2026年被普遍视为具身智能行业“商业落地的分水岭”。资本不再追捧实验室里的Demo，追问变成了同一个问题：你的机器人，到底能不能在真实场景里稳定干活？

这个追问背后，是一级市场正在经历的剧烈分化：

头部项目的估值仍在飙升。2025年底以来，全球具身智能领域单笔过亿美元的融资密集出现，“通用机器人大脑”成为资本市场的核心叙事。但另一边，中腰部项目正在遭遇前所未有的融资寒冬。

一位FA从业者曾表达过一个观察：“2025年之前，团队背景好、Demo做得漂亮就能融到钱。2026年，投资人更关心有没有落地客户、复购率多少。”没有真实场景验证的项目，估值再高也拿不到新钱。

这种分化正在倒逼整个行业面对一个尴尬的现实：机器人的“小脑”和硬件在加速进化，“大脑”却跟不上。要让机器人在真实商场、家庭、工厂里干活，不能只是听懂指令或完成单步动作，它需要具备空间理解、连续推理和长序列动作生成能力。当前行业最缺的，正是一个能跨本体、跨场景、跨任务的“通用大脑”。这是整个具身智能行业走向规模化落地必须跨过的门槛。

7月8日，蚂蚁灵波科技宣布升级并开源具身基座模型LingBot-VLA 2.0。相比上一代，2.0版本基于更大规模的真实数据积累和模型架构升级，在空间感知、多本体泛化、全身自由度控制和长序列任务执行上实现了全面突破。在资本涌向头部、行业急需落地验证的时间点上，蚂蚁灵波试图回答那道门槛问题：通用大脑，能不能做得更好、成本更低、适配更快？

行业最大的瓶颈，不是硬件，是大脑

具身智能的产业化进程，正处在一个微妙的时间节点。

2025年中国具身智能市场规模已达9150亿元，同比增长20.4%，分析师预测2026年将进一步增长至10904亿元。一位业内人士的判断颇具代表性：“2026年是具身智能产业化的元年，行业将进入交答卷阶段。”

但答卷不好写。原因不在于硬件。过去两年，人形机器人、协作机械臂、四足机器人的硬件成熟度大幅提升，供应链成本持续下探。真正的瓶颈是卡在“大脑”上。

在复杂的真实物理世界中，缺乏高质量数据支撑的机器人往往难以实现“好用”。视觉-语言-动作模型等基础模型在稳定性和规模化落地方面仍存在明显短板。具身智能数据采集成本高、效率低、质量难以有效管控，这已是行业公开的痛点。

更隐蔽的瓶颈还在于“适配”。不同机器人本体之间差异巨大，每一种新构型、新场景、新任务的接入，都意味着大量的重复适配和重新训练。一家工厂买了三台不同品牌的机械臂，可能就需要三套不同的操作模型。这种碎片化，是具身智能规模化落地最大的隐性成本。

行业不缺能做演示的机器人，缺的是一个能让不同形态的机器人快速获得操作能力的通用大脑。这个通用大脑需要同时解决三个问题：第一，对不同机器人构型的兼容能力；第二，对开放场景的适应能力；第三，对长序列复杂任务的稳定执行能力。

“从大脑的角度，无论是模型能力，还是模型落地的效率成本，都急需加速升级。”蚂蚁灵波在发布中这样表述。LingBot-VLA 2.0的升级和开源，正是在这一产业背景下展开的。

四个核心升级，算清一笔落地账

LingBot-VLA 2.0的升级核心，直指产业落地关键命题：这套大脑，能不能让产业客户以更低的成本、更高的效率，让机器人在真实场景中稳定干活？

首先是多本体泛化升级。LingBot-VLA 2.0支持20种以上机器人构型，覆盖了乐聚、松灵、智元、星尘、星海图、银河通用、realman、franka、方舟、天宫、UR、GR2、magic_gen、spirit、A2T2、zerith、非夕、青龙、宇树等主流平台。对产业客户来说，不需要为每一台不同品牌的机器人单独开发和训练操作模型，一套大脑就能覆盖多种本体，适配成本大幅降低。

支撑这一能力的，是数据管线和训练体系的升级。蚂蚁灵波从9万小时数据中清洗出5万小时高质量真机数据，搭配1万小时ego数据，预训练总量达到6万小时。重点除了数据量，还有“高质量”。在具身智能领域，数据质量直接决定后训练效率和模型稳定性。

其次是全身自由度控制和移动能力。相比只围绕机械臂或末端执行器完成动作生成，LingBot-VLA 2.0 支持头部、腰部、灵巧手、底盘等全身自由度。真实场景中的复杂任务往往需要多个身体部位协同完成。例如，在货架上取一件商品，可能需要底盘移动、腰部调整、头部确认、灵巧手抓取，好几个动作一气呵成。这个升级让模型更接近“真实干活”的状态。

第三是后训练与推理效率提升。产业落地不是模型训练完成就结束，真正的难点往往发生在接入新本体、新任务和新场景时。LingBot-VLA 2.0 进一步降低后训练门槛，推理效率较上一版本提升 3 倍，推理耗时控制在 150 毫秒以内。对开发者和产业客户来说，这意味着模型不仅要在基座层面具备泛化能力，也要在具体部署时更快完成适配和响应。

