三年分兵，一朝會師：原力靈機劍指通用具身智能？

中國大模型圈，很少出現這樣的場面。

智譜、階躍、商湯、阿里，四家原本各有算盤的大模型玩家，第一次同時出現在同一家創業公司的投資人名單里。

而被它們共同押注的，不是一家新的大模型公司，而是一家做機器人的公司。

6 月 5 日，原力靈機宣布完成與 Atomix 的合并，并同步完成新一輪融資。一家具身智能公司，把大模型“半壁江山”拉上了同一張牌桌，這在國內具身智能賽道，還是頭一回。加上華勤、上汽恒旭等產業資本的同步加持，合并后的原力靈機，正在成為這個賽道上最不容忽視的名字。

而這一切的操盤手，是曠視聯合創始人唐文斌。很多人不知道的是，過去三年里，唐文斌其實一直在同時經營兩家公司。

一邊是做具身大模型的原力靈機。

一邊是深耕物流倉儲的 Atomix。

前者研究機器人如何思考，后者驗證機器人如何創造價值。

三年之后，他決定讓兩支隊伍在同一個時刻會師。

會師：Picking 時刻的雙向奔赴

這場合并看上去突然。但在唐文斌的規劃里，它其實已經準備了三年。

唐文斌的名字，在 AI 圈并不陌生。他是曠視的聯合創始人之一，經歷過視覺 AI 從實驗室到產業化的完整周期。那個周期的經驗教會了他一個樸素但容易被忽視的道理：技術突破和場景落地，從來不是兩件事，而是一件事的兩面。但大多數時候，你只能先把它們拆開，分頭做到極致，然后在那個對的時刻合攏。

2023 年前后，具身智能開始升溫。當時市場有兩種主流打法：一種是"純模型派"，賭一個通用具身大腦的誕生，用技術的高度去穿透一切；另一種是"純場景派"，先做出能賣的產品，在某個垂直場景里活下來再說。

唐文斌沒選任何一邊。他同時布下了兩顆棋子。

第一顆，叫原力靈機。任務是攻克具身智能最核心的模型能力。這支隊伍從一開始就定調很高——不做只在實驗室里擺弄的 Demo，而是面向真實物理世界，從底層數據、訓練范式到模型架構，全部圍繞"具身原生"來設計。他們悶頭搞了一年多，做出了 DM 系列模型，搭建了 Dexbotic 開源框架，還跟 Hugging Face 聯合發起了一個叫 RoboChallenge 的真機評測平臺。

第二顆，叫 Atomix。任務是扎進最真實、最復雜的物理場景里，把機器人真正用起來。他們選了一個看起來一點都不"酷"的行業——物流倉儲。每天在倉庫里跟貨架、托盤、紙箱、塑料袋死磕，抓取、搬運、分揀，重復上萬次。

如果你只看表面，這兩家公司除了同一個創始人之外，幾乎沒有什么交集。

但唐文斌心里清楚，這兩條路最終會指向同一個終點。他只是在等一個信號。

很多人問過唐文斌：“既然最終要走到一起，為什么不從一開始就放在一家公司？”

他的答案很簡單：“因為它們根本不是同一種組織。”

做模型和做場景，需要的人才畫像完全不同，組織文化完全不同，甚至節奏完全不同。做模型需要純粹的研發環境、頂尖的算法人才、不受干擾的技術路線。做場景需要全球化的商業拓展、深入一線的工程團隊、甘愿在倉庫里一蹲就是幾個月的耐心。

如果硬塞進一家公司，結果大概率是——模型做不純粹，場景也鋪不開。

三年分兵，各自為戰。這不是分家，是戰略展開。

兩支隊伍，各自走了多遠

先看原力靈機。

一年時間，原力靈機做了一件事：從底層數據、訓練范式到模型架構，全棧自研了一個"具身原生"的大模型系列——DM。

什么叫"具身原生"？

市面上大多數做具身智能的公司，本質上是在通用大模型上做"嫁接"——把一個原本用來聊天、畫圖、寫代碼的大模型，接到機器人的控制系統上，再做微調。這種路線起步快，但天花板低。因為通用大模型的認知框架是為文本和圖像設計的，它并不天然理解"力"、"接觸"、"操作"這些物理世界的基本概念。

DM 系列的思路完全不同。它從第一天起，就面向物理世界的機器人作業而設計——數據怎么采集、訓練范式怎么搭建、模型架構怎么編排，每一個環節都圍繞"機器人在真實世界里完成任務"這個核心命題展開。

最新的 DM0 模型，在 RoboChallenge 具身智能真機評測中位列全球第一。

RoboChallenge 不是仿真，不是模擬——是把模型部署到真實機器人上，在真實物理環境中執行真實任務，看成功率、看精度、看穩定性。它由原力靈機與Hugging Face 聯合發起，是目前全球最大規模的具身智能真機評測平臺，已經有智元、星海圖、星動紀元等近 20 家家企業參與聯合運營，累計服務全球超 8 萬次真機測試。阿里千問、小米、千尋智能等也都參與其中。

