作者 | Echo 责编 | 梦依丹出品 | CSDNIDCSDNnews有些问题悬在空中太久了。具身智能这个词行业喊了好几年。机器人能做家务、能进工厂、能替代人工——这些画面被反复描述反复演示但真正意义上的规模化落地至今仍是一个「即将发生」的状态。为什么7 月小暑烈日当空我从大山子前往位于西三旗的原力灵机Dexmal作为碳基生物先见到的却是众多的机械臂和灵巧手工程师正在做轮番测试一只在往盒子里装物品另一只在叠一件 T 恤角落里有一只在做三明治。往里走是调酒的那只——夹住酒瓶倾倒放回原位换杯再倒整个流程行云流水。如此之例不胜枚举。这不是发布会现场的一次性展示这是原力灵机日常的产品测试空间。不同品牌的机械臂在这里验证同一件事搭载了 DM 系列具身大模型之后灵巧手能不能真正干活。然后我见到了唐文斌和他的四位联创。他们在 7 月 9 日的 Action 2026 开发者大会上发布了五个产品但在那之前他们用一场媒体沟通会讲了一件更根本的事具身智能为什么还没有真正落地以及他们打算怎么一件一件地把卡点解开。为什么是这五个人原力灵机的五位创始人外界通常用「旷视系」三个字打发过去。但这五个人的关系比「同事」要近一些其中有一个人是教练其余几个是他亲手招来或在竞赛场上发掘的学生。唐文斌清华姚班出身原旷视科技联合创始人兼 CTO同时担任中国 IOI 国家队总教练多年2016 年起在旷视内部主导智慧物流与机器人调度业务。范浩强IOI 金牌、清华姚班以旷视第 6 号员工的身份在高二就加入了刚创立的旷视是唐文斌作为教练时发掘的竞赛少年。周而进同样是 IOI 金牌旷视第 12 号员工在旷视待了整整 11 年「最早的 FaceID 是我做的」是他自己说的。汪天才端到端多目标追踪算法 MOTR 的核心作者顶会论文 30 余篇Google Scholar 引用超 6000。张绍政物理竞赛保送清华、后被 MIT 录取负责本体方向——他是五人中最低调的一位在 7 月 9 日的 Action 2026 开发者大会之前几乎所有关于原力灵机的媒体报道里都没有他的名字。自 2025 年 3 月天才聚集创立原力灵机至今时间不长但发展迅猛颇有“人间一年AI 三年”的既视感。他们之所以聚在这里是因为他们看到了同一个问题并试图给出行之有效的答案。诊断具身智能究竟卡在哪里「具身智能肯定没有到 ChatGPT 时刻今天就是 GPT 2.0 的水平。」这是这次沟通会的基调也是这个团队对整个具身行业现状的判断。不是泼冷水是在做诊断。唐文斌用自己的例子把问题说得更实在2 月发布 DM0 时他们宣称比开源同类模型更好、Benchmark 更好。但真正要问有多少开发者放弃了同行转而选择了原力灵机「坦白讲到目前为止是没有的。我们测了很多产品这是现在的真实状况。」他们认为具身智能落不了地缺的不是某一个单点技术而是整条链路上同时堵着五个地方第一模型泛化性不够。 今天大多数 VLA 模型能做各种复杂的 Demo但那些 Demo 是「定点任务」——换一个场景、换一件物体就不行了机器人只是在重复播放训练集里的动作。一旦进入真实场景就翻车产生的是失败数据而不是有效数据。第二后训练成本太高。 基础模型到工业场景之间需要针对具体任务做后训练。传统做法是在真机上反复试错成本极高难以规模化。第三模型和本体之间没有标准层。 今天把一个模型部署到不同品牌的本体上每次都要重写一套对接代码N 个模型乘以 M 个本体工程量极大开发者精力大量消耗在这里。第四没有人敢把模型真正放出来。 公开 API、按量计费——之前没有人做不是不想是对自己的模型没有足够信心。第五没有场景就没有飞轮数据。 这是最根本的死结需要真实场景数据才能训好模型但需要好模型才能让机器人大规模进场景。两端互相等待飞轮永远转不起来。