面向通用具身智能，业内首起超级合并完成。

作者 |   江宇

编辑 |   漠影

机器人前瞻 6 月 8 日报道，具身智能行业出现了一笔颇具代表性的交易。

原力灵机宣布通过股权并购方式完成与机器人公司 Atomix 的合并，并同步完成新一轮融资。这一轮投资方名单中，既包括智谱、阶跃星辰、商汤等头部大模型公司，也出现了华勤技术、上汽恒旭等产业资本。而另一巨头阿里也已早早下注。

放在过去两年具身智能的发展进程里，这笔交易有着特殊意义。进入 2026 年下半场之后，一个待解的问题早就摆在所有玩家面前：模型怎样获得持续增长的数据，机器人又怎样获得足够聪明的大脑？

过去，行业主要依赖数据采集、仿真生成和模型扩张推动能力提升；随着真实世界高质量数据逐渐成为稀缺资源，不少玩家的 "Scaling" 被束缚了手脚。原力灵机则开始尝试另一种思路——直接进入场景，让机器人在真实业务中持续生产数据。

如果说前一种模式属于 " 采集型 Scaling"，那么后者更接近 " 场景型 Scaling"。

原力灵机与 Atomix 的合并，使具身智能赛道第一次出现了一个同时拥有模型与场景的 " 超级组合 "。

01.

行业进入下半场

模型与场景更需要站到一起

过去两年，具身智能行业最热闹的是融资；今年下半年，一个新的关键词开始出现——整合。

原力灵机的这轮操作，关键在于通过股权并购，一步到位地构建了一个 " 场景型 Scaling" 的数据飞轮。

在这个飞轮里，数据生产、模型训练、能力部署、数据回收这一整套流程，能在同一主体内部高效流转。

Atomix 庞大的机器人机队每天产生的海量真实作业数据，不再是 " 死资产 "，反倒直接成为原力灵机具身大模型的 " 活水 "。反之，模型能力的每一次提升又能即刻部署到 Atomix 的场景中产生效益。

与此同时，这次投资方阵容也绝非简单的模型厂商与产业资本背书，实际上是从不同维度为 " 场景型 Scaling" 这一新范式集体投下信任票。

智谱、阶跃星辰、阿里、商汤等大模型厂商同步出手，意味着通用大模型竞争正向物理世界延伸；华勤技术、上汽恒旭等产业资本入局，则代表着制造业对原力灵机落地价值的认可。

有意思的是，旷视系团队与昔日对手商汤在具身赛道罕见 " 握手言和 "，或许比任一单边押注都更具说服力。

放眼全球，特斯拉的 Optimus 直接在自有工厂迭代，Figure AI 与宝马合作，这种 " 模型与场景绑定、迈向 " 场景型 Scaling" 的趋势已然明朗。

▲ Optimus（左）与 Figure 02（右）

具身智能进入下半场后，单纯依靠采集和仿真的 Scaling 会越来越难。谁能拿到真实场景，谁就更有机会让数据飞轮持续转起来。

02.

具身智能的 "Coding 时刻 "

为什么会是 Picking

如果要为具身智能寻找一个类似大语言模型 " 预测下一个 token" 那样的基础任务，来驱动 Scaling，原力灵机给出的答案是：Picking（抓取与放置）。

原力灵机创始人兼 CEO 唐文斌曾言：" 具身智能迎来了自己的 Picking 时刻。" 这一判断颇具具战略洞察，因为 picking 从某种程度而言，能够成为 " 场景型 Scaling" 的最佳入口。换句话说，Picking 是让机器人在真实业务中 " 边干边学 " 的最短路径。

▲原力灵机创始人兼 CEO 唐文斌

这一任务拥有行业罕见的大规模真实数据来源。

全球物流仓库每天产生的数十亿次抓取动作，是一个天然的超大规模数据集。

每一次抓取，都自带一套完整的多模态数据标签。这种近乎免费且自动标注的数据，是互联网图文数据无法比拟的。

Picking 拥有天然可验证的反馈机制。

具身智能的反馈来源于物理定律。抓取是否成功、货物是否受损，是即时、客观的。这种高密度、高质量的反馈信号，为强化学习提供了近乎理想的训练环境。

Picking 具备明显的迁移价值。

东西有没有被抓起来、是否放到了正确位置、包装是否出现损坏，系统都能够即时判断。这种协调、实时规划和精准力控的集合，是装配、分拣、家庭服务等几乎所有后续复杂操作的 " 元技能 "。