在這個"真刀真槍"的舞臺上，DM0 拿下了第一。

再看 Atomix。

如果說原力靈機是在"天上"建大腦，那 Atomix 就是在"地上"鋪路。

三年時間，Atomix 把物流倉儲場景做到了中國具身智能賽道的絕對領先：500+ 個項目交付，業務覆蓋超 20 個國家，在全球設有 26 個售后服務中心，服務全球超 60 個品牌客戶。從美洲到歐洲，再到亞太和中東，Atomix日均出貨 60萬+件。

在單項目工程能力上，Atomix 同樣領先：

• 行業首個實現單系統部署 80+ 臺托盤四向車；
• 50+ 臺規模的超大型托盤四向車項目數量位居全球第一；
• 單項目最高調度規模達到 600+ 臺機器人。
• 自研托盤四向車銷量位居全球第二。

服務的客戶包括優衣庫、蜜雪冰城、寧德時代等各行業頭部企業。

三年，兩條路。

一條向上，鍛造機器人的“大腦”；

一條向下，深入真實產業現場。

今天，這兩條曾經平行的路線，終于開始匯合。

Picking 時刻：具身智能的"原子任務"

為什么選擇現在合并？

唐文斌用了一個很有意思的類比：

每一個時代的技術革命，都會出現一個決定能力上限的“原子任務”。

大模型時代是 Coding。

具身智能時代，則是 Picking。

原因并不復雜。

Coding 之所以重要，不只是因為它能寫代碼，而是因為它同時具備三種稀缺特征：

• 海量真實數據；
• 清晰反饋信號；
• 以及強大的能力遷移性。

誰先攻克 Coding，誰就更有機會長出推理、規劃、工具調用等更高級能力。

而 Picking 恰好具備同樣的特征：

• 海量真實數據：全球的物流倉庫每天產生上億次真實抓取動作——每一次抓取的對象、姿態、力度、成功與否，都是天然的標注數據；
• 清晰反饋信號：東西被抓起來了嗎？放對位置了嗎？盒子有沒有損壞？系統當場就能判斷。和 coding 一樣，這是機器人能在真實世界里跑強化學習的稀缺場景；
• 能向更復雜任務遷移：一旦模型真正理解了“用任意末端,以任意姿態,在任意環境下，穩定地把任意物體從 A 移到 B”，裝配、分揀、家務、協作、醫療輔助——幾乎所有需要手部動作的任務,都會沿著同一根能力主干生長出來。

Picking 看似只是物流場景里的一個動作，本質上卻是具身智能能力樹的主干。

而 Atomix，恰好擁有中國具身智能賽道目前規模最大、最真實的 Picking 數據源。

這也是為什么選擇在這個時間點合并。

不是為了抱團取暖，也不是為了縮減成本，而是因為屬于具身智能的“Coding 時刻”，已經出現了。

DM0：憑什么做到全球第一？

數據只是燃料。

真正決定上限的，是有沒有一個足夠好的引擎能把燃料轉化能力。

原力靈機的答案，是 DM0。

與大多數從互聯網大模型遷移而來的方案不同，DM0 從設計之初就是面向機器人打造的“具身原生”模型。

它最大的特點，是同時學習來自互聯網、智能駕駛和機器人操作的數據。

如果把機器人操作數據理解為“動手經驗”，那么互聯網數據提供的是常識認知，自動駕駛數據提供的是對動態物理環境的理解。三種數據融合訓練，讓 DM0 對現實世界的理解遠超單一數據來源的模型。

與此同時，DM0 還在 8 類不同機器人本體上進行聯合訓練，覆蓋靈巧操作、環境導航和全身控制等核心任務。

這意味著，它學習的不是某一臺機器人的控制方式，而是操作背后的共性規律。就像一個經驗豐富的老司機，換一輛車依然能夠快速適應。

更重要的是，原力靈機將思維鏈推理進一步延伸到了物理空間。

從感知、決策到動作執行，DM0 能夠完成長程連續任務，并實現亞毫米級精度控制。

而這一切，僅用了 2.4B 參數。

在今天動輒數百億、上千億參數的 AI 世界里，DM0 更像是一輛輕量化賽車——參數不大，卻能跑出更高的成功率。

在 RoboChallenge 真機評測平臺上，DM0 的綜合評分目前位列全球第一。

還有一個容易被忽略的動作。

原力靈機并沒有把自己定義成一家單純做模型的公司。

除了 DM0，他們還打造了 Dexbotic——一個被許多開發者稱為“具身智能時代 PyTorch”的開源框架。

如果說 DM0 是發動機，那么 Dexbotic 更像是在修路。

它負責連接數據、訓練、評測、硬件和真機部署，讓開發者能夠更低成本地構建和驗證自己的具身智能系統。

目前，Dexbotic 已經服務清華大學、北京大學、普林斯頓大學、帝國理工學院等頂尖高校，以及騰訊、北京人形機器人創新中心等企業，吸引超過千名開發者參與共建。

這意味著，原力靈機不僅在做模型，也在試圖定義具身智能時代的開發范式。

數據飛輪：合并的底層邏輯

現在，合并的邏輯就清晰了。

模型和場景，從來不是兩件獨立的事。模型需要真實場景的數據持續喂養，才能在物理世界里真正變強；場景需要更聰明的大腦去驅動，才能突破現有自動化的天花板。

原力靈機有最聰明的大腦，Atomix 有最真實的身體和場景。合并之后，Atomix 在全球倉庫里每分每秒產生的 picking 數據，將直接成為原力靈機模型訓練的燃料。而原力靈機訓練出來的更強模型，又能立即部署回這些機器人，讓它們變得更聰明，處理更復雜的任務。

