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
: d8 i5 p5 b' n量子位 | 公众号 QbitAI

7 F( p$ Q5 A- V0 \8 l" d/ `# D4 E* S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——
; s4 p0 s! ~6 ]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


+ C; b: U! u9 O( `/ V; a; H
怎么个脑补法？
, O% \: g6 r) J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。
+ }- C2 J5 S; q5 ^* W* y这叫“观察-反应”模式。
2 C0 A% {2 G8 T5 o0 b( y! M" 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：
$ G2 X/ h  |/ j- n% U+ H1 _
8 m' r- \5 h1 s: P* j1 l* _! `/ m

& r$ U" z0 I' Y& _+ k$ 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。
  
• 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。
  

# m/ ^4 Z4 S' u4 M/ `/ s* Y1 P; M
9 P1 D1 `3 F) ^4 ~- s( V7 O* ]
0 I) L* y8 v; b3 ]# 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：


  c7 {3 ^8 Z5 l$ `, j+ N
视频地址：https://mp.wEIxin.qq.com/s/xqE6C72usddKMc4EH89myA
& ~; y4 R; m: Z& A" ~; I正如我们刚才提到的，今天是蚂蚁灵波连续第四天开源。
7 S$ b2 ]  I! r) K2 P& H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
' j  g+ l2 i$ z/ P* {3 @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。
/ I7 H, n) R  F. n, D! a" U正如网友所述：

! c2 W- Z9 S1 H) k& \9 N0 _' W

2 S& g* t$ u* Z4 d1 h; [

# ^5 C9 Q) `- s2 a" u: K' M
• 从预测到执行；说实话这是巨大的飞跃。
  

$ D' b6 K2 q* M0 @& l: u
0 A0 M% t0 u9 A

让想象力先行一步

" o# g8 z; w5 m4 c- U, Q
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）。
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。
2 B% f. E" N% U* s: h  S3 C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：
: u$ s. y) t' ^4 z; P

• 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）。
  " A2 x0 L1 ]" X/ `

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。
如何实现？蚂蚁灵波团队主要将三个架构层面作为突破口。

7 s4 k) u7 H5 Q+ B

首先就是视频与动作的自回归交错序列
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。
$ F' T8 t6 Q9 H- N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。
+ h/ @  j8 T# D% b' S3 Z9 X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。



* R0 T3 }+ k3 s  i! P% L7 j其次是Mixture-of-Transformers (MoT) 的分工协作
, F0 |- Z; |) {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：
3 E5 \7 E# U3 Y9 i) r% `7 V

/ x& B: L+ [) [
• 视频流：宽而深，负责繁重的视觉推演。
  7 I5 V' D( U) o+ q* C
• 动作流：轻而快，负责精准的运动控制。
  

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。
毕竟光有理论是不好使的，“实践才是检验真理的唯一标准”：

5 f9 Z+ ?* a  r
• 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。
  - V% f" t7 C0 \& e9 ?+ z2 J* P6 T% 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。
  & L3 x. t) A6 p% E$ I* `
• 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。
  : _0 q- x# ^1 A4 e9 L1 Y1 V1 c

实验结果与能力验证

, A% z  X0 o0 {% ?8 S  g
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 i* t/ R# {" U" j" 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）。
8 P6 G# D2 K; M, T3 G
0 W6 A) {& l7 \/ w& ^4 _
0 ]8 ^1 x2 [% |9 Y  V9 C
: [5 w: b5 P- {  m7 ^* P! l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。

+ {5 R! F; [3 p, d4 }" k- p" k

, y3 Z: }! g2 t% M( g% \视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
5 J+ a6 r; X$ u, @" n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。
* T+ n. t! Z6 i/ d1 A

6 _3 i- q; C4 h1 z* g* N4 v* t
( Z1 j$ z1 Z9 G1 ~视频地址：https://mp.weixin.qq.com/s/xqE6C72usddKMc4EH89myA
: e2 K0 A* t8 C0 d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。
5 H& w8 f/ z; l. X  Q9 l0 q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：

5 t. N: ^/ a) t0 Q4 `9 C

3 g& P0 M9 E+ k! S5 r& E8 u
• 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%。
  % v! W+ P4 Y/ L/ l9 ?9 |9 m6 W

3 g# h0 P) W6 d$ H* P, Q; b5 H
& ]$ w6 w" r8 x0 }- l4 Y而且有一个趋势非常明显：
9 v" [) S$ w$ i9 X3 S, r. @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。
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。
( R- `3 K8 ^, i; P6 `% m7 A

: _! t$ E5 o4 ]& E! Y9 T
! v+ D# s8 V  x4 \# \7 c0 {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：
' K" q2 Q/ v: _# j6 G
8 w4 S/ ]5 q0 q

6 N- g" D, A3 Z/ o  J' B( x1 C, T
• 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。
  $ ^! U! Q% F+ h7 y
• 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。
  * M6 a% W8 a- X% C, d; y" X

& C0 Z+ u5 a! w
( d' K0 ?6 _- ~3 ?. e; d
2 R9 H7 N- [4 {" X7 q/ M" X

4 c- _* [, e/ L7 r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：

• 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。
  / J. o( ~! v; \6 S2 `3 f+ B
• 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。
  

5 X" V' P1 W2 ~+ a6 P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。
# l' i: c6 p, j. i, y7 O3 x# _" D$ \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。
" z2 U% g& Y2 ]- M# X5 D) F4 L而蝴蝶效应也在行业中开始显现。
! ~; l5 l4 x- r9 {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……
海外媒体也对蚂蚁灵波的开源动作有了不小关注，点评道：

9 ?  B" B+ Q6 x4 ~9 O5 d

4 t$ Y( Y1 f7 L

4 _" r4 c7 M/ Z0 l) {
• 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。
  

0 [/ ^( A  Q& q7 A( Z
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。
项目地址：
https://technology.robbyant.com/lingbot-va
GitHub地址：
https://github.com/robbyant/lingbot-va
项目权重：
https://huggingface.co/robbyant/lingbot-va
https://www.modelscope.cn/collections/Robbyant/LingBot-va