谈起国内 AI 公司，人们首先想到的往往是智谱、MiniMax、月之暗面等大模型创业公司，或者阿里、腾讯、字节这些拥有云和流量入口的大厂。
在这张竞争地图里，蚂蚁的位置一直没有那么容易被描述。它也做大模型，也做面向消费者的 AI 应用，现在甚至开始进入具身智能。
蚂蚁到底想在 AI 产业里占据什么位置？它准备依靠什么与其他大模型公司竞争，又想把自己的护城河修在哪里？雷峰网注意到，2026 Inclusion·外滩大会，提供了一个观察蚂蚁 AI 布局的窗口。
外滩大会上，蚂蚁展示了什么？
从进入外滩大会开始，蚂蚁的 AI 产品就已经在接管具体任务。
入场时，观众拿出手机"碰一下"，完成身份核验的同时，也唤醒了展会 AI 助手。AI 不再只待在一个对话框里，而是被嵌进入场、身份和服务流程。
走进展馆，最显眼的是一台在药房货架间移动的机器人。
货架间的通道只有80厘米宽，药品仍按真实药房的方式摆放。搭载蚂蚁灵波通用大脑的机器人，需要自己接收订单、识别药品、完成分拣，再把药交出来。为了容纳它，药房不需要重新装修，也不需要把货架改造成机器熟悉的样子。
另一种"行动"发生在生活服务区。
用户对阿宝说："每天上午10点帮我买杯咖啡。"智能体需要记住这项安排，在固定时间找到相应服务、创建订单并完成支付。
坐进汽车，可以让它代缴停车费；戴上 AI 眼镜，也可以直接询问附近的餐饮优惠。用户不再需要记住服务藏在哪个 App 里，只需要说出自己想做什么。
到了医疗区，阿福承担的是更复杂的任务。它不仅回答健康问题，也开始进入挂号、导诊、报告解读和诊后随访。村医接诊时，医患对话可以自动整理成病历，辅诊建议同步出现；碰到处理不了的问题，系统再给出转诊建议。
再往前，是蚂蚁服务小店和小微企业的产品。
店主不需要打开一张张经营报表，只要问"哪家店卖得不好""哪些商品该补货"，经营智能体"晓雨"就会调取数据、寻找问题。网商银行的百灵2.0，则试图把信贷、票据、财税等能力重新组织起来，让老板用日常语言就能调用。
入场、取药、买咖啡、看病、管店，这是五件看起来毫不相干的事。但把这些产品摆在一起，会发现蚂蚁的 AI 版图比想象中更宽：阿福和阿宝面向普通用户，晓雨和百灵进入企业经营，灵波则把 AI 从屏幕带进物理世界。
蚂蚁在AI 上的布局
从外滩大会释放的信息看，蚂蚁给出的答案已经有了一个大致轮廓：底层做模型，上层做应用，同时把AI从数字世界延伸到物理世界。
先看模型。
蚂蚁的百灵模型已经迭代到 Ling 3.0。目前的产品线包括通用模型 Ling-3.0-flash、轻量模型 Ling-3.0-tiny，以及面向多模态和金融场景的 Ling-3.0-flash-VL、Ling-3.0-flash-Fin。
其中，Ling-3.0-flash总参数为1240亿，但每个Token只激活51亿参数；轻量版Ling-3.0-tiny总参数79亿，每个Token激活13亿参数。据了解，Ling-3.0-flash还使用了超过1万个交互式环境进行训练，重点强化工具调用和复杂任务执行能力。
这组数据能看出蚂蚁做模型的思路：重点不只是把参数做大，还要控制推理成本，让模型能够进入真实业务。
面向普通用户，蚂蚁目前最重要的两个产品是阿福和阿宝。
阿福向医疗健康深处走。目前，阿福用户数已经达到1.5亿，日均健康咨询约2000万次。它不只回答健康问题，也在连接挂号、导诊、报告解读和诊后管理。
阿宝走的是另一条路。它覆盖餐饮、出行、文旅和政务等场景，已经完成万余项服务的AI化适配。
阿宝想争夺的是App之上的任务入口。
过去，用户先判断该打开哪个App，再自己完成搜索、比较、下单和支付。阿宝试图改变这条路径：用户只表达意图，智能体在后台寻找和调用服务，把剩下的流程跑完。
如果说阿福是在一个垂直行业里向下扎，阿宝就是在不同生活服务之间横向连接。一个争夺专业服务，一个争夺用户交办任务的入口。
面向企业，蚂蚁数科做的是另一套产品。
Agentar最初是一套智能体开发平台，现在被进一步升级成"商业智能体超级工厂"。
"工厂"要解决的不只是如何开发一个智能体。当一家企业拥有几十个甚至几百个智能体，还需要统一处理部署、权限、评测、管理和协作。
Agentar首批预置了约200个岗位级数字专家模板，以及数百项可以调用的行业技能。企业可以用这些能力组装自己的智能体，再把它们放进客服、营销、风控和研发等业务流程。
这条业务已经开始反映在收入上。
蚂蚁数科CEO赵闻飙在外滩大会上披露，过去两年，蚂蚁数科整体业务年均增长接近50%，AI To B业务增速达到三位数。AI To B正在成为蚂蚁数科的核心布局。
在To C和To B之外，蚂蚁又把手伸向了具身智能。
