2026年2月10日，北京中关村，Dexmal原力灵机技术开放日现场，一场具身智能的"华山论剑"拉开帷幕。清华大学、智源人工智能研究院、阶跃星辰、千寻智能、星海图等多家产业力量汇聚，共同探讨具身智能下一个十年的方向与挑战。
此时，产业正迎来关键转折。不久前发布的《2026全球具身智能产业投资风向标》指出，2026年产业重心将从"秀肌肉"转向"结果负责"，从能力想象走向可验证、可复制、可持续的真实产出。
也正因此，现场最受瞩目的并非某个"酷炫的机器人本体"，而是原力灵机的第一次公开亮相。唐文斌与范浩强、周而进、汪天才等旷视科技的核心创始成员，从 AI 1.0时代的产业化战场走来，在 AI 2.0的浪潮中再度集结。
原力灵机CEO唐文斌
成立一年后，这家低调的技术公司，第一次面向外界把阶段性成果摊开：
在业内首次提出"具身原生"概念；
全球首个具身原生大模型DM0，在RoboChallenge真机评测中登顶第一；
全球首个具身原生开发框架Dexbotic2.0 发布并开源，试图把具身开发从"手搓工程"推向"可复现的标准化流水线"；
发布具身原生应用量产工作流DFOL解决方案；
加上此前推出的 全球首个具身智能大规模真机评测平台 RoboChallenge 及开源硬件，首秀即交出一套完整的"具身原生"路径答卷。
"2026 年不是具身智能的元年，而是具身原生的元年。"原力灵机CEO唐文斌在现场这样总结当前行业发展阶段。
不久前，「智能进化论」采访了原力灵机核心高管团队。比起"要做多大参数""要造多酷本体"， 原力灵机选择了先解决那些行业缺失、却至关重要的事：把行业基础设施补齐、把评测与开发范式建立起来------让具身智能不再只停在演示里，而能进入生产线、进入真实世界的时间与成本约束中。
从 AI 1.0 到具身智能：原力灵机选择了一条更"重"的路
如果把过去十年的 AI 落地概括成一句话，那大概是：AI 学会了"看"和"判断"，却还没真正学会"动手"。具身智能火热的这两年，行业里一种常见打法是：先把 Demo 做出来，用一个视频证明"它能"，再逐步补齐工程细节与可规模化能力。
原力灵机选择了另一条路：先把底层基础设施补上，再推出模型和本体。也因此，"为什么现在才发布模型？"成为创始团队被问到最多的问题之一。
唐文斌表示：公司使命是"打造智能的、有用的、可信赖的机器人"，但他们很快发现：具身赛道虽热，基础设施（Infra）几乎是空白。
从数据采集与标注，到训练与调参范式，到推理部署与实时控制，再到硬件适配、真机验证、以及评测体系的建立，都缺乏行业级、可共享的"底座"。如果没有这些底座，模型迭代会陷入"各做各的、各说各的"，进步难以被统一度量，也很难形成真正可持续的数据飞轮。
"**我们认为基础设施的建设才是算法公司的真正核心竞争力。**当然有了这些基础设施，我们也能获得更高效迭代的系统性竞争力。"唐文斌表示。
因此，原力灵机在过去接近一年的时间里，在"打地基"上投入很多：搭建了 RoboChallenge 真机评测平台、推出了 Dexbotic 开源框架等。
RoboChallenge是目前业内唯一的具身智能大规模真机评测平台，目前累计执行的真机测试（Rollouts）已突破 4 万次。
唐文斌也把Benchmark的核心价值说得很清楚："我们做RoboChallenge的目的，是为了衡量各个算法的进步。我们跟同行交流起来，觉得大家都需要，且没有人干，且我们内部已经干得比较好了，就把这个能力向外输出。"
但原力灵机并不把 RoboChallenge 当作最终标准。创始团队认为，具身智能评测体系不应由单一机构拍板，而应当在产业共识中迭代：
"我并不认为RoboChallenge已经做到了黄金Benchmark，肯定不是的。所以我们成立组委会，和行业伙伴一起讨论Benchmark的迭代到底应该怎么做。"
原力灵机之所以选择一条更"重"的路，不是慢，而是在为具身智能行业补齐最稀缺的一环------可复现、可对比、可持续迭代的基础设施。
具身原生与 DM0模型：高智能密度的具身模型范式
作为原力灵机推出的首款具身智能大模型，DM0 一亮相就在 RoboChallenge 评测平台获得单任务与多任务双项第一，目前位居榜单全球第一。
DM0 的优势并不建立在"更大参数、更重算力"的传统路径上，而是一种更高智能密度的新范式：用更小的模型规模，在更复杂的真机场景下，交付更稳定的操作能力与更低的部署门槛。
