具身智能，開始從模型走向生意

7月9日，Action2026原力靈機開發(fā)者大會在北京舉行。

相比單純發(fā)布幾款新產(chǎn)品，這場大會更值得關注的，是具身智能產(chǎn)業(yè)正在出現(xiàn)一個新的變化：競爭焦點正從“模型能做什么”，轉(zhuǎn)向“模型如何變成可部署、可調(diào)用、可復制的生產(chǎn)力”。

這也是原力靈機這次發(fā)布的核心邏輯。

大會上，原力靈機發(fā)布了通用具身基礎模型DM0.5、通用機器人本體Apex，以及面向開發(fā)者和產(chǎn)業(yè)應用的DexDev平臺能力，包括DFOL2.0、MaaS和DexOS三件套。同時，面向真實產(chǎn)業(yè)場景的解決方案Ferrata也展示了最新進展。

表面看，這是一次產(chǎn)品矩陣更新。但放在具身智能產(chǎn)業(yè)周期里看，它更像是在補齊商業(yè)化落地的關鍵拼圖。

過去一兩年，具身智能一直是AI領域最熱的方向之一。大量機器人公司、模型公司、硬件廠商涌入賽道，資本市場也在持續(xù)關注。但行業(yè)真正的難點，并不只是做出一臺會演示的機器人，而是讓機器人能夠穩(wěn)定進入工廠、倉庫、物流等真實場景，并且在成本、效率、可靠性上算得過賬。

也就是說，具身智能要跨過的不是“技術展示”這一關，而是“規(guī)?；瘧谩边@一關。

原力靈機給出的路徑，可以概括為三層：第一層是更強的通用具身基礎模型，第二層是降低開發(fā)和部署門檻的平臺工具，第三層是面向產(chǎn)業(yè)現(xiàn)場的系統(tǒng)化解決方案。

其中，DM0.5承擔的是能力底座的角色。相比上一代模型，DM0.5在訓練數(shù)據(jù)、模型架構和開放世界泛化能力上進行了升級，試圖讓機器人不只是執(zhí)行固定指令，而是能夠理解意圖、適應環(huán)境，并完成更長時序的連續(xù)任務。

這對具身智能很關鍵。因為真實世界不是標準化考場，商品形態(tài)、空間布局、任務指令、突發(fā)干擾都在不斷變化。機器人如果只能完成被訓練過的固定動作，就很難走出實驗室。通用模型的價值，正在于提升機器人面對未知場景時的適應能力。

但模型能力只是第一步。真正進入產(chǎn)業(yè)應用，還需要一套工程化支撐。

這也是DFOL2.0、DexOS和MaaS的意義。DFOL2.0通過世界模型驅(qū)動強化學習，讓模型可以在虛擬環(huán)境中持續(xù)試錯和進化，降低真機訓練成本；DexOS打通模型和機器人硬件之間的連接層，讓開發(fā)者不必為每一款機器人重新適配底層系統(tǒng)；MaaS則把具身大模型能力服務化，讓企業(yè)可以用更低門檻調(diào)用模型、訓練模型和部署模型。

換句話說，原力靈機不只是想做一個模型，也不只是想做一臺機器人，而是希望搭建一套具身智能的開發(fā)和應用基礎設施。

這一點在Ferrata上體現(xiàn)得更明顯。Ferrata面向倉儲物流等真實場景，解決的是中小件商品拆零揀選等具體問題。它不是單點機器人方案，而是多智能體混合作業(yè)系統(tǒng)：簡單高頻任務交給低成本設備，復雜長尾任務由具身大模型處理，異常情況則通過自動重試、安全回退或人工接管來保證現(xiàn)場穩(wěn)定運行。

這類設計背后，已經(jīng)不再是單純的技術邏輯，而是商業(yè)化邏輯。企業(yè)客戶關心的不是機器人演示有多炫，而是能不能提升效率、降低成本、減少停機，并且在真實業(yè)務中持續(xù)產(chǎn)生數(shù)據(jù)回流。只有當作業(yè)數(shù)據(jù)不斷反哺模型，模型能力持續(xù)提升，部署成本繼續(xù)下降，具身智能才有可能形成正向飛輪。

Apex的發(fā)布，則補上了硬件一環(huán)。作為通用機器人本體，Apex強調(diào)模塊化、強感知、全身一體化控制和高可靠運行。它的價值不只在硬件參數(shù)，而在于圍繞模型使用和多場景部署進行設計，讓機器人更適合進入高頻、復雜、持續(xù)運轉(zhuǎn)的產(chǎn)業(yè)環(huán)境。

從這次發(fā)布可以看到，具身智能行業(yè)正在進入一個更務實的階段。過去，行業(yè)更關注機器人“會不會做”；現(xiàn)在，問題正在變成“能不能穩(wěn)定做、便宜做、大規(guī)模做”。

這也是具身智能商業(yè)化真正開始的標志。

對原力靈機來說，Action2026釋放出的信號是：具身智能的競爭，不會停留在模型、硬件或單個場景的局部能力上，而會走向模型、系統(tǒng)、硬件、場景的一體化競爭。誰能把能力閉環(huán)做得更完整，誰就更有機會在產(chǎn)業(yè)落地中拿到主動權。

具身智能還沒有真正迎來屬于自己的“ChatGPT時刻”，但從模型走向生產(chǎn)力的路徑，正在變得越來越清晰。