唐文斌和他的 90 后天才們：具身智能的五大難題，整條鏈路都得做對

作者 | Echo 責編 | 夢依丹
出品 | CSDN（ID：CSDNnews）

有些問題，懸在空中太久了。
具身智能這個詞，行業喊了好幾年。機器人能做家務、能進工廠、能替代人工——這些畫面被反復描述，反復演示，但真正意義上的規模化落地，至今仍是一個「即將發生」的狀態。
為什么？
7 月小暑，烈日當空，我從大山子前往位于西三旗的原力靈機（Dexmal），作為碳基生物，先見到的卻是眾多的機械臂和靈巧手，工程師正在做輪番測試：一只在往盒子里裝物品，另一只在疊一件 T 恤，角落里有一只在做三明治。往里走，是調酒的那只——夾住酒瓶，傾倒，放回原位，換杯，再倒，整個流程行云流水。如此之例，不勝枚舉。
這不是發布會現場的一次性展示，這是原力靈機日常的產品測試空間。不同品牌的機械臂在這里驗證同一件事：搭載了 DM 系列具身大模型之后，靈巧手能不能真正干活。
然后我見到了唐文斌和他的四位聯創。他們在 7 月 9 日的 Action 2026 開發者大會上發布了五個產品，但在那之前，他們用一場媒體溝通會，講了一件更根本的事：具身智能為什么還沒有真正落地，以及他們打算怎么一件一件地把卡點解開。

為什么是這五個人？

原力靈機的五位創始人，外界通常用「曠視系」三個字打發過去。但這五個人的關系，比「同事」要近一些：其中有一個人是教練，其余幾個，是他親手招來或在競賽場上發掘的學生。
唐文斌，清華姚班出身，原曠視科技聯合創始人兼 CTO，同時擔任中國 IOI 國家隊總教練多年，2016 年起在曠視內部主導智慧物流與機器人調度業務。
范浩強，IOI 金牌、清華姚班，以曠視第 6 號員工的身份在高二就加入了剛創立的曠視，是唐文斌作為教練時發掘的競賽少年。
周而進，同樣是 IOI 金牌，曠視第 12 號員工，在曠視待了整整 11 年，「最早的 FaceID 是我做的」是他自己說的。
汪天才，端到端多目標追蹤算法 MOTR 的核心作者，頂會論文 30 余篇，Google Scholar 引用超 6000。
張紹政，物理競賽保送清華、后被 MIT 錄取，負責本體方向——他是五人中最低調的一位，在 7 月 9 日的 Action 2026 開發者大會之前，幾乎所有關于原力靈機的媒體報道里都沒有他的名字。
自 2025 年 3 月，天才聚集創立原力靈機至今，時間不長，但發展迅猛，頗有“人間一年，AI 三年”的既視感。他們之所以聚在這里，是因為他們看到了同一個問題，并試圖給出行之有效的答案。

診斷：具身智能究竟卡在哪里？

「具身智能肯定沒有到 ChatGPT 時刻，今天就是 GPT 2.0 的水平?！惯@是這次溝通會的基調，也是這個團隊對整個具身行業現狀的判斷。
不是潑冷水，是在做診斷。唐文斌用自己的例子把問題說得更實在：2 月發布 DM0 時，他們宣稱比開源同類模型更好、Benchmark 更好。
但真正要問：有多少開發者放棄了同行，轉而選擇了原力靈機？
「坦白講到目前為止是沒有的。我們測了很多產品，這是現在的真實狀況?！?br/>他們認為，具身智能落不了地，缺的不是某一個單點技術，而是整條鏈路上同時堵著五個地方：
第一，模型泛化性不夠。 今天大多數 VLA 模型能做各種復雜的 Demo，但那些 Demo 是「定點任務」——換一個場景、換一件物體就不行了，機器人只是在重復播放訓練集里的動作。一旦進入真實場景就翻車，產生的是失敗數據，而不是有效數據。
第二，后訓練成本太高。 基礎模型到工業場景之間，需要針對具體任務做后訓練。傳統做法是在真機上反復試錯，成本極高，難以規模化。
第三，模型和本體之間沒有標準層。 今天把一個模型部署到不同品牌的本體上，每次都要重寫一套對接代碼，N 個模型乘以 M 個本體，工程量極大，開發者精力大量消耗在這里。
第四，沒有人敢把模型真正放出來。 公開 API、按量計費——之前沒有人做，不是不想，是對自己的模型沒有足夠信心。
第五，沒有場景，就沒有飛輪數據。 這是最根本的死結：需要真實場景數據才能訓好模型，但需要好模型才能讓機器人大規模進場景。兩端互相等待，飛輪永遠轉不起來。
五個卡點，對應了這次發布的五個答案。