最后是空间感知增强。2.0版本默认融合了LingBot-Depth 空间感知能力，让机器人在生成动作前获得更充分的三维空间理解。在真实物理世界中，操作失败经常不是因为指令理解错了，而是对空间关系判断失误，尤其是遇到透明、反光、密集、细小等复杂场景。抓取位置偏了几厘米，放置角度差了几度，任务就失败了。空间感知能力的升级，直接提升了操作决策的稳定性。

此外，LingBot-VLA 2.0 还增加了动态建模能力，可以预测未来深度与语义特征，让模型不仅理解“当前看到什么”，也能更好判断“任务接下来会如何演化”。这对长序列任务尤其关键，因为真实场景中的机器人执行不是一次性动作，而是连续观察、决策和调整。

这些技术升级落到产业层面，就是三笔实打实的账。

第一笔，适配成本。支持20种以上机器人构型，产业客户不需要为不同品牌、不同形态的机器人重复投入模型训练成本。一套大脑，多种本体通用，这是降低具身智能规模化部署边际成本的关键一步。

第二笔，接入效率。后训练门槛进一步降低，推理效率环比提升三倍，推理耗时控制在150毫秒以内。这个反应速度已逼近人类直觉反应的阈值。一个新场景、新任务的适配周期可以从几个月压缩到几周甚至几天，直接决定了具身智能能不能真正进入商业闭环。

第三笔，任务稳定性。基于上海交通大学GM-100评测体系，LingBot-VLA 2.0在双臂操作任务上取得了新的能力突破，并在长程移动操作任务上与Pi0.5、GR00T 1.7等业界领先模型进行了对比验证。空间感知增强、全身自由度控制、MoE架构、未来深度预测，这些能力叠加在一起，最终落在一个点上：机器人在真实复杂场景中执行长序列任务的稳定性显著提升。而稳定性是规模化落地的前提。

“大脑竞赛”，比的是谁能真正落地

如果把时间线拉长来看，具身智能行业正在经历一场从“炫技”到“务实”的转变。

2024年之前，行业的主旋律是“能做出来”。人形机器人能走路了，机械臂能抓取了，大家都觉得很兴奋。2025年开始，主旋律变成了“能落下去”。2026年，这个转变正在加速。行业不再需要更多能做Demo的机器人，需要的是一个能让机器人真正在物理世界里干活的“通用大脑”。

围绕这个“通用大脑”，一场激烈的竞赛已经打响。

海外方面，Physical Intelligence在2025年11月完成6亿美元B轮融资，投后估值56亿美元，亚马逊创始人贝索斯持续跟投，OpenAI作为早期股东参与投资。其推出的π模型走的是“通用机器人基础模型”路线，试图用一套模型驱动多种机器人完成复杂操作任务。

Figure在2025年9月完成超10亿美元C轮融资，投后估值达390亿美元；公司早在 2025年2月便宣布终止与OpenAI的合作，转向自研端到端AI模型Helix，搭建自有机器人智能体系。

Skild AI在2026年1月获得软银领投的14亿美元C轮融资，投后估值超140亿美元，企业聚焦通用世界模型研发，核心能力是让机器人在真实物理环境中实现零样本任务泛化。

国内同样热闹。星尘智能在2025年推出Astribot S1后，持续强调“从数据到模型到本体”的全栈自研路线。智元机器人在2025年发布“启元大模型”，走的是“模型定义硬件”的路径。银河通用则在2026年初宣布完成新一轮融资，继续押注“通用操作能力+多场景落地”的双轮策略。各家路线不同，但目标一致：把机器人大脑做成可规模化部署的产品，而不只是实验室里的论文。

资金涌入的密集程度，反映出一个共识正在形成：具身智能的下一阶段，硬件不再是壁垒，大脑才是。谁先做出能跨本体、跨场景、稳定执行长序列任务的通用模型，谁就拿到了下一张船票。

蚂蚁灵波选择在这个时间点开源LingBot 2.0系列，包括本文重点介绍的LingBot-VLA 2.0，本身也释放了这一赛道信号。聚焦通用大脑，让更多本体厂商和开发者能够基于这套通用大脑做二次开发和场景适配，搭建了一个生态。同时，蚂蚁灵波联合本体厂商、生态客户一起在零售、物流、工业等多场景开启商业落地测试。

这些动作放在一起看，蚂蚁灵波正在做的事很明确：用一套通用大脑，解决具身智能规模化落地中最难的“适配”问题，然后通过开源和生态合作，加速这个进程。

纵观当前产业发展，具身智能的规模化落地，正从“能不能做”走向“能不能用、能不能规模化用”。

LingBot-VLA 2.0的升级和开源，给出了蚂蚁灵波的解法。20 种以上构型只是起点，真正的答案要看后续在客户现场中的适配周期、任务稳定性和部署成本。这颗大脑能不能真正撑起具身智能的规模化落地，接下来的商业测试会给出答案。

P.S. 一个值得继续观察的信号是，蚂蚁灵波今年 1 月曾密集开源空间感知、VLA 基座和世界模型相关成果。此次 LingBot-VLA 2.0 发布后，它的具身智能模型栈又补上了关键一环。接下来，世界模型方向是否会迎来新动作，可能会成为外界关注的下一个问题。