五个卡点对应了这次发布的五个答案。答案一先让模型真正泛化——DM0.5周而进给「泛化」下了一个不一样的定义。真正的泛化不是把更多已知任务装进模型不是 Demo 看上去复杂、长程而是你把机器人放到它没见过的环境、没见过的物体面前用自然语言跟它说话它能听懂、能完成。他的判断标准直接「发布会上如果都没有真机演示这个泛化完全不可信如果只是演示几个固定的精致动作我觉得非常媚俗。」原力灵机内部将泛化演进分为四级被操作对象的泛化、场景的泛化、任务的泛化、机型的泛化。DM0.5 主要解决前三级。这次发布的 DM0.5参数量 4B基于 15 万小时多源数据训练。数据分三类5 万小时高精度真机操作数据覆盖 100 余种原子动作10 万小时第一视角 Egocentric 数据毫米级 3D 关键点标注100 万平空间场景重建数据。相比上一代 DM0参数量翻倍数据量增加约 400%。推理延迟 H100 上 50 毫秒4090 显卡 90 毫秒。在 RoboChallenge 真机评测平台Table30 V2中以 42%成功率、60.1 总得分位列第一LIBERO 综合表现达 99.1%架构上有三项针对性创新。原生 60 秒记忆。上下文抽象层Context Abstraction Layer让模型原生支持最长 60 秒记忆从预训练阶段开始而非后加模块。DM0 是完全没有记忆的单帧推理同类开源基础模型大多只有几秒量级。60 秒记忆解锁的能力之一是视频示教人类演示一遍操作机器人看完视频即可对照完成无需再采集大量专项数据。周而进举了一个例子——「机器人打扫桌面把东西收拾干净然后放回原处——没有记忆它根本不记得东西原来在哪。」具身思维链。通过 11 项推理任务让模型对本体、指令、环境做联合建模真正理解「这句指令让你干什么」而不是看到指令就做惯性动作。「没有语言能力的 VLA 就是数据集复读机。」轨迹对齐。同一动作采集 50 至 100 遍操作者速度有快有慢轨迹对不齐会在训练时引入大量噪声。用约束动态规划在训练过程中对轨迹做对齐让网络学到真实动作的运动速度而非死记硬背时间节点。关于数据周而进的判断直接「高质量的数据才有可能导出高质量的智能忽视数据质量单纯谈数据量没有任何意义。」DM0.5 训练数据目前以自采为主外部购买只作为早期补充。干扰下的鲁棒性答案二后训练不能靠真机烧——DFOL 2.0基础模型到工业场景之间还差一段距离。工业场景对成功率和节拍要求极为严苛Zero-shot 能力本身还不够需要针对具体任务做后训练。DFOL 2.0Dexmal Function Online Learning 2.0的核心思路是把强化学习从真机上搬进虚拟仿真环境——将世界模型直接当作仿真器使用。底层是同步发布的具身世界模型 DW0.5以任务指令、视觉信息、历史动作序列为输入在线生成未来状态视频包括任务成功和任务失败两类轨迹。两类样本都有强化学习才有 reward 信号可以学。DW0.5 在 WorldArena 等权威榜单上拿到第一名其任务进度评分与人类专家评分的 Value-Order Correlation 指标达到 95%。汪天才解释了为什么不用传统工业仿真器「以前的工业仿真器把所有物理参数都编码进去精度很高但无法真正规模化——模拟一个新物体、新场景需要数以月计的时间单独建模。用世界模型做仿真器是在不同维度处理这个问题有点像研究蛋白质有直接用设备测量的方式也有 AlphaFold 用 AI 预测的方式是本质不同的范式。」他也主动澄清了世界模型和 VLA 的关系两者「不是替代关系而是相辅相成最终一定会走向大一统」。实测结果真机训练数据需求下降 60%整体训练成本下降 40%。在打气球、晾衣服、调酒、叠纸盒等高难度任务上相比单纯 SFT 基线性能提升从 10 个点到 50 个点不等。