答案一：先讓模型真正泛化——DM0.5

周而進給「泛化」下了一個不一樣的定義。

真正的泛化不是把更多已知任務裝進模型，不是 Demo 看上去復雜、長程，而是：你把機器人放到它沒見過的環境、沒見過的物體面前，用自然語言跟它說話，它能聽懂、能完成。他的判斷標準直接：「發布會上如果都沒有真機演示，這個泛化完全不可信；如果只是演示幾個固定的精致動作，我覺得非常媚俗?！?br/>原力靈機內部將泛化演進分為四級：被操作對象的泛化、場景的泛化、任務的泛化、機型的泛化。DM0.5 主要解決前三級。
這次發布的 DM0.5，參數量 4B，基于 15 萬小時多源數據訓練。
數據分三類：
5 萬小時高精度真機操作數據（覆蓋 100 余種原子動作）；
10 萬小時第一視角 Egocentric 數據（毫米級 3D 關鍵點標注）；
100 萬平空間場景重建數據。
相比上一代 DM0，參數量翻倍，數據量增加約 400%。推理延遲 H100 上 50 毫秒，4090 顯卡 90 毫秒。
在 RoboChallenge 真機評測平臺（Table30 V2）中以 42%成功率、60.1 總得分位列第一，LIBERO 綜合表現達 99.1%
架構上有三項針對性創新。

原生 60 秒記憶。上下文抽象層（Context Abstraction Layer）讓模型原生支持最長 60 秒記憶，從預訓練階段開始，而非后加模塊。DM0 是完全沒有記憶的單幀推理；同類開源基礎模型大多只有幾秒量級。60 秒記憶解鎖的能力之一是視頻示教：人類演示一遍操作，機器人看完視頻即可對照完成，無需再采集大量專項數據。周而進舉了一個例子——「機器人打掃桌面，把東西收拾干凈，然后放回原處——沒有記憶，它根本不記得東西原來在哪。」
具身思維鏈。通過 11 項推理任務，讓模型對本體、指令、環境做聯合建模，真正理解「這句指令讓你干什么」，而不是看到指令就做慣性動作。「沒有語言能力的 VLA 就是數據集復讀機?！?br/>軌跡對齊。同一動作采集 50 至 100 遍，操作者速度有快有慢，軌跡對不齊會在訓練時引入大量噪聲。用約束動態規劃在訓練過程中對軌跡做對齊，讓網絡學到真實動作的運動速度，而非死記硬背時間節點。
關于數據，周而進的判斷直接：「高質量的數據才有可能導出高質量的智能，忽視數據質量單純談數據量，沒有任何意義?！笵M0.5 訓練數據目前以自采為主，外部購買只作為早期補充。

答案二：后訓練不能靠真機燒——DFOL 2.0

基礎模型到工業場景之間，還差一段距離。工業場景對成功率和節拍要求極為嚴苛，Zero-shot 能力本身還不夠，需要針對具體任務做后訓練。
DFOL 2.0（Dexmal Function Online Learning 2.0）的核心思路，是把強化學習從真機上搬進虛擬仿真環境——將世界模型直接當作仿真器使用。
底層是同步發布的具身世界模型 DW0.5，以任務指令、視覺信息、歷史動作序列為輸入，在線生成未來狀態視頻，包括任務成功和任務失敗兩類軌跡。兩類樣本都有，強化學習才有 reward 信號可以學。DW0.5 在 WorldArena 等權威榜單上拿到第一名，其任務進度評分與人類專家評分的 Value-Order Correlation 指標達到 95%。
汪天才解釋了為什么不用傳統工業仿真器：「以前的工業仿真器把所有物理參數都編碼進去，精度很高，但無法真正規?；M一個新物體、新場景，需要數以月計的時間單獨建模。用世界模型做仿真器，是在不同維度處理這個問題，有點像研究蛋白質，有直接用設備測量的方式，也有 AlphaFold 用 AI 預測的方式，是本質不同的范式。」
他也主動澄清了世界模型和 VLA 的關系：兩者「不是替代關系，而是相輔相成，最終一定會走向大一統」。
實測結果：真機訓練數據需求下降 60%，整體訓練成本下降 40%。在打氣球、晾衣服、調酒、疊紙盒等高難度任務上，相比單純 SFT 基線，性能提升從 10 個點到 50 個點不等。

