作者 | 叶远风

过去两年，具身智能始终处于一种微妙的展示期，各家厂商的发布会总少不了几段精美的概念视频，其中机械臂得以精准叠放衣物，人形机器人得以流畅完成日常操作，这些画面足够惊艳，却总难走出实验室的聚光灯。

当这些模型一旦进入光线条件杂乱的工厂以及货物随意堆积的仓库环境时，那些在公开榜单上跑分表现亮眼的模型，往往便会陷入动作发生变形以及任务意外中断的实际窘境。

而在刚刚举办的Action 2026原力灵机开发者大会上，则给出了来自行业的另一种答案。

这场首届开发者大会并没有仅仅拿出单个模型来进行炫技展示，而是一口气发布了覆盖模型、本体、开发平台以及场景系统这四大类别的产品，从而把从技术研发到产业落地的整条链路全部铺展到了台面之上。

所谓Action，并不只是具身智能所关注的核心命题，它更是整个行业从概念验证阶段走向规模化落地所发出的一声开机号令。

行业拐点已至，泛化能力开启2.0时代

行业内已经形成了普遍共识，具身智能正处于一个类似于大语言模型ChatGPT时刻的关键节点。

在此前的阶段，行业发展状况更类似于大模型1.0时期，各家企业主要在参数规模、榜单排名以及单点Demo效果等方面展开竞争，而模型能力则被严格局限在特定场景和特定任务当中，一旦更换物体或是切换环境条件就容易出现失效情况。

而现在，整个行业正逐步向2.0阶段展开跨越，其中核心标志在于模型泛化能力得到了全面提升，以及把技术能力有效转化为真实生产力的关键转变。

这个转化过程并不轻松。

国内并不缺乏硬件厂商、场景资源以及数据采集能力，真正制约发展的卡点在于高度碎片化的状态。不同硬件品牌的接口彼此各异，不同算法团队各自独立作战，不同场景产生的数据也难以实现复用。每当落地一个新场景时，都需要从头开展硬件适配、模型微调以及系统集成工作，这直接导致成本长期居高不下，规模化推进自然也就无从谈起。

原力灵机所给出的判断在于，通用化正是打破碎片化状态、进而走向规模化发展的唯一有效解法。具身智能领域的竞争从来都不是针对单点技术或者实验室Demo所展开的比拼，而是模型、系统、本体、平台以及场景等全栈一体化能力的系统性对决。

此次所发布的多个产品以及以此为基础构建的“三级火箭”，正是对这套思路所进行的完整落地实践。

从大脑到身体，筑牢通用能力底座

整套产品体系的核心，是经过全新升级的DM0.5通用具身基础模型。

与DM0相比，DM0.5的参数量达到了4B规模，它以15万小时的多源数据为基础开展了深度训练，从而使数据量得以增长四倍，同时参数量也提升了一倍。这些数字背后所体现的是能力的代际跃升，整套模型的设计目标，就是要从执行固定指令的专用工具，转向理解意图、连续泛化以及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。

零样本以及少样本条件下的成功率实现了大幅提升，这意味着模型不再需要依赖于针对特定任务所开展的反复训练过程，即使面对陌生物体以及未知环境的情况下，也能够完整完成整个操作闭环；

原生支持最长60秒的长时记忆能力，这使得机器人得以对多步骤的长程任务进行处理，从而不会出现执行前面步骤却忘记后续操作的短时记忆窘境；

借助双系统大脑架构的引入，机器人在面对视角晃动以及人为打断等外界干扰的情况下，也能够自主判断当前所处的状态并且对动作开展修正工作，从而得以适配真实场景当中的复杂环境条件，同时整套模型还天然支持多种构型的机器人本体，使跨平台迁移能力获得大幅增强。

对于具身模型而言，参数规模从来都不是其所追求的最终目标，能否在真实世界当中稳定地执行各项任务，才是衡量价值的硬性标准。

DM0.5还对微调成本进行了大幅降低，运用一块消费级4090显卡就能够完成下游任务的训练工作，最快在18小时之内即可实现部署，从而彻底打通了真机落地的成本壁垒。发布会后模型权重同步进行了开源，也在尝试把这套技术路线推广到更为广泛的开发者群体当中。

