事件
2026 年 7 月 10 日、蟻灵波發佈 LingBot-VA 2.0、一個「具身原生世界動作模型」。新聞稿強調了一個關鍵詞轉變：不再是「嫁接」（借用數字世界的能力、硬改成機器人控制）、而是「原生」（從動態建模、因果預測、實時執行等與環境交互的原始需求出發）。
這聽起來像技術細節、但背後涉及一個根本的架構選擇。
問題的起點
過去 5-8 年、機器人智能化的主流路徑是什麼？
嫁接範式： 1. 用大語言模型（LLM）做推理決策 2. 用視覺基礎模型（foundation model）做場景理解 3. 用強化學習（RL）或行為克隆（behavior cloning）做動作生成 4. 把這些模組「插」進機器人控制器、設計中間層翻譯訊號
這個路徑的優勢顯而易見： - 開發快——用現成的大模型 - 成本低——不用從零訓練 - 可遷移——同一個模型跑多個機器人
但問題呢？
實時迴圈與延遲：機器人在物理世界運動、往往需要 10-100 毫秒的反饋迴圈。但通用大模型往往是「批處理」設計（給我一段文字、我思考 N 秒吐輸出）。強行縮短延遲、就要砍模型大小、砍精度。
因果預測的幻覺：數字世界的視覺模型是「分類任務」優化的（這是貓還是狗）。但機器人需要的是「因果預測」（如果我的手臂往左轉 45°、這個杯子會往右滑多少公分？）。兩者的梯度完全不一樣。
失敗的不可控性：當模型出錯時、嫁接範式很難診斷「到底是 LLM 推理錯了、還是視覺模型識別錯了、還是動作層執行錯了」。層層堆疊、層層放大誤差。
原生設計的邏輯
蟻灵波的選擇相反：直接從「機器人在真實環境中、需要什麼樣的認知能力」開始設計。
第一性原理：一個具身 agent（具有物理身體的智能體）最本質的需求是什麼？
不是「理解文字」、不是「標記圖片物件」——而是： 1. 實時動態建模：環境狀態在持續變化、我需要秒級更新模型 2. 因果預測：預測我的行動會導致什麼物理後果 3. 閉環控制：執行 → 觀測 → 修正，一切在毫秒級完成
如果架構從這些需求開始、會長什麼樣？
- **端到端的視覺動作學習**：不先分類、直接學「看到某種視覺特徵 → 執行某種動作軌跡」的映射
- **預測模型的設計優先考慮因果性**：用物理相似性（physics-informed）或等變網路（equivariant network）、而不是通用的卷積核
- **延遲預算明確化**：整個系統的實時迴圈被設計成 50-100ms、而不是事後想辦法砍
- **失敗模式易診斷**：因為整個系統圍繞「預測 → 執行 → 驗證」這一個迴圈、而不是多層堆疊
類比與歷史先例
這個選擇有歷史底蘊。
軍事戰術的啟發：John Boyd 的 OODA 迴圈（觀察 Observe → 定向 Orient → 決策 Decide → 執行 Act）強調、真實對抗環境中、迴圈速度比單次決策品質更重要。F-16 設計時、Boyd 主張削減功能、只要迴圈快就能贏——結果確實贏了。
進化論的洞察：生物演化不是「先設計完美大腦、再配上身體」。而是身體與神經系統共進化。反射迴圈先出現、才是複雜決策。機器人系統若模仿這個順序、可能比「大腦優先」更穩健。
軟體架構的教訓：微服務 vs 單體應用。微服務看起來複雜、但每個服務只用負責一個專業領域、延遲邊界明確。單體應用看起來簡單、但系統耦合、很難除錯。具身機器人的「原生 vs 嫁接」，某種程度重演這個古老辯論。