“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？是这个行业现在非常需要严肃对待的问题。”原力灵机创始人唐文斌对我们表示，“今天行业里很多POC，我认为都是在自嗨。”

“行业应该警惕。历史上也出现过很多公司，融了非常多的钱，但最终并没有形成实质的业务和技术上的积累。淘汰——”他顿了顿，“其实是一夜之间的事。”

过去一年，具身智能行业最热闹的地方，并不在工厂，而在发布会现场。问题也随之而来：如果一个机器人只能在精心布置的舞台和摄像头前完成动作，它究竟是在展示生产力，还是在表演生产力？

具身智能行业现在最大的问题，不是没人相信未来，而是太多人急于把未来演给投资人看。

真正决定行业分水岭的，从来不是机器人在demo中的炫技，而是机器人能否在真实业务流程中持续工作、产生可计算的投资回报，并在工作中积累独特数据。换句话说，具身智能的竞争，正在从“机器人能做什么动作”，转向“机器人能不能成为一个可靠的生产系统”。

而唐文斌给出的答案是：泛化、好用的模型和真实进入的场景。

成立于2025年3月的原力灵机，并非唐文斌机器人征途的起点。早在2011年旷视成立的时候，办公室采购的第一件装饰品，就是在大门口摆放的一台机器人。而据唐文斌回忆，旷视的初心也是从“先做机器人的眼睛”开始。

原力灵机毫无疑问是具身公司里“大模型”味道最浓的一家。其四位核心创始人（唐文斌、范浩强、周而进、汪天才）全部来自旷视核心岗位。深厚的模型训练积累，让原力灵机的战略从第一天开始就带着“训练过大模型的骄傲”。

今年2月，原力灵机首次提出“具身原生”（Embodied Native）概念，强调数据、训练、框架，均从第一天起就为机器人在物理世界的交互而设计。这一概念的提出，直接冲击了业界主流的“开源VLM+后训练”的嫁接路线，让原力灵机以一个“模型正规军”的姿态杀入了具身红海。

而这支“模型天团”创始团队，也受到了来自大模型厂商们的集体认可。原力灵机的股东集齐了国内四家头部大模型厂商（阿里、智谱、阶跃、商汤）。这在具身智能赛道中本就极为罕见，更令友商们羡慕的是，大模型厂商的支持不仅限于投资，更是深度参与其基座模型的预训练工作。

深厚的模型血统之外，唐文斌的机器人蓝图里还有另一条进入场景的暗线。

2016年，唐文斌在旷视科技内部主导智慧物流与机器人调度业务（河图系统）。2024年7月，唐文斌将物流机器人业务从旷视体系剥离独立，成立“Atomix”（原力聚合），并将其打造成年营收近十亿的物流机器人巨头。2年之后，Atomix与原力灵机完成了“计划中”的会师，也凑齐了唐文斌“模型+场景”的拼图。而由此，唐文斌的具身征途也正式拉开了帷幕。

近日，Action2026-原力灵机开发者大会正式发布了包括DM0.5基础模型、DFOL2.0后训练框架、DW0.5具身世界模型、具身智能首个MaaS服务、机器人操作系统DexOS与开源协议ECP以及APEX本体，构建起从模型到本体的“基础设施全家桶”。我们也在这个时间节点上与唐文斌就具身模型、具身本体、场景落地、数据飞轮等行业问题进行了一番深入的对话。

唐文斌认为：未来一年，具身智能行业可能会出现一次残酷筛选。真正有机会跑出来的公司，需要同时具备三种能力：相信通用模型会不断吞噬小模型的技术信仰，理解客户价值和ROI的商业务实，以及把机器人部署进脏活累活现场的组织耐心。

而具身智能赛道的竞争，深处也变成了一场新的基础设施竞赛：谁拥有更强的基础模型，谁能建立稳定的训练、推理、评测和部署体系，谁能从真实应用中获得独特数据，谁才可能穿越这一轮热潮。