答案三没人敢放我们放——MaaS DexOS在大模型圈MaaS 早就是标配。但在具身智能领域在这次发布之前从没有人把模型以公开 API 形式提供出来、按量计费。范浩强说出了原因「说实话主要还是对模型不那么自信。一旦用 API 公布出来之后任何人可以用任何方式进行测试所有运行结果都是不可撤销的、立即返回的会永远记录下来。」原力灵机决定做因为对这代 DM0.5 的 open-set 能力足够自信。MaaS 服务分两种模式。通用模型Zero-shot 推理开箱即用定价 0.05 元/100 万输入像素。定制模型用户上传数据集支持 LeRobot v3 格式在开发者平台 DexHub 完成后训练训练完可一键部署到云端按 GPU 占用时长计费定价 0.015 元/100 万输入像素。模型本身也会开源开发者可下载自行部署。0706_3我在现场追问了一个实际问题做具身 MaaS开发者要为机器人失败付费——机器人没完成任务、重试Token 照烧这套商业逻辑能跑通吗范浩强的回答坦率「你说的问题——是不是要为失败负责——这事好像大模型都还没有做到就说不成功退款的现在具身可能还更早期。」他认为现在客户更大量的需求是想知道「这个活能不能做」MaaS 提供的是一个探索可能性的方式「很类似早期 AI 的那个样子」。我接着问了 Token 经济的问题在大模型时代大家落地的时候都在想 ROI 怎么最大化超级个体怎么变成超级团队具身场景下这个痛点能不能解决范浩强说具身还是在探索阶段这个问题目前还没有成熟的答案。配套 MaaS 的是 DexOS——行业首个具身通用操作系统以及开源协议 ECPEmbodied Control Platform。两者合在一起解决的是 N×M 适配问题今天把一个模型部署到不同品牌本体上每次都要重写一套对接代码。DexOS 和 ECP 让模型侧和本体侧各自对准统一接口N×M 变成 NM。唐文斌做了类比就像 Anthropic 推出 MCP 之后模型之间互相调用有了统一标准「我们推 ECP就是想让具身模型和本体之间也能比较容易地做对接所以这套东西我们会全部开源。」灵巧手收银首批接入 DexOS 的本体合作伙伴包括天工、华勤、史河等机器人厂商。云端算力合作方包括平头哥、摩尔线程、爱芯元智、天数智芯训练服务将同时支持国产算力。答案四本体要具身原生——Apex张绍政介绍 Apex 时先说了做本体的时机选择「我们做本体做得比较后是因为对模型和算法有了足够的认知之后才决定自己来做所以我们希望它是一个相对更加具身原生的机器人。」后发做本体的好处是可以从模型的需求反推硬件的设计而不是先有硬件再去迁就模型。「具身原生」在硬件上首先意味着模块化手臂、夹爪、底盘均采用解耦设计可根据不同任务快速切换配置末端形态支持热插拔更换无需重启系统时间在 1 分钟以内。单臂臂展 1 米可覆盖 0 到 2 米高度底盘支持全向横移和原地转向可通过 1 米宽的窄道精度方面单臂夹爪可抓取 3 公斤物体单次开合行程小于 0.4 秒全臂定位精度亚毫米级配备六维力传感器和腕部相机算力与感知搭载 Thor 顶级算力芯片本地端侧实时推理底层控制频率 1kHz除主视觉双目外配备两颗鱼眼相机形成 360 度环视张绍政把它做进了机器人的「耳朵」造型里。稳定性是张绍政着重强调的「过去很多具身产品运行几个小时就开始发热宕机。」Apex 的硬件设计目标是 MTBF 达到 1000 小时以上支持 7×24 小时不断电作业无法插电的场景支持 30 秒快速换电换电期间大脑保持在线任务流程不中断。答案五让机器人先在场景里跑起来——Atomix 合并与 Ferrata这是整个逻辑链的终点也是最根本的卡点。