而与此同时，本次大会还发布了Apex通用机器人本体。许多人对此会产生疑惑，一家以模型为核心的公司，为什么要亲自下场开展硬件的研发工作？

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对机械性能进行考虑，而大模型只是后期附加的功能，这往往会导致软硬件之间存在适配损耗，使得模型的能力难以得到完全释放。此次发布的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来进行打造。

Apex选用了模块化构型体系，其中底盘、手臂以及末端执行器都得以支持快速更换工作，夹爪等末端工具可以在一分钟之内完成热插拔操作，软件端则会自动进行识别并且实现无缝切换过程，无需开展系统重启。整套本体的三层算力架构方面，底层负责开展1kHz高频实时控制工作，从而保障动作的平滑性与安全性，端侧搭载了本地算力芯片来支持高频实时推理，云端则对接大模型来负责高层规划以及复杂决策方面的工作，与DM0.5的能力分层形成了完美的匹配关系。

面向工业级场景所进行的设计工作同样值得重点关注。

Apex所设定的平均无故障工作时间目标会超过1000小时，它能够支持30秒之内的快速换电操作，并且在换电过程中大脑会保持热备的状态，从而确保业务流程不会发生中断。影子模式的引入，使得真机在运行过程中可以无感知地采集来自真实场景的操作数据，而这些数据则会成为模型迭代过程当中的核心养料——Apex并不仅仅是模型能力的展示载体，更是整个数据飞轮当中处于最前端的采集终端。

三件套得以补齐中间层环节，从而打通了实现落地应用的最后一公里距离。

即便已经具备了强大的模型以及优良的本体，要想真正达成真实产业落地目标，仍然还存在一段需要跨越的距离。

要让具身模型真正从能力展示走向生产力转化，中间仍然欠缺一套工程化、系统化以及平台化的支撑层。此次原力灵机所推出的DexDev开发者平台，其中包含DFOL2.0、DexOS、MaaS这三款产品，它们分别对应练得强、接得稳、用得起三个目标，从而补齐了从模型到场景落地之间的关键短板。

DFOL2.0解决的是模型迭代成本高的痛点。

过去模型优化工作高度依赖于真机所采集的数据，需要在真实硬件上反复开展试错操作，这不仅导致效率低下，而且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，把强化学习直接迁移进入虚拟世界当中。在仿真环境里可以批量生成各类轨迹数据，模拟各种成功以及失败的场景，再运用这些数据对模型开展迭代优化工作。

最终，真机数据的需求量下降六成，从而整体训练成本得以降低四成，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，它有效屏蔽了不同硬件所存在的底层差异，从而提供了统一的标准接口协议。开发者只需运用少量代码，便可以完成机器人连接、感知获取、模型推理和动作执行等工作，而不用再针对每款硬件单独研究其底层协议。这相当于为具身智能打造了一套通用操作系统，一次开发就能够在多款硬件上运行，大幅降低了适配门槛。

目前DexOS已经成功完成了对多款主流机器人构型的适配工作，从而覆盖了机械臂以及人形机器人等多种形态。

MaaS服务则将具身能力有效地拉到了普惠层面。

它将具身大模型的能力转化为按需调用的云端服务，其中既有通用模型支持零样本推理，也提供了定制化的模型训练服务，并采用了按量计费的模式。

中小企业以及个人开发者无需投入巨额算力资源以及研发成本，便能够运用先进的具身模型能力。高门槛的技术转变为可以灵活调用的服务形式，从而把整个行业的参与门槛大幅降低。

Ferrata落地缓冲，跑通商业与数据双飞轮

即便模型能力再如何强大，开发工具再如何完善，具身智能要实现大规模落地依然绕不开一个根本性的死循环。因为模型如果达不到足够完美的程度，企业便不敢将其大规模部署到真实场景当中，而如果缺乏来自真实场景的数据进行喂养，模型就永远无法变得足够完美。许多具身智能项目正是卡在这个死循环之中，始终难以走出实验室的范围。

