一連のコミュニケーションの場で、メディアは同じ問題をいろいろな形に変えて追いかけるように質問した。
今日のロボットの「脳」は、真に物理世界で稼働するまで、どれくらいの距離があるのか？
Ant灵波（アンティンリングボ）CEOの朱興氏とチーフサイエンティストの沈宇軍氏が下した見立ては、市場の熱量よりもずっと冷静だ。現時点のロボットの「脳」は、おそらくGPT-1の瞬間にまだ到達していない。業界は、真の知能の「出現」を迎えておらず、技術ルートもまだ収束していない。
過去1年、VLA、ワールドモデル、ビデオアクションモデルなどの概念が次々と登場した。Ant灵波は今回一気に6種類のモデルを発表したが、答えたい問題はもっと具体的だ。デジタル世界で訓練した大規模モデルを、そのままロボットの身体に組み込めるのか？ 物理世界では、知覚・予測・行動までをすべて作り直す一連のモデル体系が必要なのか？
灵波は、物理世界の制約から出発して、このモデル体系を作り直すことを選んだ。
沈宇軍氏は現場で「猫がいることを見せる」ような例を語った。
一枚の不透明なガラスのドアの向こうに猫がいる。通常の視覚モデルならドアの向こうの猫を認識でき、画面を正確に説明もできる。しかしロボットが猫へ向けて動こうとすると、「見えている」だけでは足りない。ドアが物理的な障壁になっていること、ドアが開くまで猫がメカアームでは届かない空間にいることを理解する必要がある。
デジタルモデルは「画面の中に何があるか」に注目するが、ロボットは距離、遮蔽、接触関係、到達可能性を判断しなければならない。意味の認識が正しくても、物理タスクの最初の一歩を終えただけにすぎない。
即夢（ジーモウ）や万相などのビデオモデルはコンテンツ制作に役立つ。ユーザーがテキストや脚本を提示すると、モデルはストーリー全体を参照でき、より多くの計算資源を画質と連続性のために使える。
ロボットが直面する時間は、一方向に流れる。コップをつかむとき、次の瞬間に誰かが机に触れるかどうかも、コップが滑るかどうかもわからない。モデルは現在の状態にもとづいて次の一手を予測するしかなく、センサーが新しい情報を返した後で動作を修正する。見た目がきれいかどうかは重要ではない。予測は合理的で、速く、そして行動へと変換できなければならない。
チームはこのルートを「具現原生（具身原生）」と呼び、最初からLingBot-VA 2.0を訓練した。公開された技術論文によれば、当該モデルは因果的な事前学習、スパースMoE、非同期推論などの設計を採用しており、高頻度かつクローズドループのロボット制御に対応している。
このような割り切りは、画面が多少変形して現れることすら予測できる可能性がある。メカアームがコップをつかもうとするとき、モデルが生成するコップが十分に鮮明でなくてもよい。つかむ動作の方向さえ正しければよい。センサーが実際の画面を継続的に提供し、モデルは最新の状態に基づいて再調整する。
VLAは人の言語の意図を理解しやすく、推論に使うリソースの消費も低い。そのため、現時点でより実装しやすいルートだ。灵波はVLAでシーンに入り、データで検証し、その後にVAで動的なモデリングと将来予測を探索する。沈宇軍氏は、今日の分立した技術ルートがそれぞれパズルの一部を解いているが、将来は徐々に1つのモデルへ統合されていく可能性があると考えている。
この観点から見ると、灵波が6種類のモデルを発表するのは、ロボットの「脳」でまだ解決されていない単一の問題を分解しているようなものだ。モデルの数は、将来むしろ減る可能性もある。
具現原生を選ぶと、すぐに直面するのが2つ目の問題だ。データはどこから来るのか？
この問題は現場で何度も追いかけられた。10万時間で足りるのか？ 100万時間なら知能の「出現」が起きるのか？ 1000万時間ならロボットのChatGPTの瞬間を迎えられるのか？
朱興氏の答えははっきりしていた。1000万時間でも足りないかもしれない。
自動運転は、比較的明確な交通ルールと運転タスクに直面する。汎用ロボットは工場、倉庫、家庭へ入り、さまざまな材質の物体に触れ、さまざまな身体に適応しなければならない。さらに、事前に定義できない失敗状態にも対処する必要があり、データ分布は単一の運転タスクよりはるかに複雑だ。
