具身智能行业，需要一撮敢想的人。

文｜刘俊宏

编｜王一粟

2026年的具身智能行业，处于前所未有的混乱之中。

一方面，半年里全球具身智能赛道累计融资超过300亿元，资本和人才以前所未有的速度涌入，行业超20款人形机器人宣布小批量量产。火热的行业，让所有人都相信这是下一个“ChatGPT时刻”。

但恰恰是当技术和产品开始正式接受检验，“行业级”尴尬也在不断涌现。

比如训练机器人需要的数据。全球高质量的真实物理交互数据总量仅约50万小时，而行业普遍估算的规模化门槛至少是1亿小时。中金近期的一份报告指出，目前机器人真正落地的场景，大多还停留在数据采集和科研阶段。

当理想与现实不匹配，POC（概念验证）成了行业最流行的“自嗨”方式。

原力灵机创始人唐文斌在近期采访时直言不讳：“你做的东西，到底给客户带来怎样的价值？是你想象的价值，还是客户真实的需求？今天行业里很多POC，我认为都是在自嗨。”他进一步判断，行业里宣称在做具身模型的公司不下200家，“想好好做模型的人，其实没那么多，我觉得不会超过10家。”

热闹与迷茫并存。但正因为具身智能未来充满想象，行业里也始终有人真正想探讨技术的终局。

近日，原力灵机举办了自家第一届开发者大会。这家核心创始团队出自旷视的公司，用一款4B参数的模型DM0.5，以及配套的基础设施，尝试给出对技术终点的阶段性回答。

原力灵机的回答是否接近正确答案，还是另一种自嗨？这或许不重要。重要的是，当下的具身智能行业，需要一些共识。

具身智能大模型的重点是泛化？

如果用一句话总结DM0.5想解决的问题，那就是在数据飞轮和行业应用进展不够快的当下，让模型具备真实世界的泛化能力。

技术层面，DM0.5定位为“面向开放世界的通用具身基础模型”，主要走VLA路线。参数量只有4B，基于15万小时多源数据训练。相比上一代DM0，参数量翻倍，数据量也翻了四倍。

4B参数在具身模型领域属于比较小的区间。相比之下，Figure AI的Helix S2是7B，智元的τ0-WM是5B，英伟达的DreamZero达到14B。再小的也有，比如鹿明的Prime R0只有2.8B。

AI大模型行业早已证明，模型“不是参数越大越好”，如果架构和数据足够好，小参数也可以覆盖主流应用场景。因为，训练数据的构成，很大程度上决定了模型的基础能力。

据了解，原力灵机这15万小时数据由三类构成：5万小时真机高精度操作数据，覆盖100多种原子动作，能做到秒级指令-动作对齐；10万小时Egocentric（人类原生第一视角）视频数据，支持毫米级3D Landmark生成；以及100万平方米空间的场景重建数据，用于降低仿真到现实的迁移损耗。从数据配比可以看出，DM0.5的设计逻辑是：在真机采集真实物理世界数据之外，额外加入人类视角，来进一步理解环境。

与行业对比，原力灵机的数据属于偏向真机实采的一类。像银河通用走的是“合成数据为主、真实数据为辅”的路线，确实可以在短时间内“创造”大量训练数据，但客观存在Sim2Real Gap（模拟策略在真实世界对不上号）的问题。采集真实数据的成本确实高，但在唐文斌看来，重点还是“让数据尽可能地填满机器人的能力空间，见过足够多的东西”。

有了基础理解能力之后，机器人要想真正工作，还得有执行能力。架构上，DM0.5有三项值得关注的亮点。

第一，模型做了原生支持60秒记忆能力的上下文抽象层，这一指标行业一般在30秒左右。长记忆最直接的好处，就是能完成更长时长的任务。记忆时间不够，机器人就会像“七秒记忆的金鱼”一样忘事。

第二，具身思维链。模型在内部将大目标拆解为多个子任务，规划好先后顺序再执行，降低无效动作。这点在语言模型的CoT（思维链）上已经比较成熟，整体属于技术迁移。

第三，轨迹对齐层。这可以理解为把命令转化为具体零部件的运动轨迹。轨迹对齐有点像学运动时的标准姿势，通过轨迹，机器人也能get到一些运动规律。

从数据学习到执行层可以看到，原力灵机主张成模型“踏踏实实打好基础”，而不是定位到学习某个具体场景的具体任务。这种思路，让DM0.5开始展现出一定的泛化能力。

现场演示中，一台机械单臂接收自然语言指令后，自主完成抓取、放置、堆叠等复合操作。模型没有针对这个场景做过专门训练，却能较为稳定地执行。这就是Zero-shot（零样本）能力，意味着机器人模型正在走出“教什么才会什么”的困境。

但测试是测试，产线是产线。对于什么样的具身模型才算好用，唐文斌给出了两个标准：一是泛化性够强，最好零样本拿来即用；二是能通过后训练，省时省力地变成专用模型。现场也演示了同一套DM0.5模型，被快速适配到不同构型机器人本体上的效果。

任务做得好不好、场景够不够复杂暂且不论，但这已经足够证明：模型能够在不同构型的机器人本体上，做到指令迁移并执行任务。

不过，泛化性只能算是机器人走向应用的一个“好的开始”。Zero-shot并不意味着机器人真的可以在一个没见过的场景里，干从未接触过的工作。毕竟，评测环境是标准化的，产线环境是复杂的。光照、来料、上下料、异常处理、人类在场景里走动，这些变量很难在实验室完全模拟。

