文 | 智能相對論

作者 | 葉遠風

6月5日，由原曠視聯合創始人、前CTO唐文斌創辦的具身智能公司原力靈機官宣了兩件事：通過股權并購方式完成與物流機器人公司Atomix的合并，同步關掉一輪陣容夸張的戰略融資——阿里巴巴、智譜、階躍星辰、商湯，加上華勤、上汽恒旭等產業資本，數十家機構集體入局。

行業公關稿的寫法相信很多業內人士已經看過了——"國內首個模型公司與場景公司的雙向奔赴""頂尖大模型廠商集體押注""率先拿到具身智能規模化落地的入場券"。唐文斌本人的原話也被整齊地排在了每一篇通稿里，"模型與場景從來不是孤立存在的"。

但這些話術掩蓋了一個更有趣的事實。

原力靈機CEO兼創始人唐文斌

Atomix這個東西，本來就姓唐。

它的業務根基就是唐文斌當年在曠視親手搭起來的"河圖"智慧物流體系，2024年從曠視體系獨立拆分出去，現在又通過并購回到了唐文斌的新公司里。與其說這是一場浪漫的產業聯姻，不如說這是一個創始人把自己之前做過的業務換了個殼重新組裝了一遍，然后用"具身大模型×真實場景"的新敘事，撬動了阿里、智譜、商湯的錢包。

必須說明的是，這沒什么不光彩的。

事實上，恰恰是這種"不裝"的操作方式，比滿大街"顛覆物理世界"的Demo更接近具身智能真正的破局路徑。

但也正因為它太務實，你反而能看清這個賽道里絕大多數玩家正在回避的幾個問題。

"數據死結"是真的，"合并破局"是半真半假

具身智能圈子里有個共識性抱怨——訓練具身大模型需要海量真實交互數據，可你沒有好模型就鋪不了足夠多的機器人，鋪不了機器人就沒有數據，于是陷入雞生蛋的循環。這就是俗稱的"數據死結"。

原力靈機給出的答案是用并購跳過這個循環。

Atomix那邊有什么？托盤四向車銷量全球第二、落地20余國近百個品牌、客戶名單里有優衣庫/可口可樂/蜜雪冰城、日均出貨60萬件以上的真實倉庫網絡。把這些已經跑著的硬件變成"數據采集終端"，DM0的2.4B參數模型就有源源不斷的真機數據喂進去，飛輪就轉起來了。

聽起來完美。

但如果你在行業里待過，就會知道"有了硬件網絡"和"能從中榨出可用的具身訓練數據"之間，隔著一座山。

倉庫里的托盤四向車干的是相對結構化的搬運調度任務，它的傳感器流、故障日志、運行軌跡數據當然有價值——但對訓練一個需要"亞毫米級精細操控"的具身大模型來說，這些數據大概率得重新定義采集策略、加裝傳感套件、改寫嵌入式數據管道。

換句話說，Atomix的數據金礦目前更多是已存在的數據原料，要把它變成原力靈機需要的訓練語料，還得投入一大筆工程成本和現場協調成本。

所以合并解決的核心問題，與其說是數據死結，不如說是準入資格——它讓一家成立僅一年出頭（2025年3月成立）的模型公司，跳過"求別人讓我部署"的階段，直接擁有了在自己控制的硬件網絡上做實驗的法理地位和運維通道。

這才是關鍵。數據死結是技術敘事，控制權才是商業敘事。

阿里、智譜、階躍星辰、商湯為什么同框了

這輪融資名單值得單獨拎出來說。

智譜和商湯，在純軟件大模型的戰場上，關系不需要我來描述。階躍星辰背后是StepFun系的新銳勢力。阿里巴巴則是另一個量級的存在。這四家出現在同一張term sheet上，不管deal structure里每個人占多少，它本身就是一個罕見的政治事件。

它們在押什么？

答案藏在唐文斌這個人身上，也藏在Atomix的客戶網絡里。

具身原生大模型DM0執行亞毫米級工裝上料任務

原力靈機對外講的是"具身原生大模型DM0""亞毫米級操控""開源框架Dexbotic服務全球千名開發者""與HuggingFace聯合發起RoboChallenge平臺支持全球超8萬次測試"。但這些技術資產對阿里/智譜/商湯來說，核心價值可能不在"誰的模型更強"——畢竟這四家里任何一家都有能力自己做具身方向的研發。

它們的真實訴求更像是買一張實物世界的期權。

具身智能走到2026年中，所有人都看明白了，下一階段的勝負手不在benchmark曲線上，而在誰能把模型權重塞進真實運轉的產線和倉庫里。阿里有云和渠道但沒有自己的物理終端網絡。智譜有模型能力和政企關系但缺物理場景抓手。商湯做SenseRobot做了很多年但始終沒有一個"日均出貨60萬件"的規模化流量入口。