Ferrata多智能体混合作业系统，针对实际作业场景给出了非常务实的解法。

它并不追求一步到位地运用机器人来替换全部工作，而是构建起了一套能够实现分级作业的混合体系。对于简单高频的固定任务，选用传统自动化设备完成处理，从而保障了基础效率以及成本方面的优势；对于复杂多变的长尾任务，则交给搭载具身大模型的机器人进行处理，覆盖了传统自动化所无法触达的场景；当遇到极端异常的情况时，系统会自动把任务流转至人工远程接管，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它所构建的双轮驱动机制，从而能够同时推动技术创新以及实际落地两个方面的发展。

一方面，该混合方案对整体成本方面实现了有效控制，这使得客户能够清晰看到明确的投资回报情况，进而愿意进行规模化铺开部署，最终形成了稳定的商业收入。

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

模型在使用过程中会变得越发强大，需要人工进行介入的场景便会逐渐减少，而方案所具备的竞争力也会因此持续提升。

这也清晰解释了原力灵机此前合并Atomix所具备的战略意义所在——物流仓储等真实产业场景，不仅能够提供商业收入方面的来源，更是模型迭代过程中最佳的练兵场地。借助真实场景所持续提供的输入数据，整个数据飞轮才能够真正地运转起来。

最终，真机数据的需求量下降六成，这使得整体训练成本得以降低四成，而模型迭代的速度也不再受限于真机数量所带来的制约。

作为行业首个具身通用操作系统，它有效屏蔽了不同硬件所存在的底层差异，从而提供了统一的标准接口协议。开发者只需运用少量代码，便可以完成机器人连接、感知获取、模型推理和动作执行等方面的工作，而不用再针对每款硬件单独研究其底层协议。这相当于为具身智能打造了一套通用操作系统，一次开发就能够在多款硬件上运行，从而大幅降低了适配门槛。

目前DexOS已经成功完成了对多款主流机器人构型的适配工作，从而覆盖了机械臂以及人形机器人等多种形态。

MaaS服务则将具身能力有效地拉到了普惠层面。

它将具身大模型的能力转化为按需调用的云端服务，其中既有通用模型支持零样本推理，也提供了定制化的模型训练服务，并运用了按量计费的模式。

中小企业以及个人开发者无需投入巨额算力资源以及研发成本，便能够运用先进的具身模型能力。高门槛的技术转变为可以灵活调用的服务形式，从而把整个行业的参与门槛大幅降低。

即便模型能力再如何强大，开发工具再如何完善，具身智能要实现大规模落地依然绕不开一个根本性的死循环。因为模型如果达不到足够完美的程度，企业便不敢将其大规模部署到真实场景当中，而如果缺乏来自真实场景的数据进行喂养，模型就永远无法变得足够完美。许多具身智能项目正是卡在这个死循环之中，始终难以走出实验室的范围。

Ferrata多智能体混合作业系统，针对实际作业场景给出了非常务实的解法。

它并不追求一步到位地运用机器人来替换全部工作，而是构建起了一套能够实现分级作业的混合体系。对于简单高频的固定任务，选用传统自动化设备对它们进行处理，从而保障了基础效率以及成本方面的优势；对于复杂多变的长尾任务，则交给搭载具身大模型的机器人进行处理，覆盖了传统自动化所无法触达的场景；当遇到极端异常的情况时，系统会自动把任务流转至人工远程接管，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它所构建的双轮驱动机制，从而能够同时推动技术创新以及实际落地两个方面的发展。

一方面，该混合方案对整体成本方面实现了有效控制，这使得客户能够清晰看到明确的投资回报情况，进而愿意进行规模化铺开部署，最终形成了稳定的商业收入。

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

模型在使用过程中会变得越发强大，需要人工进行介入的场景便会逐渐减少，而方案所具备的竞争力也会因此持续提升。

这也清晰解释了原力灵机此前合并Atomix所具备的战略意义所在。物流仓储等真实产业场景，不仅能够提供商业收入方面的来源，更是模型迭代过程中最佳的练兵场地。借助真实场景所持续提供的输入数据，整个数据飞轮才能够真正地运转起来。