答案三：沒人敢放，我們放——MaaS + DexOS

在大模型圈，MaaS 早就是標配。但在具身智能領域，在這次發布之前從沒有人把模型以公開 API 形式提供出來、按量計費。
范浩強說出了原因：「說實話主要還是對模型不那么自信。一旦用 API 公布出來之后，任何人可以用任何方式進行測試，所有運行結果都是不可撤銷的、立即返回的，會永遠記錄下來?！乖`機決定做，因為對這代 DM0.5 的 open-set 能力足夠自信。
MaaS 服務分兩種模式。通用模型：Zero-shot 推理，開箱即用，定價 0.05 元/100 萬輸入像素。定制模型：用戶上傳數據集（支持 LeRobot v3 格式），在開發者平臺 DexHub 完成后訓練，訓練完可一鍵部署到云端，按 GPU 占用時長計費，定價 0.015 元/100 萬輸入像素。模型本身也會開源，開發者可下載自行部署。
我在現場追問了一個實際問題：做具身 MaaS，開發者要為機器人失敗付費——機器人沒完成任務、重試，Token 照燒，這套商業邏輯能跑通嗎？
范浩強的回答坦率：「你說的問題——是不是要為失敗負責——這事好像大模型都還沒有做到，就說不成功退款的，現在具身可能還更早期?！顾J為，現在客戶更大量的需求是想知道「這個活能不能做」，MaaS 提供的是一個探索可能性的方式，「很類似早期 AI 的那個樣子」。
我接著問了 Token 經濟的問題：在大模型時代，大家落地的時候都在想 ROI 怎么最大化，超級個體怎么變成超級團隊，具身場景下這個痛點能不能解決？范浩強說，具身還是在探索階段，這個問題目前還沒有成熟的答案。
配套 MaaS 的，是 DexOS——行業首個具身通用操作系統，以及開源協議 ECP（Embodied Control Platform）。兩者合在一起，解決的是 N×M 適配問題：今天把一個模型部署到不同品牌本體上，每次都要重寫一套對接代碼。DexOS 和 ECP 讓模型側和本體側各自對準統一接口，N×M 變成 N+M。唐文斌做了類比：就像 Anthropic 推出 MCP 之后，模型之間互相調用有了統一標準，「我們推 ECP，就是想讓具身模型和本體之間也能比較容易地做對接，所以這套東西我們會全部開源?！?br/>首批接入 DexOS 的本體合作伙伴包括天工、華勤、史河等機器人廠商。云端算力合作方包括平頭哥、摩爾線程、愛芯元智、天數智芯，訓練服務將同時支持國產算力。

答案四：本體要具身原生——Apex

張紹政介紹 Apex 時，先說了做本體的時機選擇：「我們做本體做得比較后，是因為對模型和算法有了足夠的認知之后，才決定自己來做，所以我們希望它是一個相對更加具身原生的機器人?！?br/>后發做本體的好處，是可以從模型的需求反推硬件的設計，而不是先有硬件再去遷就模型。
「具身原生」在硬件上首先意味著模塊化：

• 手臂、夾爪、底盤均采用解耦設計，可根據不同任務快速切換配置，末端形態支持熱插拔，更換無需重啟系統，時間在 1 分鐘以內。單臂臂展 1 米，可覆蓋 0 到 2 米高度；
• 底盤支持全向橫移和原地轉向，可通過 1 米寬的窄道；
• 精度方面：單臂夾爪可抓取 3 公斤物體，單次開合行程小于 0.4 秒，全臂定位精度亞毫米級，配備六維力傳感器和腕部相機；
• 算力與感知：搭載 Thor 頂級算力芯片，本地端側實時推理；底層控制頻率 1kHz；除主視覺雙目外，配備兩顆魚眼相機形成 360 度環視，張紹政把它做進了機器人的「耳朵」造型里。

穩定性是張紹政著重強調的：「過去很多具身產品運行幾個小時就開始發熱宕機。」Apex 的硬件設計目標是 MTBF 達到 1000 小時以上，支持 7×24 小時不斷電作業，無法插電的場景支持 30 秒快速換電，換電期間大腦保持在線，任務流程不中斷。

