中国大模型圈，很少出现这样的场面。

智谱、阶跃、商汤、阿里，四家原本各有算盘的大模型玩家，第一次同时出现在同一家创业公司的投资人名单里。

而被它们共同押注的，不是一家新的大模型公司，而是一家做机器人的公司。

6 月 5 日，原力灵机宣布完成与 Atomix 的合并，并同步完成新一轮融资。一家具身智能公司，把大模型“半壁江山”拉上了同一张牌桌，这在国内具身智能赛道，还是头一回。加上华勤、上汽恒旭等产业资本的同步加持，合并后的原力灵机，正在成为这个赛道上最不容忽视的名字。

而这一切的操盘手，是旷视联合创始人唐文斌。很多人不知道的是，过去三年里，唐文斌其实一直在同时经营两家公司。

一边是做具身大模型的原力灵机。

一边是深耕物流仓储的 Atomix。

前者研究机器人如何思考，后者验证机器人如何创造价值。

三年之后，他决定让两支队伍在同一个时刻会师。

会师：Picking 时刻的双向奔赴

这场合并看上去突然。但在唐文斌的规划里，它其实已经准备了三年。

唐文斌的名字，在 AI 圈并不陌生。他是旷视的联合创始人之一，经历过视觉 AI 从实验室到产业化的完整周期。那个周期的经验教会了他一个朴素但容易被忽视的道理：技术突破和场景落地，从来不是两件事，而是一件事的两面。但大多数时候，你只能先把它们拆开，分头做到极致，然后在那个对的时刻合拢。

2023 年前后，具身智能开始升温。当时市场有两种主流打法：一种是"纯模型派"，赌一个通用具身大脑的诞生，用技术的高度去穿透一切；另一种是"纯场景派"，先做出能卖的产品，在某个垂直场景里活下来再说。

唐文斌没选任何一边。他同时布下了两颗棋子。

第一颗，叫原力灵机。任务是攻克具身智能最核心的模型能力。这支队伍从一开始就定调很高——不做只在实验室里摆弄的 Demo，而是面向真实物理世界，从底层数据、训练范式到模型架构，全部围绕"具身原生"来设计。他们闷头搞了一年多，做出了 DM 系列模型，搭建了 Dexbotic 开源框架，还跟 Hugging Face 联合发起了一个叫 RoboChallenge 的真机评测平台。

第二颗，叫 Atomix。任务是扎进最真实、最复杂的物理场景里，把机器人真正用起来。他们选了一个看起来一点都不"酷"的行业——物流仓储。每天在仓库里跟货架、托盘、纸箱、塑料袋死磕，抓取、搬运、分拣，重复上万次。

如果你只看表面，这两家公司除了同一个创始人之外，几乎没有什么交集。

但唐文斌心里清楚，这两条路最终会指向同一个终点。他只是在等一个信号。

很多人问过唐文斌：“既然最终要走到一起，为什么不从一开始就放在一家公司？”

他的答案很简单：“因为它们根本不是同一种组织。”

做模型和做场景，需要的人才画像完全不同，组织文化完全不同，甚至节奏完全不同。做模型需要纯粹的研发环境、顶尖的算法人才、不受干扰的技术路线。做场景需要全球化的商业拓展、深入一线的工程团队、甘愿在仓库里一蹲就是几个月的耐心。

如果硬塞进一家公司，结果大概率是——模型做不纯粹，场景也铺不开。

三年分兵，各自为战。这不是分家，是战略展开。

两支队伍，各自走了多远

先看原力灵机。

一年时间，原力灵机做了一件事：从底层数据、训练范式到模型架构，全栈自研了一个"具身原生"的大模型系列——DM。

什么叫"具身原生"？

市面上大多数做具身智能的公司，本质上是在通用大模型上做"嫁接"——把一个原本用来聊天、画图、写代码的大模型，接到机器人的控制系统上，再做微调。这种路线起步快，但天花板低。因为通用大模型的认知框架是为文本和图像设计的，它并不天然理解"力"、"接触"、"操作"这些物理世界的基本概念。

DM 系列的思路完全不同。它从第一天起，就面向物理世界的机器人作业而设计——数据怎么采集、训练范式怎么搭建、模型架构怎么编排，每一个环节都围绕"机器人在真实世界里完成任务"这个核心命题展开。

最新的 DM0 模型，在 RoboChallenge 具身智能真机评测中位列全球第一。

RoboChallenge 不是仿真，不是模拟——是把模型部署到真实机器人上，在真实物理环境中执行真实任务，看成功率、看精度、看稳定性。它由原力灵机与Hugging Face 联合发起，是目前全球最大规模的具身智能真机评测平台，已经有智元、星海图、星动纪元等近 20 家家企业参与联合运营，累计服务全球超 8 万次真机测试。阿里千问、小米、千寻智能等也都参与其中。

