先说一个观察：具身智能行业近期出现了一桩颇具深意的交易。

原力灵机对外宣布，通过股权并购方式，正式完成了与机器人公司Atomix的整合，并在同一时间推进了新一轮融资。从本轮投资方阵容来看，既有智谱、阶跃星辰、商汤等头部大模型企业，也有华勤技术、上汽恒旭这类产业资本。此外，另一巨头阿里早已提前布局。

这一交易在近两年具身智能的发展进程中，分量不容小觑。进入2026年下半年后，一个紧迫的问题已经摆在了所有从业者面前：模型如何持续获取增长所需的数据？机器人又该如何配备足够智能的“大脑”？

过去，行业主流做法依赖数据采集、仿真生成以及模型参数扩张来推动能力提升。然而，随着真实世界高质量数据日益稀缺，不少玩家的“Scaling”步伐明显受阻。原力灵机则选择了一条截然不同的路径——直接深入真实场景，让机器人在实际业务运行中持续产出数据。

如果我们将前一种模式称为“采集型Scaling”，那么原力灵机的思路显然更接近“场景型Scaling”。

原力灵机与Atomix的合并，使具身智能赛道首次出现了一个同时拥有模型与真实场景的“超级组合”。

一、行业迈入下半场，模型与场景需紧密融合

过去两年，具身智能圈最热闹的是融资；今年下半年，新的关键词开始浮现——整合。

原力灵机这轮操作的精妙之处，在于通过股权并购，一步到位地构建了属于“场景型Scaling”的数据飞轮。

在这个全新飞轮体系里，数据生产、模型训练、能力部署、数据回收形成完整闭环，能够在同一主体内部高效、无损耗地流转。

Atomix庞大的机器人机队，每天在真实作业中产生的海量数据，不再只是账面上的“死资产”，而是直接转化为原力灵机具身大模型的“活水”。反过来，模型能力的每一次实质性提升，也能立即部署到Atomix的实际场景中产生效益。

值得深思的是，此次投资方阵容并非简单的模型厂商与产业资本为项目背书，实际上是从多个维度为“场景型Scaling”这一新范式集体投下了信任票。

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

更有意思的是，旷视系团队与昔日的对手商汤在具身赛道罕见地“握手言和”——这或许比任何单边押注都更具说服力。

放眼全球，无论是特斯拉让Optimus在自有工厂中不断迭代，还是Figure AI选择与宝马合作，这种“模型与场景深度绑定、迈向‘场景型Scaling’”的趋势，早已清晰可见。

​▲Optimus（左）与Figure 02（右）

进入下半场后，单纯依赖采集和仿真的Scaling之路只会越来越崎岖。谁能率先掌握真实场景，谁就更有机会让数据飞轮持续加速转动。

二、具身智能的“Coding时刻”，为何是Picking

如果要为具身智能寻找一个类似大语言模型中“预测下一个token”那样的基础任务，用来驱动整个Scaling进程，原力灵机的答案是：Picking，即抓取与放置。

原力灵机创始人兼CEO唐文斌曾断言：“具身智能迎来了自己的Picking时刻。”这一判断极具战略洞察，因为从某种意义上说，Picking能够成为“场景型Scaling”最理想的入口。换句话说，Picking正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

那么，为什么是Picking？而不是其他任务？这背后有几个难以复制的特质。

• 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，本身就构成了一个天然的、超大规模的数据集。每一次成功的抓取，都自带一套完整的多模态数据标签。这种近乎免费且自动完成标注的数据，是互联网上图文数据难以比拟的。

• Picking具备天然可验证的反馈机制。

具身智能的反馈信号直接源于物理定律。抓取是否成功、货物有无受损，这些结果都即时且客观。这种高密度、高质量的反馈信号，为强化学习构建了近乎完美的训练环境。

• Picking还具有显著的迁移价值。

物品是否被成功抓取、是否放到了正确位置、包装是否出现损坏，系统都能立刻判断。这种集协调、实时规划和精准力控于一体的能力，正是装配、分拣、家庭服务等几乎所有后续复杂操作的“元技能”。

可以说，一台机器人如果掌握了稳定、通用的Picking能力，就等于拿到了通往泛化操作的敲门砖。它所掌握的能力能够自然迁移到分拣、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核心基础能力。

而这也正是原力灵机选择在此时与Atomix合并的关键原因。

目前，Atomix已完成了超过500个项目交付，业务覆盖20多个国家，服务于优衣库、蜜雪冰城、宁德时代等众多头部企业，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。

对于整个具身智能行业而言，Picking正在成为连接真实世界数据与模型能力增长的关键入口。而围绕Picking构建的数据飞轮，也正成为场景型Scaling不断深化的坚实基础。

三、DM0、Dexbotic与RoboChallenge，数据飞轮背后的基础设施

数据飞轮能够真正顺畅运转，背后需要一整套坚实的技术基础设施来支撑。

对于原力灵机来说，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真机评测体系三大板块构成。

其中，DM0是整个体系的核心大脑。

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

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

可以这样理解：DM0扮演的是“大脑”角色，而Atomix每天在真实物流场景中持续产生的数据，则是不断为这个“大脑”输送训练养分的血液。

围绕DM0，原力灵机还搭建了Dexbotic与RoboChallenge两套关键支撑系统。

前者负责数据管理、模型训练和真机部署，目前已吸引清华大学、北京大学、普林斯顿大学、帝国理工学院等顶级高校，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，累计完成了超过8万次真机测试，并已吸引智元机器人、星海图、星动纪元等近20家具身智能企业共同参与建设。阿里千问、小米、千寻智能等团队也曾参与过相关测试与评测。

总体来说，DM0、Dexbotic和RoboChallenge，共同构成了支撑数据飞轮高效运转的另一半基础设施。

在此基础上，原力灵机也在积极扩展应用场景的边界。

其即将发布的“飞拉达”项目，将集中展示DM0跨机型部署能力，以及多类型机器人混合作业的场景，其中包括三级分拣、多机器人协同调度等。这可以说是其“模型+场景”思路的一次全方位展示。

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，都将在今年7月陆续亮相。

与此同时，随着业务整合的完成，原力灵机还正式启动了“百人全球招募计划”，开放了具身智能核心算法、机器人学习、大模型训练和工程落地等方向的关键岗位，为后续的模型研发、产品落地和全球化扩张储备人才。

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新竞争的关键逻辑，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完整闭环。这让每一次抓取、每一次搬运，都成为智能进化的养料，并由此构建起一条既深且宽的护城河。

原力灵机此次的合并行动未必是行业里的唯一答案，但它揭示了一个更深层的行业转向：在具身智能领域，模型能力的上限，最终取决于真实场景中数据飞轮的转动速度。当模型与场景被置入同一个增长循环，一道全新的行业门槛已经悄然升起——而最先抵达那个位置的玩家，将有机会定义下一个时代。