来源：APPSO（发现明日产品）（APPSO（2026 外滩大会现场 / 媒体沟通会整理，略经编辑）） · 2026-09-16 · 原文链接
分类：主线强相关（具身基模路线、世界模型分野、数据供给侧、Ego+触觉手套；与 LingBot-Map 那篇同属蚂蚁灵波）
一句话概括
APPSO 在 2026 外滩大会对话蚂蚁灵波 CEO 朱兴。灵波的定位是做具身「大脑」（同一套基础模型适配不同构型与任务，靠后训练降门槛），产品线为 LingBot-World（可交互世界生成）/ LingBot-Video（具身视频生成基座）/ LingBot-VLA 2.0 / 数据管线与部署工具，保留 R 系列本体做软硬一体与生活服务探索，落地场景选了药房（已进国大药房零售门店，货架通道仅 80cm）。全篇最有分量的三处：① 明确切割"数字世界世界模型"与"具身世界模型"，并给出亲历理由——早年在 Wan 等通用视频模型上微调，“走到后期我们真的是撞到南墙了”，副作用是破坏先验、泛化性降低；② 数据观：不能机械看数据量，量重要但更要谈"数据配方"，流水线可用率从 15% 拉到 90%+，并对 Ego 数采给出"看好高精度便携触觉手套"的判断，理由是视觉与触觉信息天然可对齐；③ 冷启动判断：今天还在冷启动，异常数据才是飞轮燃料，“成功数据没有那么大意义”，而日常生活数据现在给它也"吃不了粗粮"。
核心要点
金句
小卖部其实也很难落地。我懂你的焦虑，今天还是能力和成本两个都有问题。
今天整个模型还在冷启动阶段。基模干什么？是把小学生培养成初中生、高中生、本科生，现在可能还在比较早的阶段。
具身的世界模型，跟数字世界、游戏里的模型，客观讲也不是一种生物。
机器人在物理世界里不断输入、输出，不可能等你帮它生成一个很好的故事。
矿泉水在天空中跳个舞，落到我手上，肯定好看，但不符合物理规律，没意义。
调到最后会破坏前面模型的先验和知识，副作用就是泛化性降低。走到后期，我们真的是撞到南墙了。
你选一个更高上限的路线还不见得做得出来，但不选择的话，肯定做不大。
机器人的时间一定是单向的，在线预测要按时间顺序使用已经发生的观测，不能依赖未来的真实帧。从现在到未来，不可能穿越。
大家老说「炼丹」，炼丹背后就是配方，数据的配方。
作为模型方，你有义务定义需要什么数据、什么质量，不能把这件事赖到数采厂。
这时候看重的是异常数据，成功数据没有那么大意义。
——它（日常数据）现在能吃吗？你现在给它，它也吃不了，吃不了「粗粮」。
头环加裸手，当前比较大的问题是精度。……我比较看好结合高精度、便携的触觉手套。
视觉和触觉的信息天然可以对齐，只要误差不要太大。
机器人没必要长得像人、什么都像人。把「人形机器人必须更像人」当成第一性原理，我不觉得是科学的方法。
只有付费的商业化，才能迎接更真实的考验。
ChatGPT 更重要的是 Chat，不是 GPT，不 Chat 也不行。
如果每台机器人都要从头犯同样的错，「通用」的价值就还没有兑现。（编辑部结语）
用户最终买单的理由，应该是「这件事终于不用我管了」。（编辑部结语）
质疑与核查
这是媒体沟通会整理稿，不是访谈全文。 APPSO 自述"略经编辑"。访谈形式天然有选择性呈现；没有原始问答全文，无法判断哪些话被删、语境是否被改动。
立场相关（最要紧的一条）：受访者是蚂蚁灵波 CEO，整篇是公司对自身路线的一贯辩护。特别是第二段「放弃微调通用视频模型、转向从头训基模」——这是对已经投入的重大决策的合理化，读时要打折。一个做了两年从 0 到 1 预训练的人，不太可能公开说这条路选错了。
⚠️ 引子里那段宇树 UnifoLM-X2-1.0，原文自己也是转述，我已核实，结果比原文呈现的复杂得多：
- 确实有：宇树 9 月 7 日发布约 38–39 秒视频，G1 人形机器人完成出拳、格挡、躲闪与连续攻防转换，官方称全程无遥控、无预设脚本，为"世界-动作大模型 UnifoLM-X2-1.0"。
- 但第三方报道（TechEBlog、Pandaily、Techiexpert）指出两个原文没提的关键点：① 画面中可见的控制台日志显示
PolicyServer OBS/replan & env.step，即重预测推理跑在外部服务器上——机器人用 RealSense 深度相机与 3D LiDAR 采集数据上传，服务器算完再把关节轨迹包回传。这意味着所谓"实时"绑定的是网络往返延迟，不是机载推理。② 宇树未公开延迟数字、技术报告、权重或第三方基准，也没有外部实验室复现过。 - 此外：对手是穿戴护具的配合型训练员，不是真正想放倒机器人的对抗方；未公布拍摄条数；是否全程 PrivatePC: on-robot也没确认。
- 所以这段只能当"可行性信号"读，不能当"实时世界模型已在接触密集任务上跑通"的结论。
全文没有任何可核验的落地数字。 「已在国大药房零售门店部署」没有门店数、没有运行时长、没有成功率、没有接管率、没有单店成本。药房、物流分拣、工业上下料三个 demo 都没有量化指标。所以这次访谈的说服力主要来自他的推理质量与亲历性，不来自数据。
可用率 15% → 90%+ 无法核实。 没有定义什么叫"可用"（能通过什么检查？人工复核率多少？抽掉的是不是本来就该抽的数据？），也没有绝对数量。这个数字的方向有意义，量级不能引用。
他对"数采厂 90% 数据无效"没有背书，反而说"我不知道这个数字是谁说的，怎么统计出来的"——这一点值得肯定，他没有顺着提问者的话往下说。 相比之下，他自己给的 15%→90% 其实缺少同等的谨慎（口径是他自己定义的）。这个不对称要留意。
有些回答是空的或绕开的：被问"什么样的公司能活到最后"，答"我真不知道"；被问 gpt:// 商业化细节，给的是原则而非数字。诚实是诚实，但信息量为零——不要把"坦率承认不知道"误读成"给出了判断"。
他给出的触觉定位与我们的主张不在同一层，引用时要说清楚（见上文第 2 条）：他要触觉手套是为了解决手部轨迹精度，不是因为触觉本身是缺失的模态。如果论文里引他的话来支持"触觉提供独立信息通道"，会被懂行的审稿人看出来是过度引申。
单向因果训练技术只"开放了一部分"——没说开放了什么、在哪、什么许可。声称了贡献，未见地址。
与他司陈述不构成互相印证：灵波（从头训物理基模）与生数（两边都做）、Odyssey（冻结主干）是三条不同的路线选择，且都是各自的自我表述。把这些并列当"行业趋势"要谨慎——它们更可能是各自的路径依赖。
编辑部结语那几句很好，但要分清是记者的概括，不是朱兴的话：「如果每台机器人都要从头犯同样的错，『通用』的价值就还没有兑现」、「用户最终买单的理由，应该是『这件事终于不用我管了』」——写得好，但引用时不能署给朱兴。
本文为阅读剪藏（摘要 + 摘录 + 评论），非原文转载。查看原文