在这个"真刀真枪"的舞台上，DM0 拿下了第一。

再看 Atomix。

如果说原力灵机是在"天上"建大脑，那 Atomix 就是在"地上"铺路。

三年时间，Atomix 把物流仓储场景做到了中国具身智能赛道的绝对领先：500+ 个项目交付，业务覆盖超 20 个国家，在全球设有 26 个售后服务中心，服务全球超 60 个品牌客户。从美洲到欧洲，再到亚太和中东，Atomix 日均出货 60万+件。

在单项目工程能力上，Atomix 同样领先：

• 行业首个实现单系统部署 80+ 台托盘四向车；

• 50+ 台规模的超大型托盘四向车项目数量位居全球第一；

• 单项目最高调度规模达到 600+ 台机器人。

• 自研托盘四向车销量位居全球第二。

服务的客户包括优衣库、蜜雪冰城、宁德时代等各行业头部企业。

三年，两条路。

一条向上，锻造机器人的“大脑”；

一条向下，深入真实产业现场。

今天，这两条曾经平行的路线，终于开始汇合。

Picking 时刻：具身智能的"原子任务"

为什么选择现在合并？

唐文斌用了一个很有意思的类比：

每一个时代的技术革命，都会出现一个决定能力上限的“原子任务”。

大模型时代是 Coding。

具身智能时代，则是 Picking。

原因并不复杂。

Coding 之所以重要，不只是因为它能写代码，而是因为它同时具备三种稀缺特征：

• 海量真实数据；

• 清晰反馈信号；

• 以及强大的能力迁移性。

谁先攻克 Coding，谁就更有机会长出推理、规划、工具调用等更高级能力。

而 Picking 恰好具备同样的特征：

• 海量真实数据：全球的物流仓库每天产生上亿次真实抓取动作——每一次抓取的对象、姿态、力度、成功与否，都是天然的标注数据；

• 清晰反馈信号：东西被抓起来了吗？放对位置了吗？盒子有没有损坏？系统当场就能判断。和 coding 一样，这是机器人能在真实世界里跑强化学习的稀缺场景；

• 能向更复杂任务迁移：一旦模型真正理解了“用任意末端,以任意姿态,在任意环境下，稳定地把任意物体从 A 移到 B”，装配、分拣、家务、协作、医疗辅助——几乎所有需要手部动作的任务,都会沿着同一根能力主干生长出来。

Picking 看似只是物流场景里的一个动作，本质上却是具身智能能力树的主干。

而 Atomix，恰好拥有中国具身智能赛道目前规模最大、最真实的 Picking 数据源。

这也是为什么选择在这个时间点合并。

不是为了抱团取暖，也不是为了缩减成本，而是因为属于具身智能的“Coding 时刻”，已经出现了。

DM0：凭什么做到全球第一？

数据只是燃料。

真正决定上限的，是有没有一个足够好的引擎能把燃料转化能力。

原力灵机的答案，是 DM0。

，时长03:03

Dexmal DM0 多任务混剪：折纸盒、工装上料、叠衣服、调酒

与大多数从互联网大模型迁移而来的方案不同，DM0 从设计之初就是面向机器人打造的“具身原生”模型。

它最大的特点，是同时学习来自互联网、智能驾驶和机器人操作的数据。

如果把机器人操作数据理解为“动手经验”，那么互联网数据提供的是常识认知，自动驾驶数据提供的是对动态物理环境的理解。三种数据融合训练，让 DM0 对现实世界的理解远超单一数据来源的模型。

与此同时，DM0 还在 8 类不同机器人本体上进行联合训练，覆盖灵巧操作、环境导航和全身控制等核心任务。

这意味着，它学习的不是某一台机器人的控制方式，而是操作背后的共性规律。就像一个经验丰富的老司机，换一辆车依然能够快速适应。

更重要的是，原力灵机将思维链推理进一步延伸到了物理空间。

从感知、决策到动作执行，DM0 能够完成长程连续任务，并实现亚毫米级精度控制。

而这一切，仅用了 2.4B 参数。

在今天动辄数百亿、上千亿参数的 AI 世界里，DM0 更像是一辆轻量化赛车——参数不大，却能跑出更高的成功率。

在 RoboChallenge 真机评测平台上，DM0 的综合评分目前位列全球第一。

还有一个容易被忽略的动作。

原力灵机并没有把自己定义成一家单纯做模型的公司。

除了 DM0，他们还打造了 Dexbotic——一个被许多开发者称为“具身智能时代 PyTorch”的开源框架。

如果说 DM0 是发动机，那么 Dexbotic 更像是在修路。

它负责连接数据、训练、评测、硬件和真机部署，让开发者能够更低成本地构建和验证自己的具身智能系统。

目前，Dexbotic 已经服务清华大学、北京大学、普林斯顿大学、帝国理工学院等顶尖高校，以及腾讯、北京人形机器人创新中心等企业，吸引超过千名开发者参与共建。

这意味着，原力灵机不仅在做模型，也在试图定义具身智能时代的开发范式。

数据飞轮：合并的底层逻辑

现在，合并的逻辑就清晰了。

模型和场景，从来不是两件独立的事。模型需要真实场景的数据持续喂养，才能在物理世界里真正变强；场景需要更聪明的大脑去驱动，才能突破现有自动化的天花板。

原力灵机有最聪明的大脑，Atomix 有最真实的身体和场景。合并之后，Atomix 在全球仓库里每分每秒产生的 picking 数据，将直接成为原力灵机模型训练的燃料。而原力灵机训练出来的更强模型，又能立即部署回这些机器人，让它们变得更聪明，处理更复杂的任务。

