一颗大脑喂饱所有机器人？

具身智能圈最近流传一句半开玩笑的话：'每换一种机器人，就重养一颗大脑。'这背后是一笔算不平的账——同样的任务，换一种身体就要重新采数、重新训练、重新调试。本文的核心判断是：'一脑多机'正在从论文概念变成产线工程，谁先跑通跨构型的通用大脑，谁就握住了具身智能规模化的入场券。

💸 最贵的浪费：换一种身体，重训一颗脑

想象一条工厂产线：桁架机械臂在上下料，六轴机械臂在搬运， скоро还要加进一台人形机器人做质检。对传统自动化集成商来说，这是三套独立的解决方案；对具身智能公司来说，这意味着三份数据集、三个模型、三支现场调试团队。

'如果未来有上万种机器人，难道就要训练上万颗大脑？'这是李钟毓抛出的灵魂拷问。他是香港具身智能实验室联合总监、香港中文大学助理教授，1996年出生，本科毕业于浙江大学机械电子工程专业，2025年拿到加州大学伯克利分校机械工程博士学位。

他的判断很务实：现实任务对身体的要求千差万别——有的需要两米长的机械臂，有的要求重载，有的要把东西举得很高，有的需要移动得快。末端执行器也一样，柔性夹爪或吸盘能干的活，完全没必要配一只昂贵的灵巧手。

'即使再过五年、十年，也很难说会有某一种机器人，能够把所有事情都做了。'这句话出自一个做了多年双足机器人运动控制的研究者之口，分量不轻。

产业逻辑其实很简单：具身智能要规模化，边际成本必须递减。单构型、单场景的训练模式，每进一个新场景都是一次从零开始的重资产投入；只有让能力跨构型迁移，训练成本才能被摊薄到可接受的水平。这就是行业新方向'一脑多形''一脑多态'的由来——本质不是炫技，而是止损。

🧠 从人形执念到跨构型：一拨研究者开始转向

有意思的信号是：连最信仰人形路线的一批人，也在悄悄转向。

李钟毓早期主要研究双足机器人的运动控制，看中的正是人形的通用性——人有两条腿、两条手臂和两只灵活的手，理论上把模型做好就能适应不同任务和环境。但他后来把研究重心延伸到了不同机器人之间的数据、模型与能力迁移。从'把一种身体做到极致'转向'让多种身体共享智能'，这是一次研究方向上的叛逃。

他所在的香港具身智能实验室，也不满足于停留在论文层面，而是把跨构型研究推向产业。目前实验室已与24家产业伙伴、投资机构及科创企业展开合作，名单里包括智元机器人、宇树科技、云深处、仙工智能、舞肌科技等——几乎覆盖了国内人形与移动机器人赛道最活跃的一批公司。

整个技术栈可以拆成这样一条链路：

注意最后的闭环：物理载体的真机数据要回流到基模训练。这决定了'一脑多机'不是一次性的模型发布，而是一个持续滚动的数据飞轮——适配的本体种类越多，回流数据越丰富，基模的泛化能力就越强，进而吸引更多本体厂接入。

据多位接近实验室的人士透露，这套合作网络的真正目的，是让不同构型的厂商在同一个基模上'对表'，避免各家各自为战、重复造轮子。

🏭 蚂蚁灵波的答案：17个品牌、20种构型、一颗大脑

如果说李钟毓团队代表了学界的探索，蚂蚁灵波则展示了产业侧最快的落地速度。

这家蚂蚁集团旗下的具身智能公司，最近密集签约：与隆盛科技控股子公司隆盛唯睿共建'具身智能机器人创新中心'，首期攻关工业上下料，未来为博世、宝钢等全球工业龙头提供方案；与德尔股份旗下德迩象网探索汽车制造车间数智化；与物流装备商德马科技合作，攻关海量包裹的高速柔性分拣。

技术上的关键筹码是其自研的LingBot-VLA 2.0基础大模型。据蚂蚁灵波CEO朱兴的表述，灵波跳出单机调优的传统思路，从零训练面向物理世界的具身基模——预训练阶段就已适配17个品牌的20种机器人构型，这是业内目前最扎实的'一脑多机'工程标杆。

落地效果有实锤：在第二十六届中国国际工业博览会上，钛虎与星尘智能两款构型各异的机器人本体，同时搭载LingBot-VLA 2.0，分别完成了高精度工业上下料与柔性分拣——两种身体，一颗大脑，这是'一脑多机'最直观的现场演示。此前，灵波已在线下药房跑通'智慧药房'连续拣药方案，并与阿拉伯数字经济联盟（AFDE）达成合作，把'一脑多机'的版图推向海外。

开源生态也是护城河的一部分：LingBot开源模型在GitHub累计斩获3.29万颗star，稳居国内具身模型前列；LingBot-VLA、LingBot-VA均完成对全球最大机器人开发平台LeRobot的生态适配，LingBot-Vision合入业界主流视觉骨干。

📊 竞争格局：谁在领跑，谁还在原地

把当前入局者放进一张技术门槛与商业价值的双轴图，格局一目了然：

ants灵波处在领跑者象限的原因很清晰：技术门槛（预训练即适配20种构型）与商业价值（绑定博世、宝钢级别的客户管道）双高。香港具身智能实验室技术浓度够，但尚处产业转化早期，是典型的潜力股。人形整机厂商通用化意愿强，但多数还在为单一本体打磨能力。单构型方案商和传统集成商则面临被'通用大脑'降维改造的压力——当一颗大脑能驱动多种身体，只做单点适配的价值空间会被持续压缩。

⚠️ 真正的卡点：数据主权在谁手里

别急着乐观。行业对具身智能的进度误读一直存在——市场常把模型版本的迭代，误读为具身智能落地的进度。拆开看，具身智能是三层结构：模型是翻译官，Agent是场景决策者，物理载体是手脚。三把尺子量下来，目前只走完了一整步的前两步，卡在第三步——迭代方向的标准，只由真实场景的数据主权决定。

适配成本正是横在中间的关键门槛：机器人从一个场景转向另一个场景，往往需要重新采集数据、训练模型、调试系统；更换硬件后还可能面临新的适配工作。模型泛化能力不足叠加硬件差异，使单点验证难以直接复制到更多产线。这也是为什么'智慧药房跑通了'和'十条产线都用上'之间，隔着一条深渊。

看懂这张表，就懂了蚂蚁灵波为何执着于跟隆盛、德马这类'有厂有货有数据'的产业方深度绑定——签的不是合同，是数据主权的入口。工业与物流场景的严苛环境（高速分拣、高精度上下料）恰恰是最高质量的真实数据源，谁先锁住这些入口，谁的基模就进入滚雪球通道。

🚀 小结：浪费的解法，不是更贵的本体

回到开头那笔账：具身智能最贵的浪费，不是机器人本体，而是为每种身体重复训练的大脑。李钟毓们的跨构型研究、蚂蚁灵波的LingBot-VLA 2.0、以及24家实验室伙伴与多家产线方的密集签约，指向同一个答案——把智能从'绑定某一种身体'中解放出来。

未来12到24个月，'一脑多机'将进入产线的残酷考核期：在工业与物流的严苛环境里，稳定性与泛化能力说了算。谁能扛住博世、宝钢级别的验收标准，'一脑多形'才真正从口号变成会计意义上的成本节约。