以下为与唐文斌的对话全文，略有删减：

模型信仰

刘湘明：具身行业已经是一片公认的红海，公司到底靠什么杀出重围？

唐文斌：这个问题我们可以类比看大模型公司和智驾公司到底在拼什么。

我认为就是在拼三件事情：

第一，拼团队。拼的是你的团队到底有没有本质的认知，有没有体系化的做科研的能力。

第二，拼基础设施。模型本质上还是一个scaling law的事情，数据、训练、推理、评测的基础设施是一个很复杂的系统工程，也是一笔巨大的投入。

第三，拼数据。今天所有人都在采数据，买数据，但是差异化是什么？所以数据层面，最后拼的是：你有没有独特的数据。而这个独特的数据只会来自应用，来自数据飞轮，而数据飞轮又取决于机器人能否真正被用起来。

刘湘明：原力灵机的核心团队几乎全部来自旷视，您觉得从旷视传承下来最重要的资产是什么？

唐文斌：我觉得最重要的资产就是人。今天整个大模型圈里面有非常多旷视的人，原力灵机里也有很多旷视的老人，这是一批非常强的团队。

第二件事，就是在价值观上有一个很好的传承。我们一直在讲两件事情：“技术信仰和价值务实”。

技术上的很多东西真的是因为相信才看见，不能等到看见了才相信。在算力数据和各种资源的投入上，我们是需要信仰支撑的，这是我们非常坚定的一点。但是另外一方面，当我们向客户提供产品和解决方案时，又要极致的务实。

刘湘明：咱们的团队背景里，好像欠缺一些本体硬件基因？

唐文斌：其实并不缺。Atomix原来也是我做的，一年的机器人出货规模也接近万台了。所以我们在硬件、软件、解决方案、销售、交付、售后等环节的整个长链上也具有很强的闭环能力。

刘湘明：你会觉得原力灵机的融资节奏慢了吗？

唐文斌：也还好，本来我们成立的时间也稍微晚，这轮融资完成之后，我们应该也就相差无几了。

一些大模型公司，像智谱、阶跃、阿里、商汤，他们做过大模型，就会更加能认同我们在某些问题上的深度思考，所以投了我们。

另一方面，我们其实不太喜欢去做Demo engineering的事情，所以很多投资人其实也不好判断我们的实力，也会有投资人因为我们没有什么特别亮眼的demo，就没有选择我们。

刘湘明：行业里现在宣称在做具身模型的公司不下200家，你怎么看这件事？

唐文斌：坦白讲，这么多公司里面，想好好做模型的人，其实没那么多，我觉得不会超过10家。

我们可以从几个角度去判断：

首先，你得看他到底用多少卡在训练。所有人都在吹自己有很多数据，但他实际用了多少卡？基本上就可以判断这家公司到底有没有真正在做训练。我们15万小时数据的训练已用到了小几千卡的规模，算力投入“小几个亿”。如果一家公司在算力上没花过亿的钱，大概率没有真正在训练模型。

第二，就是看这家公司在对待评测这件事上的认真程度。每个人都在讲自己的模型能够跨本体，那自己内部的评测是如何设计的？在外部怎么去参与评测？通过评测这件事，基本上也能看得出来这家公司是不是在认真做模型。

好的具身模型

刘湘明：您认为一个好的具身模型的标准到底是什么？

唐文斌：为什么行业看不出哪家的模型好？因为开源的东西真有开发者在用，如果比较容易训出好效果，就没人质疑。开源是检验模型能力的试金石，有人用和没人用完全不同。今天很多公司都在发布自己的模型，都说比P0好，我们发布上一版DM0时也说自己在某一些benchmark上比P0好。但是真正走近开发者去看一看，有多少开发者放弃了P0，在使用我们和同行们发布的模型呢？坦白来说，我觉得是没有的。

我们认为一个模型好用主要有两点：

第一点是这个模型本身要有足够强的泛化性，它最好能够零样本，拿来就用，这是最理想的情况。

第二点是要能够通过一些后训练，省时省力地把基模变成一个针对某个具体任务的更强的专用模型。

在模型好用的层面，我们这次也推出了基于我们最新基模DM0.5的MaaS服务。这里面会有两种MaaS：第一就是基模零样本能力，开箱即用，按Token收费。虽然目前基模仍没有到ChatGPT时刻，但我们仍能看到非常强的成功趋势，已经可以取得一定泛化性的效果；第二就是DFOL 2.0的在线后训练服务，训练完可一键部署为专项模型。

把基模直接开放出来给大家用，这是具身行业第一次有人敢做这个事情。

刘湘明：这次咱们新发布的基模DM0.5，都实现了哪些核心突破？

唐文斌：泛化涌现，是我们从DM0.5模型的表现中最大的感受。基本上我们每半年就要更新一版模型。相比上一代DM0，DM0.5的核心就是“面向开放世界”，它在训练数据规模、数据质量、架构创新以及开放世界泛化能力四个方面实现了突破。