公開論文によれば、LingBot-VLA 2.0の事前学習データは、初代の約2万時間から6万時間に増えている。その内訳には、5万時間のロボット軌跡と、1万時間の一人称視点の人間動画が含まれ、17社のメーカーの20種類のロボット構成（コンフィギュレーション）をカバーしている。アクション空間も、両腕から頭部、腰部、移動ベース、巧緻な手へと拡張された。
6万時間はまだスタート地点にすぎない。灵波がより重視しているのは、データのクローズドループの「速度」と「品質」だ。
実データには、UMIやEgoなどの方法で記録された人間の操作プロセスも含まれる。これらを使えば、より低コストで行動データを増やせる。次の段階では触覚や力覚などのモダリティも追加し、一人称視点の動画と整合（アライン）させる必要がある。
チームは、いくつかの工学的な課題を継続的に答え続けなければならない。どのデータが本当に訓練に入っているのか？ モデルはどの種類のタスクで失敗するのか？ 新しい収集タスクは、能力のギャップを素早くカバーできるのか？ 収集、処理、訓練からフィードバックまでのリンクは、どれくらいの時間がかかるのか？
データ規模が拡大した後は、チームはさらに高価値なサンプルを選別する必要がある。自動運転はすでに同様の変化を経験しており、初期は量を追求し、その後は大量のフレームの中からモデルを最も改善する少数のサンプルを見つけ出すようになった。ロボットの異常や失敗データは特に高価であり、また、テール（裾野の長い）課題を処理できるかどうかを左右しやすい。
灵波は20種類の構成（コンフィギュレーション）をサポートするが、メーカーが接続した後も、具体的なタスクに合わせて後訓練が必要になる。事前学習の役割は、モデルがあらかじめ異なる身体を見ておくことだ。
「一つの頭で複数の機械（一脳多機）」が本当に節約できるのは、機体が変わるたび、シーンが増えるたびにゼロから訓練するコストである。
現場ではメディアが倉庫の事例に言及した。人がフォークリフトで1回の搬送を行うのにかかる時間はたいてい30秒だが、ロボットは1分、あるいはそれ以上かかり、新しい状況に遭遇すると止まって再判断することすらある。
朱興氏は、速度よりも成功率を重視した。ロボットの動作が速くても、連続して数回失敗すれば、企業は結局人員を呼び取って引き継がなければならず、導入（デプロイ）も経済的価値を生みにくい。成功率が安定してから、企業はさらにタクト（作業サイクル）、推論効率、単位コストを計算する。
そこで、基礎モデルと後訓練の間に役割分担が生まれる。
朱興氏は、事前学習を「基礎体力のある大学生を育てること」にたとえた。学生が銀行で会計を担当するとしても、職業訓練がなお必要になる。具現の基礎モデルは能力の上限を引き上げ、後訓練はモデルを生産ツールに変える。
ロボットメーカーやシーン（場面）顧客にとって、後訓練にはデータ収集、ラベリング（注釈付け）、モデルの適応、デプロイ、推論最適化が含まれる。各工程はすべてコストへと変換される。基礎モデルが賢く、見てきた構成やタスクが多いほど、後訓練で補うべき課題は少なくて済む。
汎用ロボットの「脳」の商業的価値は、各シーンごとにモデルを個別に開発する投資を下げられることにある。工場でネジを締めるロボットが食器洗いを学ぶ必要はない。ホテルや倉庫でも、機体はそれぞれ異なるものを選ぶ。シーンが身体を決める一方で、汎用の頭脳はより多くの身体にまたがる必要がある。
灵波は、すでに本体メーカーとともに産業展開を進めていることを示し、買取り、サブスク、カスタムなど異なる課金形態も模索している。ただし現場では、外部が検証できる顧客事例、収益規模、コストモデルは開示されなかった。現時点で市場が確認できるのは技術ルートと生態系（エコシステム）の位置づけであり、スケールする商用クローズドループは、より多くのプロジェクトデータを待つ必要がある。
ロボットの「脳」を最初から訓練するには、長期的な投資が必要だ。事前学習、データ基盤、実機での検証、本体との適応のいずれも、小さなチームだけで素早くすべてを揃えるのは難しい。
