衡宇 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

當(dāng)具身智能行業(yè)還在密集PoC、卷demo、拼概念時，原力靈機先把答案押向了一個具體動作。

Picking。

這家公司剛剛宣布，通過股權(quán)并購方式完成與物流機器人公司Atomix的合并，將模型能力與真實場景合為一體。

與此同時，中國頭部大模型公司也用真金白銀表達了對這一路線的認(rèn)可——智譜、階躍星辰、商湯、阿里共同押注原力靈機新一輪融資，形成了一次罕見的集體押注。

資本不會無緣無故聚集。

當(dāng)行業(yè)還在爭論具身智能的第一落地場景該選誰，原力靈機已經(jīng)用一次合并和一輪頂級資方陣容給出了自己的答案。

原力靈機創(chuàng)始人兼CEO唐文斌把這個判斷概括成一句話：

Picking，就是具身智能的Coding。

這不由得讓人追問：

Picking之于具身智能，真的會像Coding之于大模型嗎？

為什么是Picking？

要理解這個判斷，需回到Coding成為大模型基石的邏輯原點。

除“技能”屬性外，Coding提供了可規(guī)?；?xùn)練和驗證的閉環(huán)，使模型能力持續(xù)迭代生長。

于是，Coding成為了大模型時代公認(rèn)的原子任務(wù)。

Anthropic正是在這一原子任務(wù)上建立了鮮明辨識度，樹立行業(yè)技術(shù)優(yōu)勢，資本市場同時用一路走高的估值對其給出了實打?qū)嵉恼J(rèn)可。

要獲得真正通用的智能，具身機器人同樣需要這樣一個基礎(chǔ)性的原子任務(wù)。

從大模型數(shù)據(jù)成長邏輯反向拆解，這項理想任務(wù)需滿足四層約束：

• 高頻，持續(xù)產(chǎn)生數(shù)據(jù)；
• 真實，補全仿真缺失的物理細節(jié)；
• 可驗證，成功與失敗可被系統(tǒng)記錄；
• 可遷移，不局限單一封閉場景。

最后，不要忘了通用！通用啊朋友們！

在唐文斌看來，Picking不僅滿足上述標(biāo)準(zhǔn)，更有三點優(yōu)勢。

首先，Picking能產(chǎn)生規(guī)?；哔|(zhì)量真實數(shù)據(jù)。

具身數(shù)據(jù)極度稀缺，物流倉儲是已被驗證的理想場景。

它任務(wù)邊界清晰，SKU極度多樣，原生素材源源不斷。

全球物流倉庫每天產(chǎn)生上億次真實抓取動作，Picking作為該場景最高頻、最核心的動作，自然成為數(shù)據(jù)匯集的核心入口。

其次，Picking有可驗證的成功信號。

機器人把包裹從A點移到B點，成敗清晰可判。

即便存在瑕疵，也可細分為抓取失敗、掉落、放置偏差、識別錯誤、路徑規(guī)劃失敗等。

反饋信號越清楚，模型越容易改進。

最后，Picking能向其他任務(wù)遷移。

表面看，Picking只是從A處挪到B處的簡單動作；在具身訓(xùn)練維度，它卻是高度濃縮的物理命題。

一次順利抓取串聯(lián)起感知預(yù)判、運動決策、伺服控制與全鏈路反饋。抓取的本質(zhì)——手眼協(xié)調(diào)、力控與空間理解——覆蓋了絕大多數(shù)操作任務(wù)的底層基礎(chǔ)。