DM0.5用了15万小时多源数据进行深度训练，拥有4B参数，参数量比上一个版本大了一倍，训练数据量增加了400%。同时，DM0.5的推理效率提升25%，在各大公开评测全面超越SOTA。另外，DM0.5的微调（Fine-tuning）成本下降60%，支持4090消费级显卡训练，最快18小时即可完成一个下游任务部署。在最关键的泛化性上，相比DM0，DM0.5的Zero-shot导航成功率提升31%，Few-shot成功率提升45%。

刘湘明：原力灵机是如何定义具身模型的泛化能力的？

唐文斌：真正的Zero-shot，不是让机器人去完成一次排练好的漂亮表演，更不是“把更多已知任务装进模型”。我们一直主张：不要用“任务表”来冒充“世界”。

目前行业里的基础模型，其实已经能够做一些重复简单执行的动作。但接下来，怎样让模型走出实验室，真的进入自然环境里，面对没见过的物体、没见过的指令、没见过的环境，还能够继续work？是我们关注的首要问题。

为此，我们重新定义了泛化的演进路线：从被操作对象泛化、到场景泛化、任务泛化，以及最终的机型泛化。

DM0.5泛化的涌现其实就主要体现在这五个维度上：没见过的对象它可以操作、没见过的场景下它一样可以完成任务、可以对复杂陌生的任务进行拆解和排列组合、适用于更多种类的本体以及它可以听懂人话。

刘湘明：具身大脑的泛化性问题的最关键卡点是什么？

唐文斌：泛化性的问题肯定是个综合性的问题，不是突破某一个卡点就能解决。

首先数据肯定是一个最大的问题，高质量的多样化数据在整个具身行业还是非常稀缺，而且远远被低估。量的问题只是一个最容易被理解的问题。

第二、你的训练架构得在正确的路线上。今天大模型的架构已经收敛，所以大家都在比拼数据。但是具身模型的架构并没有完全收敛，你的训练架构能不能带上记忆，能不能做推理，这些能力都是决定具身模型到底能不能突破chatbot的关键因素。

第三，涉及具身本体的协同，还有很多机器人的物理世界问题需要解决。

所以你只有同时把这几件事情都做对，我们叫做“在正确的路径上探索”，才有机会去实现真正的泛化性。

刘湘明：您预测具身大脑要取得一个突破性的泛化性提升，还需要多长时间？

唐文斌：我感觉可能不会太久。其实可以拿智驾模型的训练做类比，要达到与智驾模型训练的数据体量相当，也就是100万小时这一数量级。其实很多公司，包括我们，大概率可以在今年年底之前达到。

当然具身面对的问题更复杂，所以也许跨过节点所需的数量级还需要更大，甚至可能还得再上一个数量级。但再往后这个量级的数据，也一定是来自场景的数据飞轮。

数据、评测和后训练

刘湘明：15万小时的数据的结构和来源是哪里？咱们做了哪些工作？

唐文斌：拆解一下的话，15万小时的数据里，第一部分就是5万小时的真机数采。这部分我们核心关注的是要有足够的动作丰富度，所以我们分了100多个不同的原子动作来组成这个数据集。其次，就是在动作和指令之间我们做了非常精确的对齐，精细到秒级别的标注。

第二部分数据就是10万小时的Egocentric数据。这部分数据我们最核心的优势是毫米级的3D Landmark标注。如果这一步都标不准，那用这样的数据去训练，就很容易garbage in garbage out训出来一个非常混沌的模型。

第三部分是100万平的高精度导航数据，这部分数据的质量是要远高于同类型的开源数据集的。这块我们特别重视，用高精度重建解决Sim2Real Gap。

刘湘明：训练DM0和DM0.5的算力成本相差了多少？为什么能在短短半年内完成400%的数据增长？

唐文斌：0和0.5的算力成本差了十倍。

而对于数采来说，最重要的事情就是SOP和验收。其实采集要上量是很容易的，今天你发更多的包出去，让更多的vendor去做，很容易就可以把量堆起来。但你采回来的数据，会不会是一堆垃圾，这件事情其实很关键。

