作者 | Echo 责编 | 梦依丹
出品 | CSDN（ID：CSDNnews）
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。

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 2.0（Dexmal 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。

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 ECP（Embodied 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 N+M。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。」

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。