- 智能密度高，支持轻量部署。仅 2.4B 参数量，采用768×768 高分辨率设计，实时推理延迟仅 60ms，在工业级精细作业中表现优异，并可在消费级显卡（如 RTX 5090）上完成训练与部署。
- 精细操作准确率高。在毫米级精度的工业工件摆放任务中，模型能精准识别微小位置差异，并实现流畅稳定的动作控制。
这些表现背后，是原力灵机坚持的具身原生（Embodied Native） 理念。它的核心不是"把互联网原生的大模型搬到机器人上"，而是从机器人真实应用场景出发 ，实现 数据---模型---硬件---感知 的统一设计，进而最大化跨场景、跨本体的泛化能力。
具身原生大模型不仅是"机器人上运行的大模型"，而是智能本质和形成机制都根植于物理交互的新AI范式。 围绕这一理念，数据原生 + 训练原生 +框架原生，构成了 DM0 "高智能密度"的核心逻辑。
第一，高质量多源数据：从零训练，追求更高上限
"具身原生是相对互联网原生而言的，因为目前已有的 VLM 视觉语言大模型是互联网数据驱动的。VLA 应该真正面向机器人，面向真实的物理世界。"原力灵机合伙人汪天才表示。
行业里更"省事"的做法，是在通用 VLM 上叠加 action 数据做微调，快速得到一个可用的机器人模型。DM0从第一天就把多源数据纳入体系，联合阶跃星辰从头进行训练。
原力灵机将物理世界的描述数据分为三类：
多模态互联网数据：补齐通用知识与常识理解；
驾驶行为数据：学习真实动态场景下的复杂决策与交互；
具身多传感数据：机器人操作和导航数据，把"看懂"落实为"做对"的动作闭环。
原力灵机合伙人周而进将数据工作定义为"收敛世界线"：数据学习的目标，是把"未来的多种可能"收束到稳定可复现的成功轨迹上，并提出具身原生的数据范式------"熵在哪里，数据就投向哪里。"熵可以理解为多种维度的复杂性。智能本质上是一个减熵过程，数据是减熵的燃料。
多源数据混合训练，图片来自DM0技术报告
第二，多任务跨机型预训练，奔向更强的泛化性。
DM0在预训练阶段系统混合抓取、导航、全身控制三类核心任务，并覆盖UR、Franka、ARX、UMI、Aloha、R1-Lite、Realman、DOS-W1等8种差异显著的机型。
具身模型不是强化对某些硬件的"专用技能"和适应性， 而是要沉淀为可迁移的"通用底层能力"，才能在不同本体上快速复用，在不同场景里稳步泛化。
"好的具身智能大模型应该像一个老司机，你不应该只会开自己的车，换不同的车都应该能开好。"周而进这样比喻。
DM0模型驱动下的扫码计价任务(+真机强化学习)
DM0模型驱动下的扫码计价任务(+真机强化学习)
第三，更先进的网络结构设计。
"具身智能大模型并非参数越大越好。我们更关注在每个尺度的参数量下面，是不是把它的性能和最后操作准确率充分发挥出来了。"周而进强调。
同时，原力灵机将DM0全面开源，支持复现与二次开发。
"我们不仅开源base model，还会开源finetune code、在每个task上提交的weights，所以只要下载就可以复现DM0在RoboChallenge上的分数。"唐文斌表示。
DM0模型驱动下的化妆品收纳任务(+真机强化学习)
DM0模型驱动下的化妆品收纳任务(+真机强化学习)
开源框架Dexbotic 2.0：致力于打造具身智能的"PyTorch"
在2025年10月发布的Dexbotic1.0的基础上，Dexbotic2.0 以开源形态正式推出。其使命更高远：像 PyTorch 之于深度学习一样，为整个行业提供可复用、可扩展、可标准化的生产力框架。
Dexbotic 2.0 具备五大核心优势：模块化架构、多源数据混合训练、统一具身操作与导航、统一模仿学习与强化学习，以及标准化具身开发全流程。
从生态角色上看，开源框架相当于上层模型训练的"脚手架"：它决定了数据如何进入模型、训练如何稳定复现、部署如何贴近真机。DM0 正是在 Dexbotic 2.0 的框架能力之上训练出来的。原力灵机也选择将 Dexbotic 2.0 这一层"底层操作系统"开源，意在推动行业以更低成本、更高效率地创新与迭代。
目前，Dexbotic 2.0已经服务数十家机构，包括清华、北大、普林斯顿、帝国理工等知名高校，以及腾讯、北京具身智能机器人创新中心等知名企业，覆盖超千位研发者。
