具身智能未来布局：技术路线与产业链协同之路

“过去大家总在争论该用哪个大模型来改进机器人，但我们选择直接跳出这个框架——我们思考的是更深层的问题：为什么非要改造现有模型？为什么不能从一开始就为机器人量身定制代码？”

2月10日，在北京中关村展示中心举办的“具身原生”技术开放日活动上，原力灵机联合创始人兼CEO唐文斌提出了他的观点。他认为，2026年并非具身智能的“元年”，而是“具身原生”理念真正开始落地的关键年份。

当天，原力灵机正式发布了三大核心成果：原生大模型DM0、原生开发框架Dexbotic 2.0，以及面向应用量产的具身工作流DFOL。

据介绍，DM0是一款从零开始训练、专为物理世界交互设计的大模型。它融合了多模态互联网数据与真实场景（如驾驶、操作、导航）中的多传感器信息，在24亿参数规模下实现了高智能密度。该模型支持768×768高分辨率输入，并具备60毫秒实时推理延迟，在RoboChallenge真机评测中夺得单任务与多任务双项第一。同时，DM0全面开源，支持在消费级显卡上微调部署。

在“Physical AI Next”圆桌论坛上，唐文斌与来自学界及企业的多位专家展开深度对话，共同探讨具身智能的发展现状与未来路径。

面对“具身智能下一步卡在哪”的提问，北京智源人工智能研究院院长王仲远坦言，尽管硬件和模型进步迅速，但距离具身领域的“ChatGPT时刻”仍很遥远，离大规模应用仍有巨大差距。目前技术路线尚未收敛，无论是“VLM+控制”、端到端VLA，还是世界模型，都处于探索阶段。他强调，行业需通过真实场景积累数据，形成闭环，再逐步解决泛化问题。

清华大学教授汪玉从基础设施的角度指出，当前机器人任务仍局限在“工作台”范畴。要完成整理房间这类长程跨模态任务，不仅需要模型突破，也可能需要环境本身的协同，比如建筑是否应为机器人生活而设计。他同时指出，中国在产业链、供应链上具备优势，产学研联动也逐渐增多，有望比美国在具身层面有更快突破。

阶跃星辰CEO姜大昕表示，具身智能的“ChatGPT时刻”比语言模型更难定义，其泛化维度多元（场景、任务、目标），且视觉编码、3D空间推理等基础问题仍待突破。但ChatGPT时刻的标志性信号就是零样本泛化，“给它任何一条指令，即使以前没有见过，它也可以回答出问题”。

星海圈CEO高继扬指出，具身智能产业链链条远长于大模型，涉及零部件、数据、算法等多个环节。其中，供应链和零部件其实很不成熟，渠道和终端跟大语言模型有所不同，算法反而是传播最快的，得益于开源社区，第一梯队公司的算法传播周期在2-3个月。“2026年是智能爆发年，爆发的结果一定在某些应用领域形成应用的外溢，而且同时配合了供应链和整机。尤其中国，显著比美国强得多，周期快5-10倍，成本只有五到十分之一，今年会是发生变化的一年。”

唐文斌则表示，他心中的ChatGPT时刻，是在限定场景中真正有用、可依赖、ROI可算，把玩具变成工具。他认为，“目前在仓库、工厂里打螺丝，可能闭环之后大众并不能感知到，也许DeepSeek时刻可能全民都能感受到这个产品来到我们的身边”，如何能够从工业物流走向商用、走向ToC（消费者端），这个时刻还要再晚一些，“今天我们对它的错误容忍度体验要求更多，我觉得也不会太远”。

当前，具身智能正站在迈向产业落地的关键拐点，然而跨越实验室到千行百业的鸿沟，仍需多重突破。机器人何时能从视频里的“无所不能”走向现实中的“稳定可用”，2026年或许正是关键起点。