WAIC 现场，蚂蚁灵波放出两张牌：一次发布 6 款大脑模型，同时启动首轮 15 亿元融资。首席科学家沈宇军的判断更直接——把数字世界的视频模型微调迁到机器人，是"阶段性的捷径"，不是终局。
今年 WAIC 最直观的变化，是具身智能第一次以成体系的方式出现。H3 馆内超过 200 家具身企业集中亮相，"表演型机器人"不再是主角，搬运、巡检、分拣、整理等贴近真实场景的能力展示显著增多。
决定机器人从"可看"走向"可用"的，是那个不那么直观的部分——机器人大脑。
注：融资信息来自蚂蚁灵波官方披露；首轮募资 15 亿元，第二轮计划于年底完成。
沈宇军提出过一个颇为直接的判断：将数字世界的视频模型通过微调迁移到机器人场景，本质上仍是一种路径依赖，更像阶段性的"捷径"，而非面向物理世界的终局解法。
这一判断来自一位生成模型出身的研究者，也让"具身原生"这个概念有了更加具体的技术含义。
视频模型微调 → 机器人场景。路径依赖，短期见效，但物理世界缺失的模态无法补全。
数据、训练目标、模型架构，都服务于机器人在物理世界中的感知与行动需求。
注：两者的核心差异不在"模型有多大"，而在"需求从哪里来"。
VLA 和 VA，目前都不是终局。它们分别解决了对齐与动态建模的问题，短板也很明显。沈宇军的选择是：两条腿走路，先把能力摸清楚。
讲原生是一回事，真正把原生做出来是另一回事。关键在于：有没有能力从头训练一个模型——从一堆随机数开始，最终训练成机器人的"大脑"。
自监督训练到一定程度后继续提升，并不像论文里说的那样"跑一下代码就行"。模型规模变大后，小模型阶段看到的现象会消失；需要在 DINO 范式上加入自己的目标函数，并让规模化训练真正体现优势。
设置 10 个专家，训练后发现只有两个在工作，其余八个基本不工作——这和两个专家的稠密模型没区别。关键在采样方式与目标函数设计，让不同专家真正实现负载均衡。
数字世界可以双向连接，现在看到未来；现实世界只能基于过去预测未来。单向注意力机制被训练进模型后，会牺牲部分画面生成质量，但对实时预测和行动更重要。
数据标准尚未收敛。模态不确定、精度要求分歧（毫米级还是厘米级？）、成本与质量如何平衡——做模型的人提不出哪五个维度最重要，做数据的人只能把所有指标都向前推进，成本随之急剧上升。
但真实数据里，也有优先级。
质量要求极高，难以绕开。机器人必须熟悉自己的身体，这类数据体量不需要很大。
代表人类最真实的行为方式，比真机数据更容易上量。第一人称设备、夹爪采集都在此列。
体量大、蕴含知识，但向物理世界迁移时部分模态无法补全，只能作为打底。
注：仿真数据在蚂蚁灵波的框架里不是通用解——为每一类任务构建仿真环境，过于沉重。
沈宇军对"具身智能的 ChatGPT 时刻"另有定义：普通人能以低成本方式参与机器人数据生产——像特斯拉车主日常驾驶帮采集数据那样。"那可能才是我心目中的具身智能 ChatGPT 时刻。"
现在大部分机器人安全方案仍是围栏式：告诉机器人不能做什么。但现实中的危险无法穷举——倒水本身没问题，可旁边有插座呢？
沈宇军的判断是：安全应该是一种预训练阶段就植入的本能，而不是运行时查规则。这比让机器人做一顿饭更高阶。
具身智能的终局，不是 VLA 与 VA 谁赢，而是谁有能力从物理世界的需求出发，把模型从头训练出来。路线会收敛，能力会沉淀，时间会给答案。
蚂蚁灵波已启动融资，首轮拟募资 15 亿元，计划年底完成第二轮。
全栈大脑 2.0 的技术路线，将迎来更公开的行业检验。