原力灵机将Picking定位为具身智能的“Coding”，获智谱、阶跃、商汤、阿里联合投资

事件概述

原力灵机（创始人兼CEO唐文斌）宣布通过股权并购方式与物流机器人公司Atomix合并，将模型能力与真实物流场景结合。同时，智谱、阶跃星辰、商汤、阿里共同参与原力灵机新一轮融资。公司明确将Picking（抓取）定位为具身智能的原子任务，类比大模型中的Coding。

为什么Picking是具身智能的原子任务？

类比Coding成为大模型基石的逻辑，Picking需要满足四层约束：

• 高频：持续产生数据；
• 真实：补全仿真缺失的物理细节；
• 可验证：成功与失败可被系统记录；
• 可迁移：不局限于单一封闭场景。

Picking具备三点优势：

1. 产生规模化高质量真实数据——全球物流仓库每天产生上亿次真实抓取动作，SKU极度多样；
2. 有清晰可判的成功信号——抓取成功/失败/掉落等可细分，反馈信号明确；
3. 能力可向其他任务迁移——一次抓取串联手眼协调、力控与空间理解，覆盖大部分操作任务底层基础。

为什么选择物流场景？

家庭环境太开放、容错率低，传统工业场景高度结构化、泛化锻炼有限。物流消费品仓储和分拣处于平衡点：比家庭更可控，比传统工业更长尾。海量网购订单催生几十万种SKU，流水线全天候运转，劳动力缺口真实存在，客户有预算。

海外玩家（Skild AI、Physical Intelligence、Figure AI）已锚定仓储场景验证这一逻辑。原力灵机自研DM0具身原生大模型，突破单机独立训练模式，采用多源数据联合训练、跨机型通用预训练技术，能够将不同仓库、不同机型机械臂的抓取数据凝练为通用能力。

数据飞轮的形成

合并后，Atomix场景侧每天产生的真实Picking数据直接流入模型侧迭代；模型变强后反哺更多仓库和机型。数据飞轮从“合作关系”变为“内生机制”：数据不再是为训练而额外采集，而是真实业务中自然流出的生产副产物。任务越多→数据越多→模型越强→效率越高→进入更多场景→新数据继续回流。

意义

Picking作为支点，将模型、机器人、场景和数据归拢到一条顺畅管线内。大模型公司集体押注，看中的是物理世界数据飞轮率先跑通的可能性。任何Demo只能证明机器人做好“这一次”，Picking飞轮要证明机器人能越做越好。这被视为具身智能从实验室走向真实世界的分水岭。