6 N: d4 [" [' f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


# ~2 ~7 e# P- L
怎么个脑补法？
4 ], o% p' O& o+ Y7 V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。
  ^% C" E! G& h5 x& l3 [) z这叫“观察-反应”模式。
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。
. a0 s  ?. K; b, H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：
$ p2 y. d% c' {

• 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。
  : S2 n& m- M4 c; M- [: j
• 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。
  

8 {1 o+ S& ^4 c* j; }) r! ^


, W, V! ]+ p0 t8 m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：



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。
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
- `' \5 g4 Y1 v; U: h1 p* v! m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：

• 从预测到执行；说实话这是巨大的飞跃。
  

7 \- X+ z' [4 V: B, U: u6 a2 D
7 G' _/ |: v" X8 ^& M* W! l6 D


: x# f' a  l' |; w8 U让想象力先行一步
8 ?# D7 h% `' Q
: g$ Z, h! B) g* Y$ e' }
5 a. c2 S6 t7 a. l: q/ DLingBot-VA在架构设计上选择了一条更进一步的路径。
; e. s; N* [: W/ A. n: [' L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）。
# a$ g* K2 G0 T7 L: G5 l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。
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：

3 _1 P: _$ W7 h, q! ~

• 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）。
  4 P& w  X6 U. _! z

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。
) l8 ]; I3 @% X& ?如何实现？蚂蚁灵波团队主要将三个架构层面作为突破口。

: [2 m% a/ {% B' S( U5 h

首先就是视频与动作的自回归交错序列
+ p& U* M5 T2 r$ r1 ], U% n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。
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。
. N' A' b6 h+ w$ L. F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。



% q* v6 X  b9 a/ `其次是Mixture-of-Transformers (MoT) 的分工协作
这一步主要是为了解决我们前面提到的表征缠绕的问题。
我们可以把过程理解为“左右互搏”，但又很默契的一种配合：

$ i' ^% @5 Z- M! a' a
• 视频流：宽而深，负责繁重的视觉推演。
  , d' S+ V  J+ P0 v1 x) S
• 动作流：轻而快，负责精准的运动控制。
  ! y6 ?" d9 ?: ?) B7 r& ?3 M

! {) f* r! p# [4 \6 O. \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。
+ h0 S! ~- ~2 t( V$ e( V' k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。
毕竟光有理论是不好使的，“实践才是检验真理的唯一标准”：

( [4 {8 }: f/ Q# U; y5 z7 b

• 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。
  % n' K. w. w: [7 U5 v
• 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。
  ' n. `0 Q8 ^; k  f' b. u: B
• 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。
  

实验结果与能力验证
" I# q9 I+ l9 h2 P6 e% z1 J/ P) O

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。
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）。

: P2 g" e% l  R7 C" C4 C
( I% C6 |& M1 t0 w2 _
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。

0 m0 d, p0 p3 ]8 T; O

视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
9 p8 @3 X# F. [# U& r" H" \" t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：
第三类任务是针对可变形物体，例如折衣服、折裤子。
  F8 z% J$ k9 K2 U0 g
3 d) D* E( z0 o% A

1 g( X$ x* _' `. }) I视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
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。
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。
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：
$ |7 d3 V) \1 v. c0 v# h* n

• RoboTwin 2.0 (Easy)：成功率92.93%，比第二名高出4.2%。
  - g4 S+ G9 a% n/ Z" T. u! a+ d& o2 E, H
• RoboTwin 2.0 (Hard)：成功率91.55%，比第二名高出4.6%。
  $ m. C9 T- k4 d; X$ \9 p2 z4 \

+ z$ t4 d( m. F
/ ?9 m3 o4 L: m0 c+ r

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。
8 r) v( X. m; x3 R- s7 m在 Horizon=3 的长任务中，它的优势甚至扩大到了9%以上。
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。
  h9 M' F  y3 e) d5 s5 G. n
: M+ K% t8 {! K

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：
" z: z- Y- c- P5 m' `# i" ~
! J4 l+ a* y9 {6 i0 z: }4 y9 E

• 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。
  / R, v3 |5 e& ?% K) R& _6 ]5 r
• 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。
  / S& M  g. W4 N3 I( J7 X; w5 }

1 i, ]' r" i: n8 a1 H  }* `5 H! j! v
& s; q5 L8 w! W- ]4 ]8 h
5 T9 r! U7 e1 X* r5 y9 d
- x$ ?! p2 ^2 q# m) a连续四天开源，已经产生影响
  R% |0 }; X) p3 Y9 j8 i
! \+ Y) r: \  ~" s$ U
, ^9 x, p) w) o9 Z( p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：

• Day 1: LingBot-Depth——解决“看清”的问题。让感知能够更加清晰。
  
• 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。
  $ A2 Z# g/ v9 Q+ ~' \' q
• Day 3: LingBot-World——解决“理解”的问题。构建可预测、可想象的世界模型。
  
• 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。
  ; U8 c- ^' ?3 J1 z! ^2 d

这四块拼图凑在一起，释放了一个强烈的信号：
- B9 v+ ^' J7 ]4 q0 k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。
( W% o5 S+ I6 U/ H这对于整个行业来说，价值是巨大的。
+ j5 @1 n" q0 u9 {8 G. m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。
& H, P6 f1 [+ G0 X3 _8 K- {$ i2 ?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。
而蝴蝶效应也在行业中开始显现。
8 m: h9 q/ V- h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……
& e- J. [# \  R0 `6 C! Q海外媒体也对蚂蚁灵波的开源动作有了不小关注，点评道：
# u3 ]$ k8 x0 F5 \5 L8 D! f, Q

• 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。
    f- r1 C- G/ Q5 w$ I9 o

6 S( @. _1 ~# O1 {/ `
3 G/ I; P+ D5 x" N* W' ~! ?

. t3 t" j$ Y5 X# l, V" I7 R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。
6 T# o" ^7 v; E: V! m6 g! X项目地址：
https://technology.robbyant.com/lingbot-va
GitHub地址：
https://github.com/robbyant/lingbot-va
. h5 a4 C/ \" s" o4 k项目权重：
https://huggingface.co/robbyant/lingbot-va
https://www.modelscope.cn/collections/Robbyant/LingBot-va