衡宇 發自 凹非寺
量子位 | 公眾號 QbitAI

當具身智能行業還在密集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。

當行業還在爭論具身智能的第一落地場景該選誰，原力靈機已經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提供了可規模化訓練和驗證的閉環，使模型能力持續迭代生長。

于是，Coding成為了大模型時代公認的原子任務。

Anthropic正是在這一原子任務上建立了鮮明辨識度，樹立行業技術優勢，資本市場同時用一路走高的估值對其給出了實打實的認可。

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性的原子任務。

從大模型數據成長邏輯反向拆解，這項理想任務需滿足四層約束：

• 高頻，持續產生數據；
• 真實，補全仿真缺失的物理細節；
• 可驗證，成功與失敗可被系統記錄；
• 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不僅滿足上述標準，更有三點優勢。

首先，Picking能產生規模化高質量真實數據。

具身數據極度稀缺，物流倉儲是已被驗證的理想場景。

它任務邊界清晰，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，自然成為數據匯集的核心入口。

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能向其他任務遷移。

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

一次順利抓取串聯起感知預判、運動決策、伺服控制與全鏈路反饋。抓取的本質——手眼協調、力控與空間理解——覆蓋了絕大多數操作任務的底層基礎。

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境作業，都能沿此衍生拓展。

依托數據、反饋與能力遷移的統一邏輯，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，具身智能行業逐漸走出混沌期，競爭焦點順理成章從“Benchmark”轉向“Business”。

“具身智能必須走出demo，在產線上接受ROI驗證”成為大家的共識。

Picking這個原子任務的價值由此格外凸顯。

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

具身智能則難度更高，因為物理數據采集門檻遠高于互聯網文本。

誰能低成本、大規模獲取真實數據并形成閉環，誰就能掌握主動權。

但并非所有場景都適合啟動數據飛輪。

家庭環境太開放，任務邊界太散，容錯率也低；傳統工業場景高度結構化，很多任務已經被專機和自動化產線解決，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，又比傳統工業場景更長尾——天然成為孕育Picking數據飛輪的沃土。

海量網購訂單催生幾十萬種SKU，包裹形態五花八門，流水線全天候運轉，抓取需求高頻穩定；更關鍵的是，勞動力缺口真實存在，客戶有痛點、有預算。

這一邏輯已在全球范圍內被驗證。

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據，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，擁有成熟的客戶網絡、真實的倉儲部署經驗和持續運轉的產線。

原力靈機自研的DM0具身原生大模型，突破了單機獨立訓練的老舊模式，依托多源數據聯合訓練、跨機型通用預訓練技術，能夠把散落在各地倉庫、不同機型機械臂上的零散抓取數據，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數據的模型底座，場景與技術雙向奔赴。

合并之后，場景側每天產生的海量真實Picking數據，直接灌入模型側進行迭代；模型變強之后，又能反哺更多倉庫、更多機型。

這條從數據到模型、再從模型到場景的閉環，在一個組織體內自然流轉，不再需要跨越公司邊界去外部合作調度了。

原本處于“合作關系”的兩家公司，現在合并為同一家公司后，數據飛輪就成了“內生機制”。

Picking時刻到來，具身數據飛輪迎來支點

再說回Coding。

Coding之所以能成為大模型時代的原子任務，關鍵原因之一是它讓大模型擁有了一個可持續運轉的數據飛輪。

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化素材。

海量真實開發任務不斷產生數據，數據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，更關鍵的是，具身數據第一次有機會從采集型數據，走向場景型數據飛輪。

數據太少、太貴、太難規模化，這些一直以來是具身智能行業長期面臨問題。

為了訓練具身機器人，企業往往需要專門搭建采集環境，安排人員遙操作，設計任務流程，再把數據清洗成模型可用的格式。

這類數據當然有價值，但它本質上是為了訓練而采。

采一次，多一批數據；不采，就沒有新增數據，說白了這個模式下數據增長依賴人工組織、設備投入和項目預算，很難自然積累。

Picking則把數據產生嵌進了真實業務現場。

具身機器人在倉庫里完成分揀、抓取、搬運，本身就是一次生產任務。只要任務持續發生，數據就會持續產生。

抓取成功、抓取失敗、掉落、誤識別、放置偏差、路徑卡頓、節拍變化，都可以被系統記錄下來，成為模型繼續優化的素材。

數據不再只是專門設置環節額外采出來的訓練材料，而是從真實場景中自然流出來的生產副產物。

這一步很關鍵。

只有數據生成和真實業務綁定在一起，具身智能才可能真正形成飛輪。

任務越多，數據越多；數據越多，模型越強；模型越強，機器人完成任務的穩定性和效率越高；效率越高，機器人就能進入更多倉庫、覆蓋更多SKU、處理更多復雜情況，新的數據又會繼續回流。

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、場景和數據歸攏到一條更順暢的管線內。

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，真實任務入口、機器人執行系統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據飛輪。

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自然不是行業終點，更不會是具身智能的全部。

但它是飛輪的支點，是數據范式轉型的起爆點，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據飛輪，誰就拿到了具身智能下半場的入場券。