对话原力灵机范浩强：为什么要用机器人「建造长城」？
在刚刚落幕的2024世界人工智能大会（WAIC）上，原力灵机（Original Force）展台前那座由机器人搭建的“微缩长城”引发了广泛关注。这并非一次简单的科技表演，而是一场精心设计的系统化能力展示。
原力灵机联合创始人范浩强在接受采访时指出，这座长城背后所体现的精细操作、错误恢复与多机协同能力，正是具身智能从实验室走向真实工厂产线的关键门槛。
一、 积木长城：一场关于“异常流”的压力测试
1. 展示背后的工业逻辑
原力灵机选择用积木搭建长城作为展示形式，其核心目的在于降低理解门槛，同时映射真实的工业生产逻辑。
- 形式上：积木是通用认知工具，观众易于理解。
- 逻辑上：搭建过程涵盖了上料、装配、质检、下料及异常恢复等完整环节，与工厂流水线高度一致。
- 能力验证：该系统展示了具身智能的三大核心能力——精细操作、错误恢复、多机协作。
2. 亚毫米级精度与多模态感知
此次展示的长城模型长达3.5米，宽1.5米，由近8.2万块微型积木拼搭而成。其技术难点在于极高的精度要求：
- 组件尺寸：最小组件不到1厘米宽。
- 拼装精度：进入亚毫米区间，超越了人手自然抖动的极限。
- 感知方案：由于在最终接触瞬间视觉无法分辨偏移，系统在执行末端安装了六维力传感器，结合关节电流推断受力状态，决定继续压制或停止。
3. 核心挑战：异常流处理与错误恢复
相比精度，真正耗时最多的是异常流（Error Flow）的处理。
- 工业现实：产线更看重机器人在出错后能否自我调整并恢复运行，而非追求完美无缺。百分之几的废品率可接受，但停线损失巨大。
- 自然错误 vs. 人为干扰：
- 人为制造：如改变光线、推挤物品，未必反映真实工况。
- 自然产生：如积木本身的公差、拼装偏差导致零件崩落至随机位置，这类错误难以预演。
原力灵机的解决方案是通过大量采集真实失败场景数据，配合强化学习（RL），让模型从自身运行分布中学习。
二、 技术架构：具身原生模型与数据飞轮
1. DM0.5 具身通用基础模型
支撑上述能力的是原力灵机的具身通用基础模型 DM0.5。其关键技术指标包括：
| 技术指标 | 参数/描述 |
|---|---|
| 任务记忆 | 引入历史关键帧，实现分钟级记忆 |
| 时序推理 | 训练中扩展了时序推理能力 |
| 推理速度 | 单卡 RTX 4090 上达到 10Hz |
| 高频输出 | 保障 12 秒一次的更新频率 |
| 多模态集成 | 将视觉、力觉等多模态信号集成进同一模型 |
2. 数据策略：“地球是最好的模拟器”
尽管拥有仿真数据，范浩强强调真机数据的重要性：
- 成本考量：在GPU中模拟一次的成本和能耗可能高于真实操作。
- 数据来源：训练数据主要来自真机遥操作，每月可采集数万小时真实操作数据。
- DW0.5 世界模型：扮演后训练环境角色，通过帧级绑定和密集反馈机制加速学习过程。
3. 多机协同与调度
- 硬件配置：4台桌面机械臂 + 2台轮式机器人 Apex。
- 分工：桌面机械臂负责精细拼接；Apex负责上料、搬运和巡视。
- 调度中枢：由一个Agent完成整体调度，该Agent直接调用了阶跃星辰最新的大模型进行任务分解和原子技能调用。
三、 产业落地：做“零碎活”的柔性专家
1. 任务泛化能力
原力灵机的具身模型以原子性动作（如一拿、一放、一塞、一拉）为学习单元。新任务到来时，模型可进行子任务拆解和重新组合。
- 案例：牙膏包装场景中，面对不同数量、不同尺寸盒子的需求，模型无需重新编程，只需理解新指令并调整子任务排列。
- 本质：许多工业任务本质上是 Pick and Place 的变体（如物流分拣、工业上下料、装配等）。
2. 差异化定位：聚焦“线头线尾”
原力灵机明确避开了流水线中间的高频节拍环节（非标自动化更具经济性），转而聚焦于“线头线尾”的零碎活：
- 典型场景：料盘更换、材料卷上新、不同批次产品的差异化包装。
- 优势：这些动作难以用固定自动化设备实现，占地面积大且稼动率低，恰好发挥机器人的柔性优势。
3. 硬件设计与多场景拓展
- Apex 机器人设计：采用圆润亲切的外观设计，降低一线操作人员的心理压迫感，提升信任度。
- 全栈算法能力：导航摄像头安装在左右两侧而非传统前后位置，体现了算法对硬件布局的高自由度适配能力。
- 商业进展：除工业外，已拓展至商业场景，沃尔玛、优衣库等品牌已接洽试用。
四、 团队基因与研发哲学
1. 旷视背景与技术传承
原力灵机由旷视联合创始人、前CTO唐文斌创立，核心团队均来自旷视核心研究院。范浩强本人是旷视时期的资深技术骨干，团队自 ResNet 时代起便积累深厚的视觉模型研究经验。
2. “具身原生”理念：不站队，重实效
针对业界 VLA 模型与世界模型的技术路线之争，原力灵机持实用主义态度：
- 观点：这如同争论轮子和激光雷达谁更重要，两者均为必要组件。
- 方法论：提出“具身原生模型”概念，核心逻辑是“有用的技术都用”，进行还原论式思考，提炼技术本质后再应用。
3. 系统化工程能力
原力灵机将数据、算法、系统视为三大要素，其中数据排在首位：
- 数据：第一位，决定能力的上限。
- 算法：决定数据充分时的能力发挥程度。
- 系统：决定算法表现的最终呈现。
4. 产品节奏与开源策略
2024年原力灵机动作迅速：
- 2月：发布 DM0 模型。
- 7月：在 Action2026 开发者大会上一口气推出 DM0.5、Apex 本体、DFOL2.0、MaaS、DexOS 三件套。
- 开源：开源 Dexbotic 2.0 一站式 VLA 开发框架及 DM0/DM0.5/DW0.5 系列模型权重与代码，展示其在底层基建上的投入。
五、 结语
WAIC 上的积木长城竣工，标志着原力灵机在模型、系统、场景三个维度上的初步成型。与仅展示单一泛化能力（如叠衣服、做咖啡）不同，原力灵机通过一条完整作业流的长时间稳定运转，证明了其系统化能力。
对于具身智能行业而言，从 Demo 到产线的跨越，关键在于解决真实世界中的非结构化异常与柔性作业需求。原力灵机选择从“线头线尾”切入，利用全栈自研能力和数据飞轮效应，正试图穿越具身智能的技术与产业周期。
下一步，这些能力将从展台迁移至真正的工厂，解决更复杂的工业问题。