原力靈機×Atomix給了它們一個共同的東西——一個已經在優衣庫和可口可樂倉庫里跑著的、可控的實驗床。

你甚至不需要把這筆投資理解為"它們相信原力靈機的模型天下第一"。理解為"它們在競品之前搶到了一張進入物理AI基礎設施層的聯票"，更符合大廠的行為邏輯。

順便說一句，這種"競品同框投一家"的現象，在歷史上往往標志著一個賽道的敘事已經從"誰的技術牛逼"切換到"誰能先跑通商業閉環"——而這個階段，通常緊接著一輪洗牌。

同一季里，Skild AI干了同一道題

如果你想判斷原力靈機×Atomix到底是天才手筆還是精心包裝的敘事，最好的參照物不在國內，在匹茲堡。

2026年4月15日，估值超140億美元的具身AI明星Skild AI宣布收購Zebra Technologies的機器人自動化業務——也就是曾經的Fetch Robotics，那個在美國倉庫里摸爬滾打了近十年的AMR老兵。Zebra當年花2.9億美元買下Fetch，折騰幾年后發現硬件利潤率撐不住研發burn，在2025年末SEC文件里把這塊標記為disposal，最終被Skild接走。

交易條款沒披露，但Skild CEO Deepak Pathak的話說得直白——他們要的是Fetch/ Zebra留下的車隊、調度平臺Symmetry、客戶關系、和多年現場部署經驗，用來給Skild Brain這個"omni-bodied"通用大腦提供一個真實倉庫作為操場。

這個鏡像關系其實很清晰：

兩邊的底層判斷完全一致：通用具身智能缺的不是算力或參數規模，缺的是"已被授權進入真實物理場景并能持續采數據"的組織形態。純模型公司買不到這個（客戶不會讓你隨便摸），純硬件公司長不出這個（基因不對）。所以要么你自己早年埋了個硬件業務然后把它并購回來，要么你等一個工業巨頭對硬件業務失去耐心時抄底。

Skild那邊的諷刺意味甚至更濃——Zebra花2.9億買Fetch想做"倉儲生態王者"，四年后發現賺不到錢，甩給了一家AI公司當"數據飛輪素材"。

這說明另一件事：硬件本身在具身智能時代未必值錢，值錢的是硬件背后的"場景通道權"——而且這個通道權的有效期，取決于客戶續約合同，不取決于你有多少臺車停在倉庫里。

"可復制性"是這個行業最大的幻覺

每次出一個標志性的deal，就會有一批自媒體和人寫"XX模式將重塑行業"。冷靜點。

原力靈機×Atomix這條路徑，全球范圍內能被有效復制的次數大概是個位數。

原因很實——你得同時滿足（1）有一個成規模的、可合法采數據的物理場景網絡；（2）有一個能寫具身大模型且團隊足夠硬的算法組；（3）這兩個東西能被放進同一家公司而不互相拖死；（4）客戶愿意讓你在它的倉庫里做"模型迭代實驗"而不掀桌子。

這四個條件里，第（1）條就把99%的玩家篩掉了。

物流機器人賽道里能達到Atomix這種"20余國/近百品牌/年營收近十億"量級的獨立公司，兩只手數得過來，而且大多數已經被ABB、極智嘉、?？?、快倉這些大廠/準大廠體系吸納或深度綁定。剩下那些中小集成商？有場景但沒規模，有規模但數據架構一團糟，有數據架構的——客戶合同里寫了不允許第三方拿數據訓練競品模型。

更要命的是第（3）條，這是大多數人低估的部分。模型公司的人和硬件/交付公司的人，進了同一家之后的頭六個月，不是在搞AGI，是在搞誰有權限改PLC參數、誰來決定明天凌晨三點能不能推一個新模型版本到產線上。這類沖突在并購整合中屬于"結構性摩擦力"，你不經歷一次不知道有多磨人。

原力靈機這邊有個天然優勢——兩邊本來就是同一撥人的前后世，從河圖到Atomix再到原力靈機，說白了是分久必合，換了別的純AI團隊去并購一個陌生硬件公司，文化裂縫能把數據飛輪磨成粉末。

所以你看到的結果會是——接下來半年一定會有follow-on deal，有人喊"我們也做模型×場景合并"，但真正能把飛輪轉起來的，可能就那么兩三起。其余的會變成"我們并購后戰略調整中"的新聞。

結語

原力靈機吞掉Atomix這件事，值得認真對待，但它值得認真對待的原因跟公關稿說的恰恰相反。

它的重要性不在于證明了"模型×場景"多么浪漫，而在于它用一次不裝蒜的實操把一個事實拍在了桌面上——具身智能這個賽道里，真正稀缺的資源早就不叫GPU了，是能在別人的倉庫里合法地、持續地、大規模地犯錯并記錄下來的權力。誰拿到這個權力，誰就跳過了一個需要用錢直接砸但砸不到的關卡。

而拿到這個權力的方式，你看，既可以是像Skild那樣等一個工業巨頭對硬件業務心灰意冷后抄底Fetch的殘骸，也可以是像唐文斌這樣，把當年自己在曠視種下的河圖業務等它拆分出去轉一圈，再以"具身大模型公司并購場景公司"的嶄新敘事收回來。

兩種方式都不性感，但都管用。

具身智能的下半場，贏的可能真的既不靠最漂亮的Demo，也不靠最多的參數，而靠誰先把物理世界的實驗許可證握在自己手里，然后把嘴閉上，讓倉庫替它說話。

*本文圖片均來源于網絡