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
8 t# {6 K2 b1 v) Y4 E/ _

3 k2 ^2 P9 z3 t) ?* O2 T不得了，机器人现在开始学会脑补未来了。
0 }% V# v( a! H$ M3 {5 `+ N. l这就是蚂蚁灵波又又又又（连续第4天）开源的狠活儿——
0 G! N- O' s& f8 Q/ }- z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 N! N. j1 x2 A6 Z
; ]$ O# ^( _3 d5 E

怎么个脑补法？
9 t  d! D$ v8 r8 O% x6 Z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。
! _4 y% J4 H, C) w) N. w3 i这叫“观察-反应”模式。
# A* _* j* N1 |. b" I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。
! A7 y& i' ~5 ]% }* q但这不是LingBot-VA唯一的亮点，还包括：

( L& t2 N9 B9 g- ]1 [

• 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。
  
• 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。
  

( H. S, I! u& r% \

" f) m  A$ G" e+ ?5 p5 i5 @8 `
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：
; s5 ]* W% U) u% b

- ?! x; c. \" ^9 `7 o; k
- |6 b' a: G% R+ G视频地址：https://mp.wEIxin.qq.com/s/xqE6C72usddKMc4EH89myA
/ l* y# w( ^. C- h; @" D- z" A/ o1 m正如我们刚才提到的，今天是蚂蚁灵波连续第四天开源。
' w; _; Y5 `2 T+ o& A# }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
3 J" i) M( {2 c3 g' U4 F* `3 w$ _1 P一个行动中的世界模型，让想象真正落到执行层面。
: I! r- ~/ i: z7 M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。
  

, O) s" a5 U$ k+ W, c

8 X4 k0 @/ _: ?+ f
1 ?4 {3 G3 b9 ?  F& E让想象力先行一步


LingBot-VA在架构设计上选择了一条更进一步的路径。
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）。
1 V3 s) I: E5 V9 T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。
$ x! s" s# Y0 N$ ]! H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：

: e3 E! |, N7 ?5 M; [5 Z
• 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）。
  

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。
) J5 v$ \. u( O如何实现？蚂蚁灵波团队主要将三个架构层面作为突破口。
1 o5 |/ [  ?- R' K9 `9 a8 s' F
1 }. A( W( S1 g" p

首先就是视频与动作的自回归交错序列
4 M! S2 U9 O/ d5 v: |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。
% ]. x( n8 d: P4 y. O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。
" I" r) Z: ~' k( l0 {6 J0 F
$ T# U$ s) s" ?

* s" ~' `" R& [  H2 A其次是Mixture-of-Transformers (MoT) 的分工协作
7 x2 j+ r/ L7 t; O1 R' g. i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：

& j, p6 Q9 Z/ ]5 G

7 M0 K  ]2 i: B) L- _3 B
• 视频流：宽而深，负责繁重的视觉推演。
  
• 动作流：轻而快，负责精准的运动控制。
  0 l* s/ ?* G$ o7 }) ]

3 Z5 r# o1 v5 o  Q/ @' v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。
; `" e  d, k, }" L, Q7 j, l6 Q; B毕竟光有理论是不好使的，“实践才是检验真理的唯一标准”：

• 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。
  
• 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。
  5 e& G. r' i. z  M- q  ^4 {

实验结果与能力验证
) s- H) b8 q" l9 _7 X

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。
3 O& \" {6 f- u2 n1 g. R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& C, y  Q) }- f$ I8 r+ K
9 c; d' r' g, n4 F$ a

7 L/ B- x# G9 e2 z. v5 f7 Q9 t- B视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
* z9 M# L6 T+ M( y& f+ Q9 i- {, `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。
5 T2 u. v7 ^+ v5 y

8 h) Q: b/ `7 ]4 w# A0 j7 \$ T
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：
7 Z' B1 j5 |" d8 T! H, [- v第三类任务是针对可变形物体，例如折衣服、折裤子。


% K* L. j% s) r- W
视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
  Z" F: v2 d  y/ `! I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 [8 y9 g6 s) L3 P8 Q0 U
" Z8 P3 |. j0 [0 k

* ]$ b1 M) j9 k# N* _6 k+ y
• RoboTwin 2.0 (Easy)：成功率92.93%，比第二名高出4.2%。
  
• RoboTwin 2.0 (Hard)：成功率91.55%，比第二名高出4.6%。
  & a" T: B! r3 j0 L3 H+ J$ v

, P) h) w: S5 V% p而且有一个趋势非常明显：
) s% I9 Y) I3 Q  E0 g" C任务越难、序列越长（Horizon变大），LingBot-VA的领先优势就越大。
/ w5 d0 w' F. Z" S8 E4 o+ ?0 t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。



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：

7 i7 ^& L, R$ a3 z  E  P
• 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。
  0 {. E4 k% f- A$ u+ D5 a. G. g
• 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。
  

/ T  @! F: u: W% k' n$ ^* S9 l) ^



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：

; B' x6 O: j2 F9 p9 S3 T

• Day 1: LingBot-Depth——解决“看清”的问题。让感知能够更加清晰。
  ; k7 S* z! [/ J) Y( I
• 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。
    w  V% m5 B, c  \! k
• 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。
  ; B1 x, u8 U# A

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。
这对于整个行业来说，价值是巨大的。
/ o1 U- Z$ r2 ?! u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。
! y2 u% z1 n0 T' ?# Q, N# _0 N, X  J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”。
+ ?+ [( O% v4 p( s3 k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。
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……
' T$ s0 `1 X* Z5 K/ ]5 L海外媒体也对蚂蚁灵波的开源动作有了不小关注，点评道：
( b# q( Y1 p& r/ V
7 \' k" P' k' n7 A5 |) M, e" d+ b: y

• 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。
  

嗯，蚂蚁灵波的压力是给到位了。
& y$ T9 C+ G! I3 V1 S( d" i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。
项目地址：
$ ^" }" s9 @& q) u$ [+ Y; Q  }3 shttps://technology.robbyant.com/lingbot-va
GitHub地址：
https://github.com/robbyant/lingbot-va
3 c; l; t. Y2 z2 y6 p7 ?项目权重：
https://huggingface.co/robbyant/lingbot-va
https://www.modelscope.cn/collections/Robbyant/LingBot-va