作者：Colin

9 月 11 日，外滩大会 W2 综合采访间，蚂蚁灵波科技 CEO 朱兴（花名 " 陶斋 "）出现在媒体面前。开场他很直接：自己真名朱兴，在阿里很多年，目前负责蚂蚁灵波，" 回答更多代表灵波科技一家之言 "。

在这场持续一个半小时的沟通会中，朱兴谈到了 Ego 数据、世界模型、商业化落地，也谈到了独立融资、人才竞争和 " 百模大战 "。GPLP 犀牛财经注意到，他谈得最多的是数据、成本、治理和周期。

在具身智能被资本推上风口的当下，这种克制显得另类。更关键的是，他没有像一些友商那样给出激进的商业化时间表，也没有承诺所谓的 " 具身智能的 ChatGPT 时刻 "。相反，他把话题拉回到两个更务实的词上：能力与成本。

独立融资不是缺钱是人才与治理的 " 长坡厚雪 "

今年灵波开始独立融资。外界有消息称，原因之一是集团算力预算受到挤压。对此，朱兴没有刻意回避，但给出了不同的叙事。

" 不是说缺钱了。" 他说，现有核心人才和未来增量高级人才，需要用什么样的激励机制去容纳，这是必须面对的问题，也是过去一段时间很多大厂拆分 AI 相关业务背后的重要考量。

独立融资的第二个原因，是公司治理。在朱兴看来，这个行业要 " 长坡厚雪 "，要经历非常多周期。灵波希望提升自身作为独立公司的治理水平，更好地遵循董事会、CEO 负责制，让公司更高效地应对竞争。

事实上，灵波的独立拆分，也是一个典型的 " 大厂 AI 业务拆分 " 样本。融资不只是找钱，更是找机制。对于具身智能这种周期长、投入大、人才密度高的赛道，治理结构和激励结构，往往比短期资金更重要。

谈到外界关注的人才问题，朱兴回应说，灵波对外露面不多，但团队最骨干的一批人比较融合：" 有学院派往工业界走的，探索新技术范式和上限；有来自自动驾驶等领域的，玩过大规模系统化工程；有数据 Infra 的人；也有‘互联网 + 商业’的人。"

数据的真相：百万小时不如一张 " 配方 "

治理之外，数据同样是这场沟通会的高频词。

当有媒体提到 " 现在数采拿到的数据 90% 都是无效数据 " 时，朱兴说，他不知道这个数字是谁说的，怎么统计出来的，但灵波更重视数据本身的质量分布。

" 当前确实有一个点，不管哪种类型的数据源、采集方式，数据都有大量场景重复。场景过度重复的数据，意义不是那么大。"

朱兴拿自动驾驶类比：大部分玩自动驾驶的人，每天收上来的数据更多是存储成本，很少能挖掘到真正需要的数据。数据过剩之后，怎么拿到想要的数据，反而非常关键。

灵波的做法是：数据需求由模型训练来定义。需要什么类型的数据、什么分布、涵盖什么场景和任务，采集难度高的先试采，产生好的 SOP，再推给供应商上量。

" 你会发现整个链路下来，灵波核心走的是定制化采集。我们去年比较早的时间就不怎么买成品数据了。成品数据确实有问题，技术质量差、大量重复，会导致漏斗率很低。"

朱兴透露，灵波比较早地把从原始数据到进入模型训练的数据漏斗，可用率从 15% 左右拉到 90% 以上。跟供应商合作，一般不是批量交付，而是流式交付。他们关注从数据生产开始，到底多长时间能进入模型训练，是一周还是三天。

对于行业中一些厂商主张的 " 自建数采厂 "，朱兴认为没必要 " 非黑即白 "。好的数据供应商至少有两个价值：一是专业的大规模用工能力，能管理、考核、激励生产员，产能有弹性；二是未来进入更多场景，本身也需要运营。

" 作为模型厂商，你是有义务作为数据需求方的，你得定义出来我需要什么样的数据，需要什么样的质量，不能把这件事赖到数采厂里。这是很核心的 Know-how，本身就是模型厂商的责任。"

谈到 Scaling Law，朱兴说自己相信，但数据不能机械地看量。

" 有的模型多少万小时，比另外一个模型需求量大 3 倍、5 倍，效果差，但会发现它在某些类型场景任务上表现特别好，肯定是数据分布大量不均衡。"

基于此，他分享了几个灵波对数据的判断：

第一，量重要，但不能只谈量，更要谈质量和分布。分布是模型厂商最核心的 Knowhow，大家老说 " 炼丹 "，炼丹背后就是配方。

第二，每种数据阶段性都有价值。

第三，不要轻易谈不同数据源之间的配比。互联网视频操作数据配一点点真机数据，会 " 淹死 "。越预训练，越需要场景泛化、无本体数据、互联网视频数据；越往后训练，越贴近机器人、贴近具体场景和任务。

