原力灵机抢先入局具身智能

背景

当前具身智能行业正处于从概念验证（PoC）和Demo展示向实际商业落地转型的关键阶段。行业内部对于“第一落地场景”的选择仍存在分歧，多数玩家仍在密集进行概念炒作或演示，缺乏可规模化验证的商业闭环。

在此背景下，原力灵机（Force Origin）通过股权并购方式与物流机器人公司 Atomix 完成合并，试图将大模型能力与真实物理场景深度融合。这一动作不仅是一次企业层面的整合，更得到了智谱、阶跃星辰、商汤、阿里等中国头部大模型公司的集体注资。原力灵机创始人兼CEO唐文斌提出“Picking（抓取分拣）就是具身智能的Coding”这一核心判断，旨在通过物流仓储这一具体场景，解决具身智能数据稀缺、难以规模化训练的行业痛点。

核心内容

原力灵机认为，正如代码生成（Coding）是大模型时代的原子任务和数据飞轮基石，抓取分拣（Picking）则是具身智能领域最理想的原子任务。这一判断基于对大模型发展逻辑的反向拆解，以及物理世界数据获取的特殊性。

Picking 作为原子任务的四大约束与优势 理想的具身智能原子任务需满足高频、真实、可验证、可迁移且具备通用性。Picking 在物流仓储场景中完美契合这些标准：

1. 高频与真实数据生成：全球物流仓库每天产生上亿次真实抓取动作，SKU极度多样，任务边界清晰，能持续产生高质量、低噪声的真实物理数据，弥补仿真数据的缺失。
2. 清晰的可验证信号：抓取动作的成败判断标准明确（如成功、掉落、放置偏差、识别错误等），反馈信号清晰，便于模型快速迭代优化。
3. 强大的能力迁移性：Picking 本质上是手眼协调、力控与空间理解的浓缩。一旦模型掌握多工况下的灵活抓放逻辑，即可向分拣装箱、居家劳作、精密装配等更复杂的开放环境作业迁移。

为何选择物流仓储场景 相比家庭环境（任务边界散、容错率低）和传统工业场景（高度结构化、泛化锻炼有限），物流仓储尤其是消费品仓储和分拣，处于“可控”与“长尾”的绝佳平衡点。

• 商业痛点明确：劳动力缺口真实存在，客户有预算且急需自动化解决方案。
• 数据飞轮沃土：海量网购订单带来几十万种SKU和全天候运转的流水线，为数据积累提供了天然矿场。
• 全球验证：Skild AI、Physical Intelligence、Figure AI 等海外玩家已率先锚定仓储场景，证明了该路线的可行性。

合并的战略纵深：从合作到内生闭环 原力灵机与 Atomix 的合并并非简单的“模型+场景”拼接，而是构建内生数据飞轮的关键一步。

• Atomix 提供场景：拥有成熟的客户网络、真实的仓储部署经验和持续运转的产线。
• 原力灵机提供模型：其自研的 DM0 具身原生大模型，突破单机独立训练限制，依托多源数据联合训练和跨机型通用预训练技术，能消化各地仓库、不同机型机械臂的异构数据。
• 内生机制：合并后，场景侧产生的真实 Picking 数据直接灌入模型侧进行迭代，模型能力的提升又反哺更多仓库和机型。这种“数据-模型-场景”的闭环在组织体内自然流转，消除了外部合作调度的摩擦成本。

Picking 时刻：数据范式的转型 唐文斌提出的“Picking 时刻”，标志着具身智能数据从“采集型”向“场景型”转变。

• 传统模式：数据是为了训练而专门采集的，依赖人工遥操作和设备投入，增长受限且昂贵。
• Picking 模式：数据是真实业务生产的副产物。机器人执行分拣任务本身就在产生数据，任务持续发生，数据自然积累。
• 飞轮效应：任务越多 -> 数据越多 -> 模型越强 -> 效率越高 -> 进入更多场景 -> 产生新数据。这一闭环证明了机器人不仅能做好“这一次”，更能“越做越好”。

关键要点

• 原子任务类比：Picking（抓取分拣）被视为具身智能领域的 Coding（代码生成），是构建通用智能的基础性原子任务。
• 四大核心优势：Picking 具备高频产生数据、物理细节真实、成功/失败信号可验证、以及能力可迁移至其他操作任务的特点。
• 场景选择逻辑：物流仓储场景比家庭更可控，比传统工业更长尾，且存在真实的劳动力缺口和商业预算，是孕育数据飞轮的最佳土壤。
• 并购战略意义：原力灵机与 Atomix 的合并旨在将“最丰富的 Picking 矿场”与“能消化异构数据的模型底座”结合，实现数据飞轮的内生循环。
• 数据范式革新：Picking 使数据从“为训练而采集”转变为“业务生产的自然副产物”，解决了具身智能数据稀缺、昂贵、难规模化的长期痛点。
• 资本共识：智谱、阶跃星辰、商汤、阿里等头部大模型公司的集体押注，表明资本市场认可这一“物理世界数据飞轮”路线的潜力。
• 行业分水岭：Picking 不是终点，而是具身智能从实验室走向真实世界、从 Demo 走向 ROI 验证的分水岭和入场券。

意义与影响

原力灵机与 Atomix 的合并及“Picking 时刻”的提出，对具身智能行业具有深远的战略意义。

首先，它确立了具身智能落地的新范式。行业竞争焦点正从“Benchmark”转向“Business”，原力灵机通过 Picking 场景证明了具身机器人可以在真实产线上接受 ROI（投资回报率）验证。这为行业提供了一个可复制的样板：即通过高频、标准化的原子任务，低成本、大规模地获取真实物理数据，从而打破数据瓶颈。

其次，它加速了具身智能从“演示”到“实用”的跨越。传统具身智能数据依赖昂贵的遥操作和专门采集，难以规模化。Picking 模式将数据获取嵌入日常业务流程，使得数据增长具有自然性和持续性。这种“内生数据飞轮”机制，使得模型迭代速度不再受限于人工组织数据的能力，从而大幅缩短技术成熟周期。

最后，这一动作可能重塑行业竞争格局。谁先在 Picking 上跑通真实世界的数据飞轮，谁就掌握了具身智能下半场的核心资产——高质量、大规模的物理世界交互数据。这不仅关乎单一公司的成败，更可能成为区分“真具身智能”与“伪概念”的关键分水岭，推动整个行业从概念炒作走向务实的技术积累和商业变现。