我们为什么在DM0的时候，没有去追求数据量。主要原因是我们当时还在验证很多东西，包括到底数据应该怎么采、标准流程应该怎么做、什么样的数据更有价值，我们花了大量的时间去做这样验证。

这些问题我们都解决了，形成了清晰的SOP和验收标准，我们才开始去追求数据上量，接下来就可以交给很多合作伙伴一起来做了。

刘湘明：这套DFOL 2.0是一套怎样的训练机制？

唐文斌：行业做后训练的框架，一直是在基模之上做Supervised Fine-Tuning，再做真机强化。

而DFOL 2.0（Dexmal Function Online Learning）是我们推出的一套基于世界模型的后训练框架。把世界模型DW0.5当成仿真器，模型经fine tuning后，在世界模型的仿真环境中去进行RL（强化学习）。这样就不需要在真机环境中做强化，从而实现一个低成本、规模化的应用。实际效果就是，这套DFOL 2.0实现了后训练过程中真机数据需求下降60%，整个端到端的训练成本下降40%，同时，我们在不同任务上均可收获10到50个点的性能提升。

这套框架其实是非常依赖一个强大的世界模型的，而我们这次发布的DW0.5，也是在各种世界模型评测集中达到了SOTA的水平。

刘湘明：咱们为什么只把世界模型用于后训练？

唐文斌：其实我们也在尝试在预训练的过程中，就把VLA和world model做成一个MOE，并且我们也发现其实是有收益的。

今天大家提的各种技术路线上的很多东西只是一个概念。比如说大家对立起来的VLA和WAM（world action model），但其实仔细想想WAM本身就是一个VLA，因为输入就是V和L，输出就是A。所以以VLM为backbone的VLA和以视频生成为backbone的VLA，为什么不能是一个MOE的逻辑呢？所以这些概念都是不重要的，其实大家这种路线之争是毫无意义的。模型如何走向泛化，以及这个模型如何被更好地用起来。

刘湘明：关于咱们和Hugging Face联合发起具身模型真机评测平台RoboChallenge，行业里还是有口皆碑的。但是确实也会引发一些既是运动员又是裁判员的争议，咱们是如何考虑这个问题的？

唐文斌：首先我们做评测，第一目标其实是对内服务的。要严肃地做模型，必须知道如何去做评测，没有这种指示器，其实没有办法指引我们前进的方向，这件事情非常重要。但坦白讲，我们这个行业其实也没有一个特别严肃的benchmark。

所以当Hugging Face的首席科学家来我们公司交流的时候，我们都觉得应该拿出我们一部分的评测能力，一起捐给社区。这就是RoboChallenge的缘起。

今天RoboChallenge应该也算是具身圈影响力最大的评测平台之一了。随着RoboChallenge影响力逐渐扩大，我们作为一家模型公司，其实就不是特别适合继续持有了。所以我们最近会有一个动作，就是我们会把RoboChallenge捐出去，把它变成一个中立平台，更好地服务整个行业。

但其实RoboChallenge只是我们内部的评测能力的一小部分，我们内部还有更大的一套评测体系在支撑我们内部的算法迭代。RoboChallenge只是我们这套内功的一个外显。

场景、本体和数据飞轮

刘湘明：原力灵机内部是如何判断一个模型或者解决方案到底能不能进场景的？

唐文斌：一个方案到底能不能够进到场景，其实有几件事情是必须考虑的，机器人在做一件事情的时候，来料是怎么来？上料怎么上？下料怎么下？异常怎么处理？然后所有的ROI都要在这样的一个完整的方案里去考量。这些问题如果没有完整地考虑，我大概率会认定这个方案其实是没有办法实用的。

刘湘明：原力今天也发布了自己的全新本体Apex，你觉得今天本体最大的问题是什么？

唐文斌：我们在做本体上是有点后发的，我们希望它是一个更加“具身原生”的机器人，融入了我们对模型、算法更深度的认知。

要说行业里本体的问题，首先就是太不稳定。行业内大多数本体并没有往工业级的稳定性方向努力，这是本体进不了场景的主要原因。我们买过很多同行的产品，大部分都在几天到2周的时间内就坏了。而进入场景的需求，至少是一两千小时的。

