从模型到场景全链路打通：原力灵机的具身智能野望

文 | 智能相对论

作者 | 叶远风

过去两年，具身智能始终处在一种微妙的展示期，各家厂商的发布会总少不了几段精美的概念视频，机械臂精准叠放衣物，人形机器人流畅完成日常操作，画面足够惊艳，却总难走出实验室的聚光灯。

一旦走进光线杂乱的工厂、包裹堆积的仓库，那些在公开榜单上跑分亮眼的模型，往往会陷入动作变形、任务中断的窘境。

而刚刚举办的Action 2026原力灵机开发者大会，给出了另一种行业答案。

这场首届开发者大会没有只拿出单个模型炫技，而是一口气发布覆盖模型、本体、开发平台、场景系统的四大类产品，把从技术研发到产业落地的整条链路全部铺到台面上。

所谓Action，不只是具身智能的核心命题，更是整个行业从概念验证走向规模化落地的一声开机号令。

行业拐点已至，泛化能力开启2.0时代

行业内已经形成普遍共识，具身智能正处在一个类似大语言模型ChatGPT时刻的关键节点。

此前的阶段更像是大模型1.0时期，各家拼参数、拼榜单、拼单点Demo效果，模型能力局限在特定场景特定任务，换个物体换个环境就容易失效。

而现在，整个行业正在向2.0阶段跨越，核心标志就是模型泛化能力的全面提升，以及从技术能力向真实生产力的转化。

这个转化过程并不轻松。

国内不缺硬件厂商，不缺场景资源，也不缺数据采集能力，真正的卡点在于碎片化，不同硬件品牌接口各异，不同算法团队各自为战，不同场景的数据无法复用。每落地一个新场景，都要从头做硬件适配、模型微调、系统集成，成本居高不下，规模化自然无从谈起。

原力灵机给出的判断是，通用化是打破碎片化、走向规模化的唯一解法。具身智能的竞争从来不是单点技术或实验室Demo的比拼，而是模型、系统、本体、平台、场景全栈一体化能力的系统对决。

这次发布的多个产品、构建的“三级火箭”，正是这套思路的完整落地。

从大脑到身体，筑牢通用能力底座

整套产品体系的核心，是全新升级的DM0.5通用具身基础模型。

相比DM0，DM0.5参数量达到4B，基于15万小时多源数据深度训练，数据量暴涨四倍，参数量提升一倍。数字背后是能力的代际跃升，整套模型的设计目标，就是从执行固定指令的专用工具，转向理解意图、连续泛化、长时可靠运行的通用底座。

DM0.5的能力升级体现在多个维度。

零样本与少样本成功率的大幅提升，意味着模型不再依赖针对特定任务的反复训练，面对陌生物体和环境也能完整完成操作闭环；

原生支持最长60秒的长时记忆，让机器人可以处理多步骤的长程任务，不会出现做了前面忘后面的短时窘境；

双系统大脑架构的引入，让机器人在面对视角晃动、人为打断等外界干扰时，也能自主判断状态并修正动作，适配真实场景的复杂环境，同时整套模型天然支持多种构型的机器人本体，跨平台迁移能力大幅增强。

对具身模型而言，参数规模从来不是最终目的，能不能在真实世界里稳定干活，才是硬标准。

DM0.5还把微调成本压低了六成，一块消费级4090显卡就能完成下游任务训练，最快18小时即可部署，彻底打通了真机落地的成本壁垒。发布会后模型权重同步开源，也在试图把这套技术路线推向更广泛的开发者群体。

而与此同时，本次大会还发布了Apex通用机器人本体。很多人会疑惑，一家以模型为核心的公司，为什么要亲自下场做硬件？

答案藏在具身智能的特殊性里。

传统机器人的硬件设计优先考虑机械性能，大模型只是后来附加的功能，软硬件之间往往存在适配损耗，模型的能力很难完全释放。这次发布的Apex通用机器人本体，走的就是具身原生的路线，从硬件设计之初就围绕大模型的运行特征打造。

Apex采用模块化构型体系，底盘、手臂、末端执行器都支持快速更换，夹爪等末端工具一分钟内即可完成热插拔，软件端自动识别并无缝切换，无需重启系统。整套本体的三层算力架构，底层负责1kHz高频实时控制，保障动作平滑与安全，端侧搭载本地算力芯片支持高频实时推理，云端则对接大模型负责高层规划与复杂决策，和DM0.5的能力分层形成完美匹配。

面向工业级场景的设计同样值得关注。

Apex的平均无故障工作时间目标超过1000小时，支持30秒快速换电且换电过程中大脑保持热备，业务流不会中断。影子模式的加入，真机运行过程中可以无感采集真实场景的操作数据，这些数据会成为模型迭代的核心养料——Apex不只是模型能力的展示载体，更是整个数据飞轮里最前端的采集终端。

三件套补齐中间层，打通落地最后一公里

有了强模型和好本体，距离真实产业落地还有一段距离。

具身模型要真正从能力走向生产力，中间还缺一套工程化、系统化、平台化的支撑层。这次原理灵机推出的DexDev开发者平台，包含DFOL2.0、DexOS、MaaS三款产品，分别对应练得强、接得稳、用得起三个目标，补齐了模型到场景之间的关键短板。