蚂蚁没有先造一台自己的机器人，而是推出灵波通用大脑，希望同一套模型和技能系统能够驱动不同形态的机器人。
外滩大会上，搭载灵波的机器人可以在药房里分拣药品，也可以进入物流仓库和工业生产线。蚂蚁提供"大脑"，机器人厂商提供不同的"身体"。
如果说阿宝调用的是App和商业服务，灵波调用的就是机械臂和物理设备。前者替用户在数字世界里办事，后者尝试把任务真正做到现实世界里。
到这里，蚂蚁的AI版图逐渐清楚了。
底层是百灵模型；上层，一边是阿福、阿宝等面向普通用户的智能体，一边是面向企业的智能体超级工厂；再向外，灵波把模型能力延伸到机器人。
蚂蚁几乎覆盖了从模型到应用、从个人到企业、从数字世界到物理世界的整条链路。
但版图铺得足够宽，并不意味着护城河自然形成。
大模型、智能体和具身智能，其他科技公司也在做。蚂蚁真正不同的地方，究竟在哪里？
蚂蚁靠什么做出差异化？
4天外滩大会下来，雷峰网感觉蚂蚁真正的差异，不在于业务铺得更宽，而在于它试图把AI做得更深。
大模型公司首先争夺的是智能上限：模型能不能完成更复杂的推理，能不能在榜单上超过对手，能不能吸引更多开发者。
蚂蚁选择的是另一种打法：把模型塞进一个个具体行业，进入真实业务流程，最后对结果负责。
这条路没有模型榜单那么醒目，也很难依靠一次发布会证明。产业里的数据分散在不同系统中，工作流程各不相同，还夹杂着权限、合规和责任问题。一个智能体在实验室里完成任务，不代表它能直接进入银行、医院或者工厂。
真正的门槛，往往出现在落地以后。金融和医疗，是蚂蚁最先选择的两个行业。
它们不是蚂蚁AI生态位的全部，却最能检验这种打法。一个关系到钱，一个关系到人的健康；既需要专业知识，也容不得模型随意发挥。
在金融场景里，模型不仅要回答问题，还要理解不同机构的业务规则，处理信贷、保险、投研和风控流程。在医疗场景里，模型不仅要懂医学知识，还要连接挂号、问诊、检查、用药和随访。
AI能不能真正进入这些行业，取决于模型之外的很多东西。
蚂蚁过去积累的支付、账户、风控和金融服务能力，以及与医疗机构、商家和小微企业建立的连接，到了智能体时代，都可以重新变成落地能力。
这也是Agentar要解决的问题。
企业需要的通常不是一个更会聊天的机器人，而是一个能够读懂内部数据、遵守业务规则、获得相应权限，并进入现有工作流的"数字员工"。
因此，Agentar提供的不只是模型接口，还包括行业技能、智能体开发、评测、部署、权限和管理工具。蚂蚁数科要做的，是陪着企业把AI嵌进业务，而不是把模型卖出去以后就结束。
这种模式很重，也很慢。
但产业落地恰恰是一件需要做重的事。模型能力可以通过一次升级迅速追赶，行业知识、客户关系和业务流程却只能一个项目、一个场景地积累。
模型公司的护城河写在参数里，蚂蚁想把护城河修进产业流程里。
支付和安全，也是这套落地能力的一部分。当智能体只负责回答问题，答错了可以重新问一次。当它开始替用户下单、付款，错误就会变成真实损失。系统必须知道Agent是谁、代表谁、获得过什么授权，出了问题还能不能撤销和追溯。
AI Pay、APASS和KYA所解决的，并不是如何让模型变得更聪明，而是如何让企业和用户敢把真实任务交给它。
蚂蚁集团安全CTO陈亮在大会上说："能力决定AI能做什么，可信决定社会敢把什么交给AI。"
这正是产业落地与产品演示之间的距离。
具身智能也延续了同一条路径。
蚂蚁没有选择从机器人硬件开始，而是用灵波为不同形态的机器人提供"大脑"，再寻找药房、物流和工业等真实场景。
一台机器人能在展台上取下一盒药，只能证明模型有能力完成这个动作。它能不能每天工作，成功率能不能达到生产要求，成本能不能低于人工，出了问题能不能找到责任，才决定它能不能成为一门生意。
从金融、医疗到具身智能，蚂蚁选择的场景不同，方法却很一致：先进入产业，再用场景倒逼模型、产品和基础设施一起进化。
这条路当然还没有跑通。
韩歆毅判断智能体商业的"ChatGPT时刻"已经到来。但当主持人追问，这个判断是不是来自蚂蚁后台的数据时，他坦率地回答："我们其实还没有从后台数据看到这样的迹象。"
用户希望智能体解决更多问题，商家却还没有完成服务改造；商家看不到足够大的需求，也不愿意提前投入。模型可以快速迭代，产业不会按照同样的速度改变。
这也是蚂蚁面临的最大挑战：产业落地能够形成壁垒，也可能变成一场漫长而沉重的消耗战。
但如果一定要给蚂蚁在AI产业里找一个位置，它想占据的，可能正是智能与产业之间的"落地层"。
向上，它承接不断进化的模型；向下，它进入金融、医疗、商业和物理世界，把模型能力翻译成一项真正可以使用、可以交易、也可以追责的服务。
大模型公司争夺谁能造出更强的智能。蚂蚁争夺的，是谁能把这种智能送进产业。