第二个问题就是当下的本体设计是肯定没有办法实现场景通用的。因为不同的负载，不同的环境，不同的空间大小，都会对本体的设计提出不同的要求。这一定会使得未来机器人的本体是多样化的，是跟场景强相关的。我们的理念叫：模型解锁场景，场景定义硬件。

刘湘明：具身原生的概念在新本体Apex上是如何体现的？

唐文斌：我们认为最主要的原生点在于足够强的泛化性，很多时候模型能力会被硬件本体限制住。模型能学懂很多复杂、不同场景下的操作，但如果本体能力不够强，就会导致很多模型本来能做的事在本体上做不了，这是很大的痛点。所以具身原生本体第一个要解决泛化性。

为此我们在Apex上做了模块化设计。手臂、夹爪、底盘都有不同配置，封装成一个个独立模块，通过搭积木的方式拼接出不同本体，满足不同场景对本体的要求。

同时，模型一直在持续迭代，本体对模型的要求也不能一成不变，需要跟模型一起进步，所以我们在设计时就考虑到模型的迭代。在实际部署过程中，本体也支持一边部署一边采集数据，反哺整个模型的迭代。

刘湘明：在机器人被更广泛地使用这个问题上，原力灵机的解决方案是什么？

唐文斌：今天行业里，因为模型能力的不足，完全靠模型驱动的解决方案，其实是做不到100%的成功率的。

所以我们的思路是：到一些有错误容忍度的场景，比如我们现在核心在做的物流，或者叫仓库场景。在这种场景中，我们让自动化装备先解决简单任务，再用机器人尝试解决高级任务，如果不成功，再通过遥操或者人工的形式去兜底。这就是我们的Ferrata分层作业理念。

这整套系统的业务流程是能闭环的，ROI也是能够算明白的。只有这样的方式才能让现阶段的机器人真正能够被规模化地用起来，数据飞轮也才能够转起来。

刘湘明：你们为什么选择专注于物流（仓库）场景？背后是怎样的思考？

唐文斌：今天在模型还不是那么ready的情况下，我们其实对场景是有一些要求的。

我们会希望：

1.它是有一定容错率的，要允许机器人搞不定；

2.不能对机器人有特别强的节拍要求；

3.一定得是个长时间作业，否则ROI算不过来，客户也不可能规模化去部署；

4.从数据的角度来讲，我们还希望它至少在某个维度上是有泛化需求的。无论是任务泛化，还是对象泛化，还是环境泛化。比如我们跟一个零售巨头合作，那生活中的所有商品，我们就都能见一遍了，这个数据对我们非常有价值；

5.这个场景还必须足够大，这是一个很重要的原因。今天在仓库里面做拣选，做picking/packing的人，至少有几千万人。

所以我们会认为物流（仓库）是最好的场景。同时，相比生产环节，物流环节还有一个优势在于：物流更靠近消费。生产环节是可以转移的，但物流环节不能转移，物流一定是在贴近你消费行为的地方发生，这也代表着物流环节所在的地方人工成本必然是高的。

刘湘明：您认为数据飞轮转起来的具体标志会是什么？

唐文斌：我觉得至少100台机器人能够持续长时间工作，数据飞轮才能说是转起来了。长时间不是指一周或者一个月，而是真的持续不断地工作。

刘湘明：原力灵机这次发布的内容非常丰富和复杂，你们的客户会如何理解原力灵机呢？

唐文斌：其实我们还是坚持“价值务实”，给终端客户讲模型的训练框架这些东西是没有意义的。所以我们对客户提供的主要就是我们分层拣选的解决方案，也就是Ferrata。主要给客户讲解具体解决什么问题，ROI怎么算等等。

我们今天其实还有一类客户，是本体厂商和开发者。针对这类客户，我们会提供一个好的基模（DM0.5），同时，我们还会提供一套后训练服务和一套OS。这个OS的接口可以用客户自己的本体来对接，方便把我们的模型部署在他自己的本体上。然后我们双方一起来把客户的本体变成一个更聪明的本体。

所以我们其实是有两类产品交付，一个是垂直场景的解决方案和一个公开的技术平台。

刘湘明：那这两类产品的商业模式会是怎样的？

唐文斌：我们现在商业模式上也是分两类，我们叫基础设施收入和具身应用收入。

我们现在的大头肯定是在应用上，毕竟应用是更快的收入。但从长期来讲，我认为具身的基础设施，未来一定会占更大比重。（本文首发于钛媒体APP）