7月10日、アリババ・リンボは業界初の身体的ナチュラルワールドアクションモデル「LingBot-VA2.0」を発表しました。このモデルの登場により、ロボットのベースモデルが「デジタルワールドモデルに基づく構築」から「物理的な世界に直接設計される」への重要な転換点を示しました。これは、身体的知能の発展において重要な選択肢を示しています。ロボットの「脳」はもはやデジタルワールドモデルの能力を「移植」するのではなく、動的モデリング、因果予測、リアルタイム実行などの環境との相互作用における基本的なニーズに沿って、ナチュラルデザインで構築されています。

身体的ナチュラルなアーキテクチャのおかげで、LingBot-VA2.0は本物の機械でのテストで優れた実行速度と一般化能力を示しました。以下のビデオを例に挙げると、外部の撮影機器に頼ることなく、ロボットは人間と複数回のランダムな打ち合いを完了できます。

image.png

今年になって、世界モデルと身体的知能がどのように融合するかは、各方面が注目している焦点となっています。最終的な目的をもとに、物理的な世界の「制御と実行」のニーズに応えるためには、継続的に因果律に合致した「予測能力」が必要です。ロボットが直面する世界は連続的に変化する現実世界であり、現在の状況に対応するだけでなく、ある動作がどのような環境の変化を引き起こすのかを理解し、それにもとづいて次の行動を決定しなければなりません。現在の業界の主流路線は、主にデジタルコンテンツ制作向けのビデオ生成モデルに依拠しており、それをロボット制御タスクに微調整して適用しています。

しかし、コンテンツ制作とロボット制御は出発点が異なります。コンテンツ制作では画質と創造性が重視され、ロボット制御では実行効率と予測の合理性が重要です。これらの違いにより、デジタルワールドのビデオモデルと物理的なワールドのビデオアクションモデルは設計当初からそれぞれ異なる能力の重点を置いているため、前者を後者に適合させるために強引な微調整を行うと、知識の忘れや一般化能力の低下といった副作用が生じます。

LingBot-VA2.0は問題に直面し、より困難な道を選択しました。それは、自己回帰構造を基盤として一から予訓練を行い、4つの主要な設計を通じてナチュラルな基本モデルを構築することです。

まず、モデルは語義視覚-アクショントークナイザ（Tokenizer）という新しい視覚エンコーダーを導入し、視覚圧縮の過程で語義とアクション情報の対齊を加えました。これにより、モデルは後のトレーニングにおいて、「指示を理解する」ことを「アクションを遂行する」ことへ容易に変換でき、指示追従とアクション精度の向上に役立ちます。次に、モデルは厳格な因果予訓練の枠組みを採用し、トレーニング開始から自己回帰構造を使用することで、視覚予測とアクション生成が単方向の時間順序に完全に従うようにします。第三に、MoE構造を導入し、推論効率を損なうことなくモデル容量を効果的に拡大し、パフォーマンスと効率のバランスを取ります。最後に、増強された非同期推論メカニズムによってリアルタイム閉ループ制御を実現し、ロボットがアクションを実行しながら未来の状態を予測し、最新の真実観測を利用して次の意思決定を修正します。これらの設計により、業界が抱える身体的ワールドモデルの実行効率が低いという問題に対して、LingBot-VA2.0は1枚のカードで150Hzのリアルタイム推論効率を提供しました。

「作業」の観点から見れば、ロボットは「より明確に見る」「より正確に考える」「より素早く働く」必要があります。今週、アリババ・リンボは複数のモデルを連続して公開し、オープンソース化しました。その内容は、空間認識向けのLingBot-VisionおよびLingBot-Depth2.0、多機種対応のアクションモデルであるLingBot-VLA2.0、リアルタイムインタラクション向けのLingBot-World2.0、そしてより高い推論効率を備えたビデオ生成基盤モデルであるLingBot-Videoです。これらのモデルは、アリババ・リンボが身体的ナチュラルに必要な細分化された能力を継続的に探求していることを示しており、LingBot-VA2.0は集大成としての役割を果たし、身体的ナチュラルな新時代を正式に開きました。

アリババ・リンボのCEO朱興氏は、「一方でリンボは身体的知能の新たな限界を探求し続ける一方で、もう一方でオープンな技術エコシステムとシナリオエコシステムの構築を加速し、ロボットの産業シーンへの進出を支援する」と述べました。

また、アリババ・リンボは7月17日から20日にかけて、2026年世界人工知能大会（WAIC）の期間中に全スタックの脳2.0の実際のシナリオの能力を全面的に展示する予定です。来場者は上海世博展覧会館（H3-B302、H1-C701ブース）に訪れて、現地で体験することができます。