唐文斌强调："我认为一个生态中，最重要的开源就是框架的开源。框架是整个生态最承上启下的那个部分，同时也是生产力工具。"
"PyTorch让每个研究者都能快速验证想法，Dexbotic 2.0要做的是同样的事。Dexbotic 2.0希望简化整体具身开发流程，包括从数据处理到模型训练、模型部署、真机的适配和部署，把整个链路打通。"汪天才表示。
- 模块化架构：把具身系统拆成可组合的"乐高"
Dexbotic 2.0 将具身智能系统拆解为三块可自由组合的核心模块：
Vision Encoder（感知）
LLM（认知/规划）
Action Expert（控制/动作生成）
通过这种解耦设计，开发者可以在感知、认知和控制三个层面独立升级、替换和混搭，快速试验新模型。
Dexbotic 2.0框架支撑下的拧瓶盖任务
Dexbotic 2.0框架支撑下的拧瓶盖任务
- 多源数据混训：让"多模态理解"与"具身动作"真正共训
在多源数据混训方面，Dexbotic 2.0 支持多模态数据与具身数据的 Co-training，把知识与常识的理解能力、场景语义与物理约束、动作经验与控制策略，纳入同一套训练体系。
- 统一操作与导航：把"会走路"和"会动手"放到同一套体系里
过去，具身智能操作与导航任务往往割裂不协同。Dexbotic 2.0加速推动具身智能"全身一致性"：将 local motion 与 manipulation 融合训练，而不是"上半身一个模型、下半身另一个模型"拼接驱动。
- 统一模仿学习与强化学习，加速VLA与RL结合
当前主流趋势正加速走向 VLA与RL的结合。原力灵机与清华大学、无问芯穹展开合作，并与开源强化学习代码库 Rlinf 形成生态协同，将 SFT 与 RLHF 更有机地结合起来，推动 Dexbotic 2.0 覆盖更完整的开发全链路。
- 标准化开发全流程：从数据到真机上线的一条龙"生产线"
在标准化具身开发全流程上，Dexbotic2.0从"数据---训练---评测---硬件"四个环节形成闭环，实现一体化开发路径。
Dexbotic 2.0框架支撑下的插线板任务
Dexbotic 2.0框架支撑下的插线板任务
规模化落地与 DFOL：把"能跑"变成"能量产"的工作流
如果说 DM0 解决的是"真机上能不能稳定做对"，Dexbotic 2.0 解决的是"开发能不能被复现与规模化"，那么原力灵机给出的第三块拼图，就是让机器人在真实工业场景下持续跑起来的方法论。
为此，原力灵机发布了具身应用量产工作流 DFOL（Distributed Field Online Learning）。
DFOL 的思路不是"为每条产线重新定制一套系统"，而是强调"硬件尽量通用、智能尽量上移"：用更通用的硬件形态配合更强的模型能力，让机器人一方面保持工业现场需要的效率与确定性，另一方面又能获得更接近人类的灵活性与环境适应。
其关键在于一套持续演进的数据闭环机制。机器人在现场运行时产生的训练片段与关键失败样本，会被系统实时回传到云端；云端进行训练与更新后，再把更强的模型推回现场执行。由此形成"现场执行---数据回流---云端训练---模型更新"的闭环，使系统能在真实工作环境里不断自我修正，持续提升柔性生产能力。
DFOL是把具身智能从"可展示"推向"可结算"的关键一跃：它让具身智能具备面向大量非标自动化场景的规模化、普惠化应用路径。
DFOL驱动下的工业上料+扣合任务
DFOL驱动下的工业上料任务
写在最后
2026年，具身智能仍处在大规模工业化应用的前夜。
原力灵机的路径，本质上是一次"反直觉"的押注：先把行业底座补齐，再谈规模化落地。
RoboChallenge 提供了真机可量化的开放平台；DM0 模型证明了高智能密度模型在真实任务中可以跑得快、做得好；而开源框架Dexbotic 2.0 则试图把具身开发从"手搓工程"升级为"可复现的标准化流水线"。
从这个节点上看，原力灵机这次公开亮相的价值，不只是"真机榜第一"或"开源框架发布"，而是向行业释放了一个信号：具身智能正在从"热闹的技术竞赛"，迈向"可交付的工业体系建设"。
"我们现在在做的核心就两件事情，第一是模型，第二是场景。模型解锁场景，场景定义硬件。我们要让机器人能够在场景里面跑起来，真正把这个数据飞轮转起来。"唐文斌强调。
END
本文为「智能进化论」原创作品。