1855 支队、15 支进决赛、冠军 82.5 分:这场 48 小时的比赛,测的是工具好不好用
1855 支队伍报名、15 支进决赛,晋级率 0.81%;冠军 82.5 分,来自一支平均年龄 25 岁的五人小队。但 82.5 分是三轮真机测评里最好的一轮,不是平均稳定性——而初赛里 79.1% 的选手没有任何真机调试经验。这场比赛真正测出来的,是工具链的门槛,不是机器人的能力上限。
- 规模:首届蚂蚁灵波具身大模型挑战赛 9 月在外滩大会启动,初赛吸引 13 个国家、1855 支队伍、3252 名选手,覆盖 648 家高校/科研院所/企业(含海外机构 41 家);11 月在上海张江科学会堂进入线下真机总决赛。
- 决赛:15 支队伍在 48 小时内基于开源模型与统一配置设备完成调优、部署与评测,晋级率约 0.81%。11 月 16 日结果出炉。
- 冠军:平均年龄 25 岁的五人小队「TARS」以 82.5 分夺冠,成员来自福田实验室、西北工业大学、普渡机器人、天津大学,队长吴昊楠是即将硕士毕业的 00 后。
- 规则细节(最关键):决赛设 三轮真机测评,各队取其中一轮最高总分计入排名——82.5 分是最好的一轮,不是三轮平均。
- 门槛证据:组委会披露,初赛选手只有 20.9% 有真机调试经验,即 79.1% 没有;一台参赛级机器人的价格约 二三十万元,有选手自购过约 2000 元的双臂机器人练手、实验里坏过两个舵机。
- 判断:主办方自己的定性更诚实——真正要求 99.9% 成功率的任务不可能只给开发者 48 小时。所以这场比赛的信息量在「多少人能第一次跑通全流程」,而不在「82.5 分离商用有多远」。把它读成能力榜单,会高估一个数量级。
一场比赛的数字可以有两种读法。1855 支队伍报名、15 支进决赛,读到的是「热度」;冠军 82.5 分、三轮取最高一轮,读到的是「这个方法能测出什么」。
这两种读法在这场比赛里指向完全相反的方向。热度是真的高,但 82.5 这个数被外推得太远了。
决赛规则是这样的:15 支队伍在 48 小时内,基于主办方开源模型和统一配置的设备,结合统一预采数据与现场采集数据,完成模型调优、部署调试和任务评测。赛题三项——单臂抓取水果蔬菜、单臂抓取化妆品放进透明盒、双臂配合清扫桌面垃圾再倒入收纳筐。设三轮真机测评,各队取其中一轮最高总分计入排名。
最后这条规则是关键。
取最高一轮,意味着这个分数衡量的是「你能做到多好」,不是「你每次都能做到多好」。这两件事在实验室里差别不大,在商业场景里是天壤之别——产线要的是连续 8 小时不低于某个阈值,不是某一轮跑出了峰值。
三轮取最高还有个副作用:它奖励波动。如果一个队伍两轮跑崩、一轮跑出高分,和另一个队伍三轮都稳定在中上,前者可能排名更高。这不是赛制设计缺陷——48 小时的比赛本来就该看上限,因为下限在很大程度上由随机性决定,测不准。但如果读者把 82.5 当成「这个模型在这些任务上的成功率是 82.5%」,那就是把上限读成了均值。
时间点依据解放日报 11-18 报道;「48 小时」为赛制时长,不是日历时间。
组委会披露:初赛选手中只有 20.9% 有真机调试经验。
反过来就是 79.1% 没有。近八成的参赛者是第一次把代码往真实机械臂上跑。
这个比例配上另一个数就有了画面:一台参赛级机器人二三十万元。对个人和中小团队来说,这不是「买不起」,是「不敢买」——买回来不会用、用坏了修不起、修好了也没有足够的任务场景去跑。