"模型变强，机器人更聪明；机器人更聪明，数据越好；数据越好，模型继续变强——这是一个闭环。"唐文斌说，"这个闭环转起来的那一刻，具身智能就开始进入真正的指数增长阶段。"

他把这叫做"模型与场景的双向奔赴"。

这也解释了为什么智谱、阶跃、阿里、商汤会同时出现在这一轮的投资名单里。

过去几年，中国 AI 行业最激烈的竞争，大多发生在模型层。

有人做语言模型，有人做视觉模型；有人做云基础设施，有人深耕产业场景。

但当 AI 开始从数字世界走向物理世界时，很多原本分散的路线，正在指向同一个方向。

原力灵机与 Atomix 的合并，恰好提供了这样一种可能性——它既拥有自研的通用具身大模型，也拥有规模化落地的真实场景和持续产生数据的产业闭环。

更有意思的是这份投资名单本身。

做语言模型的来了。

做视觉模型的来了。

做云和产业基础设施的也来了。

甚至曾经的竞争对手，也坐到了同一张桌上。

有人把这称为“商汤与旷视的大和解”。

但比起和解，更准确的说法或许是共识。

当一个新的时代开始显现轮廓时，最聪明的那批人往往会做出相似的判断。

旧时代的竞争仍然重要。

但当新的时代开始浮现，人们更关心的，往往是谁先找到下一站。

合并之后，这条路会怎么走？

唐文斌给出了一个清晰的路线图。

今年 7 月初，下一代 DM 模型、通用本体、应用基础设施等也将陆续发布。

从模型到本体到基础设施，合并后的原力灵机正在构建一个完整的具身智能产品栈。

三年分兵，一朝会师

距离原力灵机第一次提出 “具身原生” 的概念，时间并不长。此前，他们曾表示 2026 年不是具身智能的爆发年，但会是 “具身原生” 的觉醒之年。现在看来，这个预言正在变成现实。

曾经，机器人要么是只会执行死命令的自动化机器，要么是只会聊天的 “音箱加轮子”。它们没有自己的感知，没有自己的直觉，更没有对物理世界的理解。但从 2026 年开始，一切都不一样了。

机器人开始理解自己所处的世界，学会用自己的身体去感知重力、摩擦和碰撞。它们开始在无数次跌倒和失败中，收束那条通往成功的世界线。

而唐文斌和他的两支队伍，用三年的分兵与会师，为这个时代写下了最好的注脚。他们证明了，具身智能不是科幻电影里的幻想，而是正在发生的工业革命。它不需要千亿参数的炫技，不需要人形机器人的噱头，它需要的是仰望星空的理想主义，加上脚踏实地的实用主义。

三年分兵，一朝会师。当最聪明的大脑和最能干活的双手终于握在一起，物理世界的重构，才刚刚开始。

从中国出发，走向全球

这场重构，并不只发生在实验室里。

收购 Atomix 后，原力灵机正在加速搭建自己的全球化版图。目前，公司已经形成“北京+全球五地”的组织架构：

• 北京承担模型研发与核心技术创新；

• 香港作为全球总部；

• 新加坡负责全球商业化运营，辐射东南亚市场；

• 日本与韩国子公司深度服务 Fast Retailing 等核心客户；

• 美国办公室也将于近期正式启用。

对于一家成立仅三年的公司而言，这样的全球布局并不常见。但在具身智能时代，模型、数据、机器人与产业场景天然是全球协同的命题。原力灵机希望把中国在机器人智能领域的创新能力，带到更广阔的世界舞台。

与此同时，伴随业务全面升级，公司正式启动“百人全球招募计划”，面向全球开放具身智能核心算法、机器人学习、大模型训练、机器人系统工程与产业落地等方向岗位，工作地点覆盖北京、新加坡和硅谷。

如果说过去三年，他们一直在思考如何让机器人真正理解世界；

那么接下来的三年，他们希望找到更多同行者，一起参与这场实验。

因为越来越多人开始相信：

下一次改变世界的智能，不会只存在于屏幕里。

它会走进工厂、仓库、家庭和城市。

最终成为这个物理世界的一部分。

招聘详情请访问官网 dexmal.com 或发送简历至 hr@dexmal.com。