"模型變強，機器人更聰明；機器人更聰明，數據越好；數據越好，模型繼續變強——這是一個閉環。"唐文斌說，"這個閉環轉起來的那一刻，具身智能就開始進入真正的指數增長階段。"

他把這叫做"模型與場景的雙向奔赴"。

這也解釋了為什么智譜、階躍、阿里、商湯會同時出現在這一輪的投資名單里。

過去幾年，中國 AI 行業最激烈的競爭，大多發生在模型層。

有人做語言模型，有人做視覺模型；有人做云基礎設施，有人深耕產業場景。

但當 AI 開始從數字世界走向物理世界時，很多原本分散的路線，正在指向同一個方向。

原力靈機與 Atomix 的合并，恰好提供了這樣一種可能性——它既擁有自研的通用具身大模型，也擁有規模化落地的真實場景和持續產生數據的產業閉環。

更有意思的是這份投資名單本身。

做語言模型的來了。

做視覺模型的來了。

做云和產業基礎設施的也來了。

甚至曾經的競爭對手，也坐到了同一張桌上。

有人把這稱為“商湯與曠視的大和解”。

但比起和解，更準確的說法或許是共識。

當一個新的時代開始顯現輪廓時，最聰明的那批人往往會做出相似的判斷。

舊時代的競爭仍然重要。

但當新的時代開始浮現，人們更關心的，往往是誰先找到下一站。

合并之后，這條路會怎么走？

唐文斌給出了一個清晰的路線圖。

今年 7 月初，下一代 DM 模型、通用本體、應用基礎設施等也將陸續發布。

從模型到本體到基礎設施，合并后的原力靈機正在構建一個完整的具身智能產品棧。

三年分兵，一朝會師

距離原力靈機第一次提出 “具身原生” 的概念，時間并不長。此前，他們曾表示 2026 年不是具身智能的爆發年，但會是 “具身原生” 的覺醒之年。現在看來，這個預言正在變成現實。

曾經，機器人要么是只會執行死命令的自動化機器，要么是只會聊天的 “音箱加輪子”。它們沒有自己的感知，沒有自己的直覺，更沒有對物理世界的理解。但從 2026 年開始，一切都不一樣了。

機器人開始理解自己所處的世界，學會用自己的身體去感知重力、摩擦和碰撞。它們開始在無數次跌倒和失敗中，收束那條通往成功的世界線。

而唐文斌和他的兩支隊伍，用三年的分兵與會師，為這個時代寫下了最好的注腳。他們證明了，具身智能不是科幻電影里的幻想，而是正在發生的工業革命。它不需要千億參數的炫技，不需要人形機器人的噱頭，它需要的是仰望星空的理想主義，加上腳踏實地的實用主義。

三年分兵，一朝會師。當最聰明的大腦和最能干活的雙手終于握在一起，物理世界的重構，才剛剛開始。

從中國出發，走向全球

這場重構，并不只發生在實驗室里。

收購 Atomix 后，原力靈機正在加速搭建自己的全球化版圖。目前，公司已經形成“北京+全球五地”的組織架構：

• 北京承擔模型研發與核心技術創新；
• 香港作為全球總部；
• 新加坡負責全球商業化運營，輻射東南亞市場；
• 日本與韓國子公司深度服務 Fast Retailing 等核心客戶；
• 美國辦公室也將于近期正式啟用。

對于一家成立僅三年的公司而言，這樣的全球布局并不常見。但在具身智能時代，模型、數據、機器人與產業場景天然是全球協同的命題。原力靈機希望把中國在機器人智能領域的創新能力，帶到更廣闊的世界舞臺。

與此同時，伴隨業務全面升級，公司正式啟動“百人全球招募計劃”，面向全球開放具身智能核心算法、機器人學習、大模型訓練、機器人系統工程與產業落地等方向崗位，工作地點覆蓋北京、新加坡和硅谷。

如果說過去三年，他們一直在思考如何讓機器人真正理解世界；

那么接下來的三年，他們希望找到更多同行者，一起參與這場實驗。

因為越來越多人開始相信：

下一次改變世界的智能，不會只存在于屏幕里。

它會走進工廠、倉庫、家庭和城市。

最終成為這個物理世界的一部分。

招聘詳情請訪問官網 dexmal.com 或發送簡歷至 hr@dexmal.com。