可以说，机器人如果掌握了稳定、通用的 Picking 能力，近乎拿到了通往泛化操作的敲门砖。其掌握的能力便能够迁移到分拣、装配、仓储、家庭服务乃至医疗辅助等大量复杂场景。

某种程度上，Picking 正在成为具身智能领域的重要基础能力。

而这也是原力灵机选择在此时与 Atomix 合并的重要原因之一。

目前，Atomix 已经完成超过 500 个项目交付，业务覆盖 20 多个国家，服务优衣库、蜜雪冰城、宁德时代等头部企业，日均出货量超过 60 万件。

Atomix 也是中国具身智能赛道目前最大、最真实的物流 Picking 数据源。

对于具身智能而言，Picking 正在成为连接真实世界数据与模型能力增长的重要入口。而围绕 Picking 形成的数据飞轮，也正在成为场景型 Scaling 的重要基础。

03.

DM0、Dexbotic 与 RoboChallenge

数据飞轮背后的基础设施

数据飞轮能够运转起来，背后还需要完整的技术基础设施支撑。

对于原力灵机而言，这套基础设施主要由 DM 系列具身原生大模型、Dexbotic 开发平台以及 RoboChallenge 真机评测体系构成。

其中，DM0 是整个体系的核心。

这款模型在 RoboChallenge 具身智能真机评测中位列全球第一，也是全球首个融合机器人多感知数据、智能驾驶数据与互联网数据联合训练的具身大模型。

模型覆盖灵巧操作、环境导航和全身控制等核心任务，并支持 8 类机器人本体联合训练。

某种程度上，DM0 承担的是 " 大脑 " 的角色，而 Atomix 每天在真实物流场景中产生的数据，则持续为这个 " 大脑 " 提供训练养料。

围绕 DM0，原力灵机还搭建了 Dexbotic 与 RoboChallenge 两套基础设施。

前者负责数据管理、模型训练和真机部署，已经吸引清华大学、北京大学、普林斯顿大学、帝国理工学院等高校，以及腾讯、北京人形机器人创新中心等机构使用；

后者则与 Hugging Face 联合发起，累计完成超过 8 万次真机测试，已吸引智元机器人、星海图、星动纪元等近 20 家具身智能企业参与共建。阿里千问、小米、千寻智能等团队也曾参与相关测试与评测工作。

整体而言，DM0、Dexbotic 和 RoboChallenge，则构成了支撑数据飞轮运转的另一半基础设施。

在此基础上，原力灵机也在进一步扩展应用场景。

其即将发布的 " 飞拉达 " 项目，将展示 DM0 跨机型部署能力以及多类型机器人混合作业能力，包括三级分拣、多机器人协同调度等场景。这也是其 " 模型 + 场景 " 思路的一次集中展示。

按照规划，下一代 DM 模型、通用机器人本体以及新一代应用基础设施将在今年 7 月陆续亮相。

与此同时，伴随业务整合完成，原力灵机还正式启动 " 百人全球招募计划 "，开放具身智能核心算法、机器人学习、大模型训练和工程落地等方向岗位，为后续模型研发、产品落地和全球化扩张储备人才。

04.

结语：具身下半场

竞争的天平或将倾向系统玩家

当 " 场景型 Scaling" 成为具身智能下半场的新竞争逻辑，原力灵机通过合并 Atomix，一手握模型，一手握场景，率先完成了从理念到实践的闭环，让每一次抓取、每一次搬运都成为智能进化的养料，构建起最深、最宽的护城河。

原力灵机此次合并未必会成为行业唯一答案，但它揭示了一个更深层的转向：在具身智能领域，模型能力的上限，最终是由真实场景中数据飞轮的转动速度决定的。

当模型与场景被放入同一个增长循环，一个新的行业门槛已然升起——而最先抵达的，将有机会定义下一个时代。