只要模型吃透多工況下靈活抓放的邏輯，分揀裝箱、居家勞作、精密裝配乃至更多開放環(huán)境作業(yè)，都能沿此衍生拓展。

依托數(shù)據(jù)、反饋與能力遷移的統(tǒng)一邏輯，Picking之于具身智能，恰恰正如Coding之于大模型。

為什么是物流？

進入2026年，具身智能行業(yè)逐漸走出混沌期，競爭焦點順理成章從“Benchmark”轉(zhuǎn)向“Business”。

“具身智能必須走出demo，在產(chǎn)線上接受ROI驗證”成為大家的共識。

Picking這個原子任務(wù)的價值由此格外凸顯。

它足夠具體，可嵌入真實場景，每天產(chǎn)生海量任務(wù)，成本收益可計算，失敗樣本可直接回爐訓(xùn)練——這正是行業(yè)最缺的東西。

具身智能則難度更高，因為物理數(shù)據(jù)采集門檻遠高于互聯(lián)網(wǎng)文本。

誰能低成本、大規(guī)模獲取真實數(shù)據(jù)并形成閉環(huán)，誰就能掌握主動權(quán)。

但并非所有場景都適合啟動數(shù)據(jù)飛輪。

家庭環(huán)境太開放，任務(wù)邊界太散，容錯率也低；傳統(tǒng)工業(yè)場景高度結(jié)構(gòu)化，很多任務(wù)已經(jīng)被專機和自動化產(chǎn)線解決，而且泛化能力的鍛煉有限。

那Picking到底該從哪里開始？

物流，尤其是消費品倉儲和分揀，恰好卡在絕佳平衡點——比家庭場景更可控，又比傳統(tǒng)工業(yè)場景更長尾——天然成為孕育Picking數(shù)據(jù)飛輪的沃土。

海量網(wǎng)購訂單催生幾十萬種SKU，包裹形態(tài)五花八門，流水線全天候運轉(zhuǎn)，抓取需求高頻穩(wěn)定；更關(guān)鍵的是，勞動力缺口真實存在，客戶有痛點、有預(yù)算。

這一邏輯已在全球范圍內(nèi)被驗證。

Skild AI、Physical Intelligence、Figure AI等海外玩家早早錨定倉儲，依托真實分揀場景快速積累數(shù)據(jù)，迭代速度遠超深耕小眾場景的同行。

原力靈機與Atomix的合并，正是在這個邏輯下最具戰(zhàn)略縱深的一步棋（不要簡單把這件事看成一家模型公司和一家場景公司合并在一起）。

Atomix深耕物流分揀場景多年，擁有成熟的客戶網(wǎng)絡(luò)、真實的倉儲部署經(jīng)驗和持續(xù)運轉(zhuǎn)的產(chǎn)線。

原力靈機自研的DM0具身原生大模型，突破了單機獨立訓(xùn)練的老舊模式，依托多源數(shù)據(jù)聯(lián)合訓(xùn)練、跨機型通用預(yù)訓(xùn)練技術(shù)，能夠把散落在各地倉庫、不同機型機械臂上的零散抓取數(shù)據(jù)，凝練為通用性更強的實操能力。

最豐富的Picking礦場，遇上能合并消化海量異構(gòu)數(shù)據(jù)的模型底座，場景與技術(shù)雙向奔赴。

合并之后，場景側(cè)每天產(chǎn)生的海量真實Picking數(shù)據(jù)，直接灌入模型側(cè)進行迭代；模型變強之后，又能反哺更多倉庫、更多機型。

這條從數(shù)據(jù)到模型、再從模型到場景的閉環(huán)，在一個組織體內(nèi)自然流轉(zhuǎn)，不再需要跨越公司邊界去外部合作調(diào)度了。

原本處于“合作關(guān)系”的兩家公司，現(xiàn)在合并為同一家公司后，數(shù)據(jù)飛輪就成了“內(nèi)生機制”。

Picking時刻到來，具身數(shù)據(jù)飛輪迎來支點

再說回Coding。

Coding之所以能成為大模型時代的原子任務(wù)，關(guān)鍵原因之一是它讓大模型擁有了一個可持續(xù)運轉(zhuǎn)的數(shù)據(jù)飛輪。

