首届蚂蚁灵波具身大模型挑战赛的第三名队伍只补采了13条真机数据,就拿到65.87分;冠军队总分超过82分。我们认为,这场比赛比机器人“会不会做”更值得关心:具身智能的竞争重心正在从单纯堆数据,转向真实环境中的工程拆解。
这是什么
这是一场48小时真机挑战赛。1,855支报名队伍中的15支进入决赛,统一使用开源底座LingBot-VLA 2.0、双臂机器人松灵COBOT MAGIC和相同算力,完成蔬果摆放、化妆品收纳及双臂清扫三道任务。
SST把任务拆给不同模型:DeepSeek理解指令,视觉模型定位目标,LingBot-VLA 2.0生成动作。冠军TARS则先排除无关物体,再针对机械臂负重下坠修正控制轨迹。另一支队伍把每次真机失败转成新训练数据,将成功率从约10%逐步提升。
更关键的是,现场仿真与真实桌面相差约5厘米,导致机械臂抓空甚至卡死;透明盒反光、摩擦力和机械臂阻尼,也很难在虚拟环境中完整复现。
行业怎么看
我们认为,开源底座已经提供基础视觉和动作能力,但当前产品差异更多来自任务拆解、针对性数据和现场调试,而不是某个模型参数更大。训练单步耗时从约15秒降至3.4秒,看似只是效率提升,实际能让团队在48小时内多完成数轮“训练—上机—纠错”循环。
风险也很明确:小样本微调容易损害通用能力,换角度或光照就可能掉分;透明反光物体、精细力控和双臂协作仍缺通用方案。蚂蚁灵波CEO朱兴承认,行业尚未找到哪类数据扩大后能带来能力跃迁。换句话说,具身智能还没有形成类似语言模型的Scaling Law(模型规模与能力提升之间的稳定关系),单个高分不能证明通用能力已经成熟。
对普通人的影响
对企业IT:企业试点机器人时,应先检查流程能否稳定拆分、传感器和现场条件是否可控,并按真机调试周期核算成本,不能只依赖仿真演示或模型榜单。
对个人职场:短期内更可能增加的是机器人操作、场景测试、任务编排和数据维护岗位;重复搬运等单一任务会先受影响,复杂工作的替代速度仍受可靠性与成本约束。
对消费市场:家用机器人短期仍会围绕整理、清洁等边界清晰的任务落地,价格之外,真正决定购买的将是失败率、噪音、维护频率以及能否适应不同家庭环境。