总体来看，DM0.5目前展现的泛化性，确实有点像ChatGPT通过概率预测Token，从而生成对应动作决策的味道。但距离真正可靠的生产系统，还有不小的距离。

从模型到产线 具身智能需要标准化和结构化

最近两个月里，具身智能领域关于自家模型有多强的发布会，实在是太密集了。

光是近段时间，就有银河通用、星海图、阿里Qwen团队、智平方、智源研究院、英伟达等厂商先后发布各种具身智能模型，每一个抢的不是“首发”就是“领先”。

但模型能力再强，并不能直接把产品变成销量。能打动客户购买、真正决定机器人进入干活场景的，还得是稳定性和ROI。

围绕DM0.5模型，原力灵机也配套发布了DexDev开发者平台和Ferrata（面向真实场景的多智能体混合作业系统），试图打通具身智能走向落地的渠道。

具体来说，DexDev是一个包含数据闭环模块（DFOL 2.0）、操作系统（DexOS）和MaaS服务的平台。

其中，DFOL 2.0简单来说就是一个用世界模型对具身模型能力进行强化学习的数据闭环框架。说白了，还是通过模拟训练的方式补全真实数据缺口，让模型迭代。MaaS服务则是把DM系列模型能力封装成一键调用的云服务，开发者不用从零训练。这两项服务本身没有太特别的地方，从自动驾驶到到具身智能领域，已经算是随处可见了。

比较值得一提的是DexOS。

原力灵机试图在DexOS中，用标准化的ECP（具身控制协议）接口，把原本模型与硬件之间需要一一适配的难点，变成用统一操作系统进行对接。如果用类比的话，ECP就像是AI大模型领域的MCP（上下文协议）概念，一个协议就能调用具身智能领域所有可能存在的硬件运作逻辑。

这一想法直接瞄准了具身智能行业最大的隐性成本——目前各家机器人厂商的接口标准互不兼容，开发者和用户想要试试别的方案，就得从头开始做适配。

在这一领域，不少开发者就吃过亏。例如Google DeepMind主导整合了一个覆盖多种机器人和海量数据的数据集，尽管规模大，但任务分布不均，训练时通常需要筛选子数据集才能提高效率。拿到数据集但用不了，这就是数据和硬件接口高度碎片化的结果。

不过，DexOS的ECP协议最终能否成为行业事实标准，取决于有多少硬件厂商愿意接入，这是原力灵机自己要考虑的生态问题。但ECP能否成为具身智能的共识？要知道在AI大模型领域，MCP做好之后，Agent时代就到了。

通过软件平台调试好机器人，接下来就到最关键的进厂时刻了。原力灵机推出的Ferrata，就是一套面向物流和仓库场景的管理系统。该系统依托DM系列模型和Realtime-VLA（实时反馈的VLA），在目标、模型、多形态硬件和安全边界之间建立系统级调度。

从设计理念上看，Ferrata并不是简单的机器人替代人，而是“自动化+机器人+人工”分层作业。原力灵机选择物流作为首发场景，主要是因为相比生产环节的结构化场景，物流领域的痛点更多。例如灵活处理包裹形状、搬运和打包要求、包裹数量波动等问题，导致物流行业人工成本又高又难压缩。所以用机器人来做“人机协同”的价值更大，ROI也更清晰。

不过从实际角度看，原力灵机设想的Ferrata要面对的挑战也非常多。

在具身领域，行业大部分公司还在“单机测试”阶段，直接跳到“系统级调度”属于超前布局。要实现“人机分层协作”，多机型调度、异常处理、人工接管、数据回流，这些能力缺一不可。如果不能完整实现，那从某种角度上说，所谓具身智能介入行业的价值，可能还不如物流行业已经用上的AMR（自主移动机器人）。

但总而言之，原力灵机的构想，是从过去“机器人做什么动作”，转向“机器人成为一个可靠生产系统”。

诚然，在这一套设想中，DexOS的生态、Ferrata的落地、MaaS的商业模式等一系列业务的未来发展都有待考量。

但没有答案，或许正是具身智能行业最“迷人”的地方。

结语

2026年的具身智能行业，正在上演无数场关于终局的豪赌。

合成数据还是真实数据？模型做大参数还是轻量化？任务单点突破还是全栈闭环？每一种路线都有自己的信徒，但还没有哪一种被证明是能看到终点的答案。

具身智能行业在沿途寻找答案的过程中，体力不支的玩家会在中途倒下，但技术会在收敛中实现成熟。而这，就是2026年具身智能行业所有人都在追逐量产的“真相”。

在今年早前的一次采访中，唐文斌认为能活下来的公司最起码应该有两个特征：一是模型能力领先，这是一切的根基；二是能在场景中真的被长期、大量使用，用数据飞轮反哺模型能力提升。

这一观点在今天，是原力灵机给出的“具身原生”技术路径，包含DM0.5+DexDev+Ferrata的全栈布局。或许，这一架构看起来还比较粗糙，充满了解决方案式的“预设”。但从某种程度上说，强调“原生和干活”，至少“纠正”了当下行业“善于演示”的现状——

模型和动作只是起点，成为可靠的生产系统才是终点。

2026年，具身智能的“ChatGPT时刻”还远没有到来。但在这场关于终点的豪赌里，“相信”与“务实”之间的那条窄路，可能是目前唯一能走通的路。