核心观点 - 具身智能行业正从技术演示走向商业部署，平台型公司的机会在于将智能从单一硬件中抽离，成为跨硬件复用的“通用大脑”[3][4][7] - 蚂蚁灵波的目标是成为广义机器人背后的“通用大脑”，而非制造自有机器人，其平台化路径正在通过数据、模型、架构和场景的积累逐渐清晰[4][27] 行业格局与生态位分化 - 具身智能公司分为三类生态位：独立具身大脑公司追求复用率，具身本体公司关注出货量，场景方核算单点ROI[6] - 独立大脑公司如Skild AI完成14亿美元融资（估值超140亿美元），Physical Intelligence在2026年5月融资约10.5亿美元（估值约112亿美元），资本已为独立智能能力定价[6] - 本体公司Figure在2025年结束与OpenAI合作后自研Helix，宇树IPO募资42.02亿元中约48%投向模型研发[6] - 三股力量间的张力催生平台机会：场景方需要跨硬件智能迁移，本体公司面临“自建或采购”问题，具身基础模型接入越多机器人边际成本越低[7] - 独立“大脑公司”成立的前提是：随着接入本体和场景增加，模型适配到下一台机器、下一个场景的边际成本必须持续下降，否则只是算法外包商[7] 平台型公司的五个关键杠杆 - 大规模自主预训练决定能力起点[9][11] - 数据管线与Infra决定回流数据能否转化为模型能力[10][11] - 跨构型的模型设计决定同一套模型能覆盖多宽的硬件形态[11][11] - 全栈工具链决定合作伙伴使用门槛[12][11] - 外部采用是市场对前四项的最终检验[12][11] - 这五项能力中，大规模自主预训练是核心，数据管线是根，跨构型决定复用能力，工具链决定复用门槛，外部采用是市场判决[12] 蚂蚁灵波的技术与产业布局 大规模预训练 - 蚂蚁灵波将预训练视为基座公司的重要分水岭，类似大语言模型发展，从零预训练的公司才能留在“主桌”[15] - 灵波押注持续训练和迭代通用基座的能力，乐聚选择LingBot-VLA 2.0作为通用基座，因其具备大规模预训练门槛[14][15] - 从零到一开发基模与基于已有模型微调需要两套不同能力，难点包括模型结构和大规模数据在算力上的稳定运行[15] 数据管线与Infra - LingBot-VLA 2.0使用6万小时预训练数据，但重点在于数据组织、有效性判断和真实世界反馈修正[17] - 物理世界OOD（分布外泛化）是常态，单纯将数据从10万小时扩到100万甚至1000万小时不会自然解决泛化问题[17] - 蚂蚁灵波从采购成品数据转向定制化采集，掌握数据标准、采集SOP、质量判断、数据配方及模型向采集端回传需求的能力[18] - 原始数据进入模型训练的数据漏斗可用率从早期约15%提升到90%以上，这比6万小时数据量更重要[19] 跨构型模型设计 - 灵波研发原则为“具身原生”：从机器人在物理世界工作的要求出发设计数据、训练目标和模型[19] - LingBot-VLA 2.0从预训练阶段引入多构型数据，通过统一动作空间、动作侧MoE等设计，让不同身体共享控制能力[20] - 工业重载、分拣及未来家庭服务机器人可能采用完全不同硬件形态，模型长期绑定单一本体将限制复用范围[20] - 灵波全栈模型投入包括Vision、Depth、VLA、World、VA、Zero-WAM，共享数据、训练Infra和物理世界研究经验[22] - 灵波早期VA基于通用视频生成模型训练，后转向大规模自主预训练，在空间感知、环境预测和可泛化灵巧操作上发布面向具身智能的预训练基模[23] 外部采用与产业验证 - 乐聚在LingBot-VLA 2.0完成KUAVO基础迁移后，加入600多小时真机数据二次训练，成功率从16.27%提升至48.27%，过程分从42.06%提升至74.51%[23] - 新技能仅需约5小时示范数据便可达到约80%成功率，整体训练成本下降超过一半[23] - 蚂蚁灵波联合国大药房打造的智慧药房已在上海门店投入运营[16] - 奥比中光、Reactor、国大药房分别从传感器、开发者和终端场景接入，合作延伸至产业链不同环节[25] 融资与战略方向 - 独立融资动机包括核心AI人才市场化激励和公司治理，具身智能需要长期投入、穿越多个产业周期[31] - 灵波聚焦智能中心和通用大脑，对外输出基座模型和工具链（覆盖后训练、数据处理、端侧部署、真机强化学习），由本体厂和解决方案商完成适配[31] - 内部保留R系列机器人，定位不是与本体厂竞争，主要服务模型研发和生活服务等前沿场景探索，定义为“2B2C”前哨[33] - 商业化保持克制，避免过早投入大量定制项目消耗基座研发资源，但真实付费客户和商业场景不可或缺[33] - 基模进入更多本体，经过后训练走向真实场景，再让场景反馈回到模型，形成由本体、数据和场景共同构成的反馈网络[33] - 朱兴设定明年两个可检验指标：模型驱动的机器人真实干活数量，以及相同场景任务下后训练数据成本的“指数级下降”[34] 平台化路径的总结 - 蚂蚁灵波已积累的牌包括：作为底座的数据管线与Infra，作为核心的大规模预训练，作为设计原则的具身原生，以及作为最终检验的外部采用[27] - 这些牌正在开始彼此组合，独立融资将其推向更大牌桌[37] - 平台型公司的想象力在于未完成的组合：接入身体越多，进入场景越广，沉淀数据越丰富，基础模型越有机会向前演化[39]