" 百模大战 " 刚开始，生态比通吃更现实

灵波在坚持什么路线？朱兴说，最相信的是物理智能或者具身智能需要基于物理真实数据，去训练自己 0-1 的基模。

" 我们不相信物理智能体或者人形机器人、具身智能仅仅是数字智能的一个嫁接。数字智能的发展，包括多模态、大语言模型，可能会对具身有很多助力，但内核部分还要靠具身本身去解决。"

他提到大语言模型的发展阶段，有两个洞察。

第一，选择问题。大模型兴起后，摆在大厂和新公司面前有两个选择：基于别的基模做微调，或者冒着更大风险投入预训练。后来在 " 主桌 " 上的，选择前者的没有一个跑出来，选择后者也不见得跑得出来，但没选择后者的全挂了。

" 今天具身智能也进入到‘百模大战’的初期。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。"

第二，大语言模型的基础范式相对熟练，为什么就那么几家老在桌上？背后依赖强大的、基于优秀团队交付的 Infra 能力：大规模训练技术和大规模数据管线。

朱兴认为，至少在具身智能领域，灵波在训练技术方面有竞争力：训练规模超大，很多方向是首发领域的基模，都是原生的。这也是海外非常关注灵波的原因之一。数据维度，灵波很早过渡到定制化采集为主，跟供应商在 SOP、端到端数据管线自动化集成等方面做了很多工作。

" 我们宣传相对低调，但海外看国内具身智能，尤其是看模型能力，可能不知道‘蚂蚁灵波’四个字，但一定知道‘ LingBot ’。"

谈到行业格局，朱兴说，从基座公司或基模角度，确实不需要太多家。大模型从轰轰烈烈的 " 百模大战 " 到现在比较收敛，四五家坐上 " 大人那桌 "，国内再想上桌也挺难。具身也会走向几家为主，未来一定收敛。但具身今天可能是 " 百模大战 " 的刚刚开始。

灵波的核心是输出智能，输出闭源版基模加上工具链。工具链帮助厂商解决更高效的后训练、后训练数据采集、清洗标注、端侧高性能量化部署，以及高效率真机强化学习。过程中提供技术服务，一起探索后训练，培养生态，构建数据网络，尤其让异常数据更多回流。

" 对我来说，这种合作是‘ 1+1 大于 2 ’。机器人总体来说是一个非标产品，跟客户需求对接、到集成交付、包括维护，这是非常重的东西。灵波自己做能做几家呢？为什么不是让生态一起来做？"

灵波也有 R 系列机器人。朱兴解释，一是承载研发需要；二是蚂蚁核心业务围绕生活服务，具身智能想更早探索生活服务，所以需要一个合适的本体。R 系列底盘很小，配了非常多感知设备，在力控等方面做了很多软硬件处理。生活服务场景通行、避障更复杂，考虑安全，这不是当前产业主流出货场景，但灵波想更早探索，就需要硬件平台配合。

" 工业、物流等出货场景，我们不碰，我们只是提供好‘基模 + 工具链’。"

商业化：克制但不缺席

在上述采访的最后，问题回到商业化和周期上。有媒体向朱兴提问称，行业里很多公司融资节奏快，但没有阶段性交付，似乎对资本交代不过去。

朱兴说，大环境和行业发展有规律，肯定有高有低，自动驾驶也穿越了很多周期。在每个周期转化过程中，可能有大量公司告别，有些新公司进来，这很正常。

" 具身往前走还是行稳致远的事，行业要更加理性、更加扎实一点往前走，也是一个好事。成本方面我不做披露，反正从 0 到 1 大规模训基模挺费钱的。"

对于灵波一年内的计划，朱兴没有给出具体数字。他说，灵波不会为了更好的收入数字去过度推进商业化，一是不可持续，二是会阶段性地把团队精力浪费，捡了芝麻丢了西瓜。灵波选择的是很长期的路线，想上限足够高，过程中会保持克制。

" 但再克制不能不做。只有付费的商业化，才能迎接更真实的考验。商业化是公司往前走非常重要的核心能力，再好的技术都是通过不断迎接商业化的挑战沉淀下来的。"

他判断，在未来可见的一两年，在任务复杂度没有那么高的情况下，有些地方的账能逐渐算过来。从今年下半年开始到明后年，应该会进入生产力应用的一个量级的快速增长。

结语

在外滩大会的采访间里，朱兴说了很多 " 不 "：不买成品数据、不追求炫技 Demo、不认为数字世界模型能直接控机器人、不认为行业需要这么多基座公司、不为了收入过度推进商业化……

这些 " 不 " 构成了蚂蚁灵波的路线：基于物理真实数据，训练 0-1 的具身基模；用闭源基模 + 工具链，和生态一起做落地；在有限商业化中打磨能力，等待数据飞轮真正转起来。

具身智能的叙事，过去两年被本体、Demo 和融资额推着走。朱兴试图把它拉回地面：先定义数据，再谈模型；先算成本，再谈规模；先做有限落地，再谈数据飞轮。

这个路线不刺激，但却可能更接近产业真实节奏。毕竟，物理世界不接受特效，只接受合理。