答案五：讓機器人先在場景里跑起來——Atomix 合并與 Ferrata

這是整個邏輯鏈的終點，也是最根本的卡點。
2026 年 6 月，原力靈機完成了與物流機器人公司 Atomix（原力聚合）的合并。Atomix 的前身，是唐文斌 2016 年在曠視內部主導的智慧物流業務，2024 年 7 月剝離獨立。剝離后，Atomix 將托盤四向車做到全球銷量第二，年營收近十億元，服務客戶包括優衣庫、蜜雪冰城、寧德時代。
這次合并的意義，唐文斌用最直白的方式說：「只有讓機器人真正在場景中跑起來，才能獲得數據飛輪?！剐袠I普遍面臨一道死結：需要真實場景數據才能訓好模型，但需要好模型才能讓機器人大規模進場景。Atomix 提供的，是打破這個死結的物理入口。
但進了場景，還需要一套讓機器人「先干起來」的系統設計，這就是 Ferrata——唐文斌把它的核心思想概括為六個字：「簡單任務簡單做?！咕唧w分三層：L1 是低成本基礎自動化設備，處理倉庫里高頻、簡單的標準任務；L2 是搭載 DexOS 和 DM 系列模型的 Apex，專門處理 L1 搞不定的異形件、軟包、復雜長尾變量；L3 是人工兜底，當 L2 也處理不了時，任務自動流轉給遠程遙操或現場人員，結果和異常數據同步記錄、反哺模型迭代。三層加在一起，業務完整閉環，ROI 可以算清楚，數據持續回流。
合并完成后，商業化不是從零開始。如范浩強所說：「原來這個客戶已經是我們的了，原來買我們的產品，現在把這些具身水平高的產品一起帶進去?！?br/>今年的目標是：1000 臺機器人在物流場景里持續工作 1000 小時。有人問能否 100%完成，周而進的回答是：「這就是目標，肯定得搞定。」

做具身智能最難的事

溝通會上，我問了所有聯創一個問題：你們各自負責的方向，做起來最難的點是什么？
周而進的回答出乎意料——他沒有給出單一的卡脖子難題：「它是一個系統工程，不是說單點好像哪一個地方卡脖子，我只要把那做好了，這事就解決了。」
他展開說：「以預訓練模型為例，今天具身有很多的難點，比如 15 萬小時的數據，我們為這件事情搞了很久，從整個數據的質量、操作的定義、模型的架構，今天具身范式定型了嗎？也沒有，所以大家就得去探索，探索過程得平衡你的算力、數據、時間?！?br/>在他看來，最大的挑戰不是某項技術，而是能不能建立起一套高效的研發體系：「一年前的時候，我們甚至都不太清楚真機評測到底怎么樣規范測這件事情。所以我們去年下半年搞了 RoboChallenge，今年我們基本上每一個月一代一代內部小版本的模型在迭代，基本都是一套標準化的評測體系來弄的，否則模型之間都不可比。把這樣一套生產化的生產模式建立起來，這可能是最大的一個挑戰?！?br/>這也解釋了他們在學術發表上的態度。有人問起這個團隊還會不會發論文——范浩強說：「現在感覺論文周期太慢了，我們一般直接發小紅書，或者掛博客，每一到兩個月就迭代一次，已經遠遠超過傳統發表周期?！雇籼觳抛隽藚^分：學術研究關注技術單點，在有限數據和算力下做，以仿真 Benchmark 指標為標準；而推主線模型是數據驅動的，所有驗證建立在數據量和算力都充分的情況下，在真機上做。「在有限數據集和算力下，很多 Paper 的結論，在主線上去驗，大概率是沒有效果的?！?br/>周而進的最終判斷：「科研范式最重要的轉變，是從做題家，變成能定義題目、再解題的人。」
DM0.5 的 Tech Report 將于 7 月 15 日面向全行業公開發布。
五個人坐在一起：唐文斌話最多，問題接得最快，遇到棘手的地方先穩住，再給旁邊的人一個眼神。范浩強習慣在話尾留一兩句幽默，但從不跑題。周而進說話時有一種篤定，像是早就把所有問題在腦子里推演過一遍。汪天才最克制，開口時你會知道他要說一件重要的事。張紹政話最少，被問到本體細節時逐條報出數字——1kHz 控制頻率、亞毫米級定位精度、30 秒換電——對細節的掌握程度，讓人明白他在這個團隊里承擔的是什么。
從清華姚班到曠視，從曠視到這間北京西三旗的辦公室，這條路走了十幾年。五個人分頭走過各自的來歷，最后落在了同一個問題前面：具身智能為什么到現在還沒有真正落地？
他們的答案不是某一個技術突破，而是整條鏈路都得做對。