蚂蚁（アンティン）が灵波に提供する中核リソースには、資金、人材、訓練用インフラ、データ処理能力、そしてシーンのエコシステムが含まれる。灵波はその土台の上で、空間認識、ビデオ生成、インタラクティブなワールドモデルからVLA、VAまでを一体化したフルスタックのモデル体系を構築し、本体との連携を通じて量産（投産）能力を検証できるようにしている。
この配置はまた、蚂蚁が産業の構図をどう見ているかも反映している。具現知能はまだ、いわゆる「百模大战（百モデル戦争）」のような初期段階にあり、将来は少数の汎用基礎モデル提供者に収束する可能性がある。ロボットが大規模に家庭へ入ってくる距離はまだ遠く、いまWindowsやAndroidにたとえるのは時期尚早だ。
蚂蚁灵波2.0を見ると、モデルのパラメータやランキングはその一部にすぎない。より重要な指標は、それがタスク横断・シーン横断・構成横断で成功率を継続的に高められるかどうか、そして後訓練コストを顧客が支払う意思のある水準まで下げられるかどうかだ。
デジタル世界のAgentは、基礎モデル能力が上がると急速に普及する。具現知能も同様に「能力のあふれ出し」が起きるかもしれない。ただし物理世界には、避けられない制約がもう一層ある。モデルが下す判断は、最終的に、実際の身体の一組によって完了しなければならない。
蚂蚁灵波は、前もってこの「巨大な脳」を作り直すことを選んだ。ルートがどこまで進めるかは、最終的にロボットが本当に仕事をこなせるかどうか次第だ。
リスクに関する注意事項および免責条項
市場にはリスクがあります。投資は慎重に行ってください。本記事は個人の投資助言を構成するものではなく、特定のユーザーの特殊な投資目的、財務状況、または必要性を考慮していません。ユーザーは、本記事に含まれるいかなる意見、見解、結論が自らの特定状況に適合するかどうかを検討すべきです。これに基づいて投資する場合は、責任を負うのは投資家本人です。
347.67K 人気度
71.68K 人気度
3.84M 人気度
900.05K 人気度
203.87K 人気度
アリのリビングウェーブ。なぜ最初から機械の脳をトレーニングするのか
一連のコミュニケーションの場で、メディアは同じ問題をいろいろな形に変えて追いかけるように質問した。
今日のロボットの「脳」は、真に物理世界で稼働するまで、どれくらいの距離があるのか？
Ant灵波（アンティンリングボ）CEOの朱興氏とチーフサイエンティストの沈宇軍氏が下した見立ては、市場の熱量よりもずっと冷静だ。現時点のロボットの「脳」は、おそらくGPT-1の瞬間にまだ到達していない。業界は、真の知能の「出現」を迎えておらず、技術ルートもまだ収束していない。
過去1年、VLA、ワールドモデル、ビデオアクションモデルなどの概念が次々と登場した。Ant灵波は今回一気に6種類のモデルを発表したが、答えたい問題はもっと具体的だ。デジタル世界で訓練した大規模モデルを、そのままロボットの身体に組み込めるのか？ 物理世界では、知覚・予測・行動までをすべて作り直す一連のモデル体系が必要なのか？
灵波は、物理世界の制約から出発して、このモデル体系を作り直すことを選んだ。
01 デジタル世界の大規模モデルは、なぜロボットの身体に装着できないのか
沈宇軍氏は現場で「猫がいることを見せる」ような例を語った。
一枚の不透明なガラスのドアの向こうに猫がいる。通常の視覚モデルならドアの向こうの猫を認識でき、画面を正確に説明もできる。しかしロボットが猫へ向けて動こうとすると、「見えている」だけでは足りない。ドアが物理的な障壁になっていること、ドアが開くまで猫がメカアームでは届かない空間にいることを理解する必要がある。
デジタルモデルは「画面の中に何があるか」に注目するが、ロボットは距離、遮蔽、接触関係、到達可能性を判断しなければならない。意味の認識が正しくても、物理タスクの最初の一歩を終えただけにすぎない。
即夢（ジーモウ）や万相などのビデオモデルはコンテンツ制作に役立つ。ユーザーがテキストや脚本を提示すると、モデルはストーリー全体を参照でき、より多くの計算資源を画質と連続性のために使える。