2026 年 6 月原力灵机完成了与物流机器人公司 Atomix原力聚合的合并。Atomix 的前身是唐文斌 2016 年在旷视内部主导的智慧物流业务2024 年 7 月剥离独立。剥离后Atomix 将托盘四向车做到全球销量第二年营收近十亿元服务客户包括优衣库、蜜雪冰城、宁德时代。这次合并的意义唐文斌用最直白的方式说「只有让机器人真正在场景中跑起来才能获得数据飞轮。」行业普遍面临一道死结需要真实场景数据才能训好模型但需要好模型才能让机器人大规模进场景。Atomix 提供的是打破这个死结的物理入口。但进了场景还需要一套让机器人「先干起来」的系统设计这就是 Ferrata——唐文斌把它的核心思想概括为六个字「简单任务简单做。」具体分三层L1 是低成本基础自动化设备处理仓库里高频、简单的标准任务L2 是搭载 DexOS 和 DM 系列模型的 Apex专门处理 L1 搞不定的异形件、软包、复杂长尾变量L3 是人工兜底当 L2 也处理不了时任务自动流转给远程遥操或现场人员结果和异常数据同步记录、反哺模型迭代。三层加在一起业务完整闭环ROI 可以算清楚数据持续回流。合并完成后商业化不是从零开始。如范浩强所说「原来这个客户已经是我们的了原来买我们的产品现在把这些具身水平高的产品一起带进去。」今年的目标是1000 台机器人在物流场景里持续工作 1000 小时。有人问能否 100%完成周而进的回答是「这就是目标肯定得搞定。」做具身智能最难的事沟通会上我问了所有联创一个问题你们各自负责的方向做起来最难的点是什么周而进的回答出乎意料——他没有给出单一的卡脖子难题「它是一个系统工程不是说单点好像哪一个地方卡脖子我只要把那做好了这事就解决了。」他展开说「以预训练模型为例今天具身有很多的难点比如 15 万小时的数据我们为这件事情搞了很久从整个数据的质量、操作的定义、模型的架构今天具身范式定型了吗也没有所以大家就得去探索探索过程得平衡你的算力、数据、时间。」在他看来最大的挑战不是某项技术而是能不能建立起一套高效的研发体系「一年前的时候我们甚至都不太清楚真机评测到底怎么样规范测这件事情。所以我们去年下半年搞了 RoboChallenge今年我们基本上每一个月一代一代内部小版本的模型在迭代基本都是一套标准化的评测体系来弄的否则模型之间都不可比。把这样一套生产化的生产模式建立起来这可能是最大的一个挑战。」这也解释了他们在学术发表上的态度。有人问起这个团队还会不会发论文——范浩强说「现在感觉论文周期太慢了我们一般直接发小红书或者挂博客每一到两个月就迭代一次已经远远超过传统发表周期。」汪天才做了区分学术研究关注技术单点在有限数据和算力下做以仿真 Benchmark 指标为标准而推主线模型是数据驱动的所有验证建立在数据量和算力都充分的情况下在真机上做。「在有限数据集和算力下很多 Paper 的结论在主线上去验大概率是没有效果的。」周而进的最终判断「科研范式最重要的转变是从做题家变成能定义题目、再解题的人。」DM0.5 的 Tech Report 将于 7 月 15 日面向全行业公开发布。五个人坐在一起唐文斌话最多问题接得最快遇到棘手的地方先稳住再给旁边的人一个眼神。范浩强习惯在话尾留一两句幽默但从不跑题。周而进说话时有一种笃定像是早就把所有问题在脑子里推演过一遍。汪天才最克制开口时你会知道他要说一件重要的事。张绍政话最少被问到本体细节时逐条报出数字——1kHz 控制频率、亚毫米级定位精度、30 秒换电——对细节的掌握程度让人明白他在这个团队里承担的是什么。从清华姚班到旷视从旷视到这间北京西三旗的办公室这条路走了十几年。五个人分头走过各自的来历最后落在了同一个问题前面具身智能为什么到现在还没有真正落地他们的答案不是某一个技术突破而是整条链路都得做对。