纵观整场发布会，最值得关注的并非某一项技术参数的突破，而是原力灵机所构建的完整全栈布局思路。从核心模型到硬件本体，从开发平台到场景解决方案，这些环节环环相扣，成功形成了能力向下传递、数据向上反哺的完整闭环。

在过去的具身智能行业当中，玩家大多聚焦于单点赛道方面，有的专注于模型研发工作，有的深耕硬件开发领域，有的仅从事场景集成任务，但具身智能本质上是一项系统工程，单点突破难以支撑起真实落地应用。

没有优良硬件基础的支持，模型能力便无从施展；没有良好开发工具的辅助，落地效率难以提升上来；没有真实场景的数据滋养，模型迭代便没有源头活水。

原力灵机所选择的全栈发展路线，本质上是通过构建一套完整的解决方案，从而打破了行业长期存在的碎片化困局。与此同时，它也没有采用封闭的发展路径，而是将模型进行开源处理，使开发框架保持开放状态，并且让操作系统面向全行业硬件开展适配工作，希望借助统一的标准把更多参与者吸引进入生态体系当中。

当然，全栈模式也面临着一定挑战。同时布局模型、硬件、平台以及场景，这意味着需要同时应对多个赛道的竞争，从而对团队的执行力提出了极高要求。自研硬件和开放生态之间也需要找到合适平衡，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，还需要依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，在三层含义里，最有分量的或许是那一声片场开机的号令。过去几年，具身智能行业拍摄了太多精美的概念预告片，讲述了太多关于未来的故事，而现在，随着技术成熟度得以提升，随着落地路径逐渐清晰起来，行业终于到了喊出Action、从而走进真实片场进行实拍的时刻。

原力灵机所推出的这套全栈方案，并不会成为具身智能实现落地的最终答案，但它确实打破了一层长期存在的认知障碍。它向整个行业清晰传递出关键信息，具身智能无需等到模型达到完美状态之后再进场，也无需等到硬件实现完全统一之后再落地，运用一套系统性的方法，完全可以在真实场景之中边实际运行边开展迭代，边创造商业收入边推动技术进化。

随着数量越来越多的机器人逐步走进工厂、仓库以及门店这些实际场景当中，同时来自真实作业环境的数据也在源源不断地对模型开展反哺工作，具身智能的下一个爆发节点，或许会比预期到来的时间点更早一些。

*本文图片均来源于网络

最终，对真机数据的需求量下降了六成，这使得整体训练成本得以降低四成，模型迭代的速度不再受限于真机数量所带来的制约。

作为行业首个具身通用操作系统，它有效屏蔽了不同硬件所存在的底层差异，从而提供了统一的标准接口协议。开发者只需运用少量代码，便可以完成机器人连接、感知获取、模型推理和动作执行等工作，而不用再针对每款硬件单独研究其底层协议。这相当于为具身智能打造了一套通用操作系统，一次开发就能够在多款硬件上运行，大幅降低了适配门槛。

目前DexOS已经成功完成了对多款主流机器人构型的适配工作，从而覆盖了机械臂以及人形机器人等多种形态。

MaaS服务则将具身能力有效地拉到了普惠层面。

它将具身大模型的能力转化为按需调用的云端服务，其中既有通用模型支持零样本推理，也提供了定制化的模型训练服务，并采用了按量计费的模式。

中小企业以及个人开发者无需投入巨额算力资源以及研发成本，便能够运用先进的具身模型能力。高门槛的技术转变为可以灵活调用的服务形式，从而把整个行业的参与门槛大幅降低。