ロボットが直面する時間は、一方向に流れる。コップをつかむとき、次の瞬間に誰かが机に触れるかどうかも、コップが滑るかどうかもわからない。モデルは現在の状態にもとづいて次の一手を予測するしかなく、センサーが新しい情報を返した後で動作を修正する。見た目がきれいかどうかは重要ではない。予測は合理的で、速く、そして行動へと変換できなければならない。
チームはこのルートを「具現原生（具身原生）」と呼び、最初からLingBot-VA 2.0を訓練した。公開された技術論文によれば、当該モデルは因果的な事前学習、スパースMoE、非同期推論などの設計を採用しており、高頻度かつクローズドループのロボット制御に対応している。
このような割り切りは、画面が多少変形して現れることすら予測できる可能性がある。メカアームがコップをつかもうとするとき、モデルが生成するコップが十分に鮮明でなくてもよい。つかむ動作の方向さえ正しければよい。センサーが実際の画面を継続的に提供し、モデルは最新の状態に基づいて再調整する。
VLAは人の言語の意図を理解しやすく、推論に使うリソースの消費も低い。そのため、現時点でより実装しやすいルートだ。灵波はVLAでシーンに入り、データで検証し、その後にVAで動的なモデリングと将来予測を探索する。沈宇軍氏は、今日の分立した技術ルートがそれぞれパズルの一部を解いているが、将来は徐々に1つのモデルへ統合されていく可能性があると考えている。
この観点から見ると、灵波が6種類のモデルを発表するのは、ロボットの「脳」でまだ解決されていない単一の問題を分解しているようなものだ。モデルの数は、将来むしろ減る可能性もある。
02 出発からの再訓練における第一の代償は、「データの長征」
具現原生を選ぶと、すぐに直面するのが2つ目の問題だ。データはどこから来るのか？
この問題は現場で何度も追いかけられた。10万時間で足りるのか？ 100万時間なら知能の「出現」が起きるのか？ 1000万時間ならロボットのChatGPTの瞬間を迎えられるのか？
朱興氏の答えははっきりしていた。1000万時間でも足りないかもしれない。
自動運転は、比較的明確な交通ルールと運転タスクに直面する。汎用ロボットは工場、倉庫、家庭へ入り、さまざまな材質の物体に触れ、さまざまな身体に適応しなければならない。さらに、事前に定義できない失敗状態にも対処する必要があり、データ分布は単一の運転タスクよりはるかに複雑だ。
公開論文によれば、LingBot-VLA 2.0の事前学習データは、初代の約2万時間から6万時間に増えている。その内訳には、5万時間のロボット軌跡と、1万時間の一人称視点の人間動画が含まれ、17社のメーカーの20種類のロボット構成（コンフィギュレーション）をカバーしている。アクション空間も、両腕から頭部、腰部、移動ベース、巧緻な手へと拡張された。
6万時間はまだスタート地点にすぎない。灵波がより重視しているのは、データのクローズドループの「速度」と「品質」だ。
実データには、UMIやEgoなどの方法で記録された人間の操作プロセスも含まれる。これらを使えば、より低コストで行動データを増やせる。次の段階では触覚や力覚などのモダリティも追加し、一人称視点の動画と整合（アライン）させる必要がある。
チームは、いくつかの工学的な課題を継続的に答え続けなければならない。どのデータが本当に訓練に入っているのか？ モデルはどの種類のタスクで失敗するのか？ 新しい収集タスクは、能力のギャップを素早くカバーできるのか？ 収集、処理、訓練からフィードバックまでのリンクは、どれくらいの時間がかかるのか？
データ規模が拡大した後は、チームはさらに高価値なサンプルを選別する必要がある。自動運転はすでに同様の変化を経験しており、初期は量を追求し、その後は大量のフレームの中からモデルを最も改善する少数のサンプルを見つけ出すようになった。ロボットの異常や失敗データは特に高価であり、また、テール（裾野の長い）課題を処理できるかどうかを左右しやすい。
灵波は20種類の構成（コンフィギュレーション）をサポートするが、メーカーが接続した後も、具体的なタスクに合わせて後訓練が必要になる。事前学習の役割は、モデルがあらかじめ異なる身体を見ておくことだ。
「一つの頭で複数の機械（一脳多機）」が本当に節約できるのは、機体が変わるたび、シーンが増えるたびにゼロから訓練するコストである。