DFOL2.0解决的是模型迭代成本高的痛点。

过去模型优化依赖真机采集数据，需要在真实硬件上反复试错，不仅效率低，还容易造成硬件损耗。DFOL2.0引入通用具身世界模型DW0.5作为高保真仿真器，把强化学习直接搬进虚拟世界。在仿真环境里可以批量生成各类轨迹数据，模拟各种成功与失败的场景，再用这些数据迭代优化模型。

最终真机数据需求量下降六成，整体训练成本降低四成，模型迭代的速度不再受限于真机数量。

DexOS瞄准的则是行业碎片化的顽疾。

作为行业首个具身通用操作系统，它屏蔽了不同硬件的底层差异，提供统一的标准接口协议。开发者只用少量代码，就能完成机器人连接、感知获取、模型推理和动作执行，不用再针对每款硬件单独啃底层协议。这相当于给具身智能打造了一套通用操作系统，一次开发就能在多款硬件上运行，大幅降低了适配门槛。

目前DexOS已经完成对多款主流机器人构型的适配，覆盖机械臂、人形机器人等多种形态。

MaaS服务则把具身能力拉到了普惠层面。

它把具身大模型的能力做成按需调用的云端服务，既有通用模型支持零样本推理，也提供定制化的模型训练服务，采用按量计费的模式。

中小企业和个人开发者不用投入巨额算力和研发成本，就能用上先进的具身模型能力。高门槛的技术变成了可灵活调用的服务，整个行业的参与门槛被大幅拉低。

Ferrata落地缓冲，跑通商业与数据双飞轮

即便模型能力再强，开发工具再完善，具身智能大规模落地依然绕不开一个死循环。模型不够完美，企业不敢大规模部署到真实场景，可没有真实场景的数据喂养，模型又永远没法变得完美。很多具身智能项目就卡在这个死循环里，始终走不出实验室。

Ferrata多智能体混合作业系统，给出了非常务实的解法。

它不追求一步到位用机器人替换所有工作，而是搭建了一套分级作业的混合体系。简单高频的固定任务，用传统自动化设备完成，保证基础效率和成本优势；复杂多变的长尾任务，交给搭载具身大模型的机器人处理，覆盖传统自动化触达不到的场景；遇到极端异常的情况，系统自动流转到人工远程接管，保证业务不会因为模型处理不了而停摆。

这套模式的核心价值在于双轮驱动。

一方面，混合方案的整体成本可控，客户能看到明确的投资回报，愿意规模化铺开，形成稳定的商业收入。

另一方面，所有作业过程中的数据，包括成功的操作、失败的案例、人工接管的处理方式，都会被结构化记录下来，回流到模型训练体系里。

模型越用越强，需要人工介入的场景就越少，方案的竞争力也会持续提升。

这也解释了原力灵机此前合并Atomix的战略意义——物流仓储等真实产业场景，不只是商业收入的来源，更是模型迭代的最佳练兵场。有了真实场景的持续输入，整个数据飞轮才能真正转起来。

全栈布局背后，一场行业标准的卡位战

纵观整场发布会，最值得关注的不是某一项技术参数的突破，而是原力灵机完整的全栈布局思路。从核心模型到硬件本体，从开发平台到场景解决方案，环环相扣，形成了能力向下传递、数据向上反哺的完整闭环。

过去的具身智能行业，玩家大多聚焦在单点赛道，有的专注做模型，有的深耕硬件，有的只做场景集成，但具身智能本质上是系统工程，单点突破撑不起真实落地。

没有好的硬件，模型能力无处施展；没有好的开发工具，落地效率提不上来；没有真实场景的数据，模型迭代没有源头活水。

原力灵机走的全栈路线，本质上是用一套完整的方案，打破行业碎片化的困局，同时它也没有走封闭路线，模型开源，开发框架开放，操作系统面向全行业硬件适配，希望用标准把更多玩家拉进生态里。

当然，全栈模式也面临挑战。同时布局模型、硬件、平台、场景，意味着要同时应对多个赛道的竞争，对团队的执行力要求极高。自研硬件和开放生态之间也需要找到平衡，如何打消合作伙伴的顾虑，让更多硬件厂商愿意接入这套体系，是接下来的关键课题。而Ferrata的混合作业模式，最终效果如何，也还要靠真实产业场景的交付数据来验证。

回到这场大会的名字Action，三层含义里，最有分量的或许是那一声片场开机的号令。过去几年，具身智能行业拍了太多精美的概念预告片，讲了太多关于未来的故事，而现在，随着技术成熟度提升，随着落地路径逐渐清晰，行业终于到了喊出Action，走进真实片场实拍的时刻。

原力灵机的这套全栈方案，不会是具身智能落地的最终答案，但它确实捅破了一层窗户纸，它告诉整个行业，具身智能不用再等模型完美了再进场，不用再等硬件统一了再落地，用一套系统的方法，完全可以在真实场景里边跑边迭代，边赚钱边进化。

当越来越多的机器人走进工厂、仓库、门店，当真实场景的数据源源不断地反哺模型，具身智能的下一个爆发节点，或许比我们预想的来得更快。

*本文图片均来源于网络