代碼生成、運行、報錯、修改、再運行，每一步都有反饋，每一次失敗都能沉淀為下一輪優(yōu)化素材。

海量真實開發(fā)任務(wù)不斷產(chǎn)生數(shù)據(jù)，數(shù)據(jù)反過來推動模型能力提升，模型能力提升后又進入更多開發(fā)場景。

唐文斌所說的Picking時刻，對具身智能的意義也是如此。

它不只是讓模型進入物流場景，更關(guān)鍵的是，具身數(shù)據(jù)第一次有機會從采集型數(shù)據(jù)，走向場景型數(shù)據(jù)飛輪。

數(shù)據(jù)太少、太貴、太難規(guī)?；?，這些一直以來是具身智能行業(yè)長期面臨問題。

為了訓(xùn)練具身機器人，企業(yè)往往需要專門搭建采集環(huán)境，安排人員遙操作，設(shè)計任務(wù)流程，再把數(shù)據(jù)清洗成模型可用的格式。

這類數(shù)據(jù)當(dāng)然有價值，但它本質(zhì)上是為了訓(xùn)練而采。

采一次，多一批數(shù)據(jù)；不采，就沒有新增數(shù)據(jù)，說白了這個模式下數(shù)據(jù)增長依賴人工組織、設(shè)備投入和項目預(yù)算，很難自然積累。

Picking則把數(shù)據(jù)產(chǎn)生嵌進了真實業(yè)務(wù)現(xiàn)場。

具身機器人在倉庫里完成分揀、抓取、搬運，本身就是一次生產(chǎn)任務(wù)。只要任務(wù)持續(xù)發(fā)生，數(shù)據(jù)就會持續(xù)產(chǎn)生。

抓取成功、抓取失敗、掉落、誤識別、放置偏差、路徑卡頓、節(jié)拍變化，都可以被系統(tǒng)記錄下來，成為模型繼續(xù)優(yōu)化的素材。

數(shù)據(jù)不再只是專門設(shè)置環(huán)節(jié)額外采出來的訓(xùn)練材料，而是從真實場景中自然流出來的生產(chǎn)副產(chǎn)物。

這一步很關(guān)鍵。

只有數(shù)據(jù)生成和真實業(yè)務(wù)綁定在一起，具身智能才可能真正形成飛輪。

任務(wù)越多，數(shù)據(jù)越多；數(shù)據(jù)越多，模型越強；模型越強，機器人完成任務(wù)的穩(wěn)定性和效率越高；效率越高，機器人就能進入更多倉庫、覆蓋更多SKU、處理更多復(fù)雜情況，新的數(shù)據(jù)又會繼續(xù)回流。

所以Picking的價值不只是解決了模型進場景的問題。

它更像是一個支點，撬動一切資源，把模型、機器人、場景和數(shù)據(jù)歸攏到一條更順暢的管線內(nèi)。

此次原力靈機和Atomix的合并，也可以放在這個框架里理解。兩者合并，真實任務(wù)入口、機器人執(zhí)行系統(tǒng)和模型迭代能力就被放進同一條鏈路里了。

另外，大模型公司已經(jīng)在Coding上見過這套邏輯的威力。

所以智譜、階躍、商湯、阿里等大模型玩家集體押注，看中的并不只是一個物流機器人項目，而是一個可能率先跑通的物理世界數(shù)據(jù)飛輪。

任何Demo都只能證明機器人能做好“這一次”，Picking飛輪要證明的是機器人能越做越好——這才是唐文斌所說Picking就是具身智能Coding的真正含義。

再往后看，具身智能賽道可以施展拳腳的地方其實遠比Picking廣闊得多。

Picking自然不是行業(yè)終點，更不會是具身智能的全部。

但它是飛輪的支點，是數(shù)據(jù)范式轉(zhuǎn)型的起爆點，是從實驗室走向真實世界的分水嶺。

誰先在Picking上跑通真實世界的數(shù)據(jù)飛輪，誰就拿到了具身智能下半場的入場券。