03 ロボットの「脳」の商用化は、まず成功率の壁を越える
現場ではメディアが倉庫の事例に言及した。人がフォークリフトで1回の搬送を行うのにかかる時間はたいてい30秒だが、ロボットは1分、あるいはそれ以上かかり、新しい状況に遭遇すると止まって再判断することすらある。
朱興氏は、速度よりも成功率を重視した。ロボットの動作が速くても、連続して数回失敗すれば、企業は結局人員を呼び取って引き継がなければならず、導入（デプロイ）も経済的価値を生みにくい。成功率が安定してから、企業はさらにタクト（作業サイクル）、推論効率、単位コストを計算する。
そこで、基礎モデルと後訓練の間に役割分担が生まれる。
朱興氏は、事前学習を「基礎体力のある大学生を育てること」にたとえた。学生が銀行で会計を担当するとしても、職業訓練がなお必要になる。具現の基礎モデルは能力の上限を引き上げ、後訓練はモデルを生産ツールに変える。
ロボットメーカーやシーン（場面）顧客にとって、後訓練にはデータ収集、ラベリング（注釈付け）、モデルの適応、デプロイ、推論最適化が含まれる。各工程はすべてコストへと変換される。基礎モデルが賢く、見てきた構成やタスクが多いほど、後訓練で補うべき課題は少なくて済む。
汎用ロボットの「脳」の商業的価値は、各シーンごとにモデルを個別に開発する投資を下げられることにある。工場でネジを締めるロボットが食器洗いを学ぶ必要はない。ホテルや倉庫でも、機体はそれぞれ異なるものを選ぶ。シーンが身体を決める一方で、汎用の頭脳はより多くの身体にまたがる必要がある。
灵波は、すでに本体メーカーとともに産業展開を進めていることを示し、買取り、サブスク、カスタムなど異なる課金形態も模索している。ただし現場では、外部が検証できる顧客事例、収益規模、コストモデルは開示されなかった。現時点で市場が確認できるのは技術ルートと生態系（エコシステム）の位置づけであり、スケールする商用クローズドループは、より多くのプロジェクトデータを待つ必要がある。
04 灵波がこの「重い仕事」をやる理由
ロボットの「脳」を最初から訓練するには、長期的な投資が必要だ。事前学習、データ基盤、実機での検証、本体との適応のいずれも、小さなチームだけで素早くすべてを揃えるのは難しい。
蚂蚁（アンティン）が灵波に提供する中核リソースには、資金、人材、訓練用インフラ、データ処理能力、そしてシーンのエコシステムが含まれる。灵波はその土台の上で、空間認識、ビデオ生成、インタラクティブなワールドモデルからVLA、VAまでを一体化したフルスタックのモデル体系を構築し、本体との連携を通じて量産（投産）能力を検証できるようにしている。
この配置はまた、蚂蚁が産業の構図をどう見ているかも反映している。具現知能はまだ、いわゆる「百模大战（百モデル戦争）」のような初期段階にあり、将来は少数の汎用基礎モデル提供者に収束する可能性がある。ロボットが大規模に家庭へ入ってくる距離はまだ遠く、いまWindowsやAndroidにたとえるのは時期尚早だ。
蚂蚁灵波2.0を見ると、モデルのパラメータやランキングはその一部にすぎない。より重要な指標は、それがタスク横断・シーン横断・構成横断で成功率を継続的に高められるかどうか、そして後訓練コストを顧客が支払う意思のある水準まで下げられるかどうかだ。
デジタル世界のAgentは、基礎モデル能力が上がると急速に普及する。具現知能も同様に「能力のあふれ出し」が起きるかもしれない。ただし物理世界には、避けられない制約がもう一層ある。モデルが下す判断は、最終的に、実際の身体の一組によって完了しなければならない。
蚂蚁灵波は、前もってこの「巨大な脳」を作り直すことを選んだ。ルートがどこまで進めるかは、最終的にロボットが本当に仕事をこなせるかどうか次第だ。
リスクに関する注意事項および免責条項
市場にはリスクがあります。投資は慎重に行ってください。本記事は個人の投資助言を構成するものではなく、特定のユーザーの特殊な投資目的、財務状況、または必要性を考慮していません。ユーザーは、本記事に含まれるいかなる意見、見解、結論が自らの特定状況に適合するかどうかを検討すべきです。これに基づいて投資する場合は、責任を負うのは投資家本人です。