即便模型能力再如何强大，开发工具再如何完善，具身智能要实现大规模落地依然绕不开一个根本性的死循环。因为模型如果达不到足够完美的程度，企业便不敢将其大规模部署到真实场景当中，而如果缺乏来自真实场景的数据进行喂养，模型就永远无法变得足够完美。许多具身智能项目正是卡在这个死循环之中，始终难以走出实验室的范围。

Ferrata多智能体混合作业系统，针对实际作业场景给出了非常务实的解法。

它并不追求一步到位地运用机器人来替换全部工作，而是构建起了一套能够实现分级作业的混合体系。对于简单高频的固定任务，选用传统自动化设备完成处理，从而保障了基础效率以及成本方面的优势；对于复杂多变的长尾任务，则交给搭载具身大模型的机器人进行处理，覆盖了传统自动化所无法触达的场景；当遇到极端异常的情况时，系统会自动把任务流转至人工远程接管，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它所构建的双轮驱动机制，从而能够同时推动技术创新以及实际落地两个方面的发展。

一方面，该混合方案对整体成本方面实现了有效控制，这使得客户能够清晰看到明确的投资回报情况，进而愿意进行规模化铺开部署，最终形成了稳定的商业收入。

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

模型在使用过程中会变得越发强大，需要人工进行介入的场景便会逐渐减少，而方案所具备的竞争力也会因此持续提升。

这也清晰解释了原力灵机此前合并Atomix所具备的战略意义所在——物流仓储等真实产业场景，不仅能够提供商业收入方面的来源，更是模型迭代过程中最佳的练兵场地。借助真实场景所持续提供的输入数据，整个数据飞轮才能够真正地运转起来。

纵观整场发布会，最值得关注的并非某一项技术参数的突破，而是原力灵机所构建的完整全栈布局思路。从核心模型到硬件本体，从开发平台到场景解决方案，这些环节环环相扣，成功形成了能力向下传递、数据向上反哺的完整闭环。

在过去的具身智能行业当中，玩家大多聚焦于单点赛道方面，有的专注于模型研发工作，有的深耕硬件开发领域，有的仅从事场景集成任务，但具身智能本质上是一项系统工程，单点突破难以支撑起真实落地应用。

没有优良硬件基础的支持，模型能力便无从施展；没有良好开发工具的辅助，落地效率难以提升上来；没有真实场景的数据滋养，模型迭代便没有源头活水。

原力灵机所选择的全栈发展路线，本质上是通过构建一套完整的解决方案，从而打破了行业长期存在的碎片化困局。与此同时，它也没有采用封闭的发展路径，而是将模型进行开源处理，使开发框架保持开放状态，并且让操作系统面向全行业硬件开展适配工作，希望借助统一的标准把更多参与者吸引进入生态体系当中。

当然，全栈模式也面临着一定挑战。同时布局模型、硬件、平台以及场景，这意味着需要同时应对多个赛道的竞争，从而对团队的执行力提出了极高要求。自研硬件和开放生态之间也需要找到合适平衡，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，还需要依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，在三层含义里，最有分量的或许是那一声片场开机的号令。过去几年，具身智能行业拍摄了太多精美的概念预告片，讲述了太多关于未来的故事，而现在，随着技术成熟度得以提升，随着落地路径逐渐清晰起来，行业终于到了喊出Action、从而走进真实片场进行实拍的时刻。

原力灵机所推出的这套全栈方案，并不会成为具身智能实现落地的最终答案，但它确实打破了一层长期存在的认知障碍。它向整个行业清晰传递出关键信息，具身智能无需等到模型达到完美状态之后再进场，也无需等到硬件实现完全统一之后再落地，运用一套系统性的方法，完全可以在真实场景之中边实际运行边开展迭代，边创造商业收入边推动技术进化。

随着数量越来越多的机器人逐步走进工厂、仓库以及门店这些实际场景当中，同时来自真实作业环境的数据也在源源不断地对模型开展反哺工作，具身智能的下一个爆发节点，或许会比预期到来的时间点更早一些。

来源：原力灵机喊出Action：具身智能的Demo时代，正式落幕 | OFweek机器人网