报道里有两个细节把这件事说得很具体。一位博士五年级转方向的选手,为了练习买过一台约 2000 元的双臂机器人,实验中坏了两个舵机,团队就去拆修其他机械臂、用零件补缺;初赛备赛后期他把行军床搬到实验室,在机械臂旁边住了近两周。另一位有多年自动驾驶经验的工程师,原以为底层技术相通、迁移会简单些,结果初赛只拿到 20 多分,后来拉上两位相识近十年的工程师组队,把残差思想、数据增强和模型适应性经验搬过来,才一点点提到 70 分左右、晋级决赛。
这两个例子的共同点不是「努力」,是门槛的形状:不是算法难,是「算法到动作」这一段中间有太多工程环节——数据处理、训练、仿真评测、硬件适配、现场校准。每一环单独看都不难,串起来就是一个需要连续几周泡在设备旁边的活。
这场比赛最值得引用的一句话,来自主办方首席科学家沈宇军:真正要求 99.9% 成功率的任务,不可能只给开发者 48 小时完成开发。比赛更重要的意义,是验证工具是否易用、开发门槛是否降低,以及普通开发者能否真正使用模型完成任务。
这句话承认了两件事。一是 48 小时的产出离商用标准差着几个数量级;二是比赛的设计目标从一开始就不是选能力最强的模型,而是测「路好不好走」。
首席执行官朱兴的补充同样实在:真机决赛把这些环节压缩在 48 小时里,也让一些在仿真榜单上不容易暴露的问题尽早出现;对开发者来说,真机决赛中出现的失败和偏差,同样具备进一步复盘的价值。
为什么仿真里暴露不出来?因为仿真的误差模型是写进去的。真实世界里有透明反光(这也是他们专门做空间感知模型 LingBot-Depth 的原因)、有花茎会弯花瓣会掉、有观众的手伸进画面。这些不在任何 benchmark 的分布里。
报道里给的三条落地线索,恰好覆盖了三种不同的难度。
第一条是药房。今年 7 月世界人工智能大会上,蚂蚁灵波与国大药房合作的机器人智慧药房入选十大「镇馆之宝」;乐聚、星海图和灵波自研 R-2 三台不同构型的机器人,在同一个具身大脑驱动下按随机订单分工,完成接单、取货、交付。目前已在国大药房上海门店投入运营,不需要门店专门改造空间,可在夜间值班等场景协助药剂师分拣药品。
第二条是工业上下料。今年 10 月与隆盛唯睿合作建设具身智能机器人创新中心,首期聚焦工业上下料。
第三条是包裹分拣。与德马科技合作,面向形状、尺寸各异的包裹分拣。
报道自己给了一个很专业的观察口径:后续进展可以从「部署工位、持续运行时间、人工接管频次」三个维度看。
这三个维度值得抄进任何一份具身智能项目的验收表。工位数决定规模,持续运行时间决定可用性,人工接管频次决定它到底是「机器人干活」还是「人看着机器人干活」。
第一,看排行榜之前先看评分规则。取最高一轮、取平均、取最后一轮,三种规则会选出三种完全不同的队伍。如果目标是筛出能上产线的方案,取最高分是错的;如果目标是发现能力上限,取平均分是浪费。
第二,把「48 小时能跑通」当成一个采购指标。一个模型如果需要一个熟练团队花三周才能在新设备上跑起来,那它的实际单价是「模型费 + 三周工程师成本」。这条算法在任何技术选型里都成立,在具身智能里尤其成立,因为设备调试的时间成本远高于软件部署。
第三,别把「参赛人数」当行业成熟度。1855 支队伍报名是好现象,但它是「想进来的人多」的证据,不是「进来之后能干活」的证据。真正的成熟度指标是复购——同一个团队第二次、第三次带着新任务回来。这个数要等明年才有。
82.5 分是个不错的起点,它的意义在于证明「一条陌生的路,一群陌生人 48 小时能走通」。至于这条路上能不能跑货,那是另一个问题,而且是更难的那个。