原力灵机获智谱投资：具身智能规模化落地入场券

2025年的具身智能赛道正在上演一场罕见的双轨戏码。一边是实验室里的机器人不断刷新抓取成功率、在各类挑战赛上摘金夺银，模型参数和基准测试的榜单每隔几个月就被改写一次；另一边，真正跑在仓库里的机器人公司却在为每一个百分点的设备稼动率和客户验收合格率反复调优，交付周期一拖再拖。两条轨道的距离，在资本市场最狂热的几个月里甚至越拉越大——直到有人决定把它们强行焊在一起。

原力灵机用一笔战略融资和一次并购，把这道裂缝撕开给整个行业看。这家由旷视科技联合创始人兼CTO唐文斌在2025年3月创立的公司，在不到三个月内完成了从0到近12亿元融资的跃进，最近又吸引了智谱AI入股，同步吞下了年营收近十亿元的物流机器人公司Atomix。当大模型厂商、产业资本、老牌VC罕见地出现在同一张资本方名单上时，这场交易的逻辑已经远不止“融钱”那么简单——它可能正在重新定义具身智能的竞争维度。

在具身智能的商业化共识形成之前，原力灵机的动作等于在宣告一条新路径：与其等模型成熟后再去找场景，不如直接把场景买下来，让模型在真实产线上完成进化。这步棋的风险和野心一样大。

一次并购，把模型和场景焊在了一起

2025年6月，原力灵机宣布完成与物流机器人公司Atomix的战略合并，同步完成新一轮融资，投资方包括金浦资本、元禾璞华、兴证资本、苏州基金、招银国际、厚雪基金、正奇能科、运衡实业等机构。Atomix的前身可以追溯至2016年唐文斌在旷视内部主导的智慧物流与机器人调度业务——河图系统，2024年7月才正式独立运营。从内部孵化到独立再到被反向收购，这条资产轨迹本身就在讲述一个关于“场景资产重新定价”的故事。

这意味着，创立仅三个月的原力灵机，通过并购拿下的不是一家初创试验田，而是一个完整运转的物流自动化业务单元。Atomix的托盘四向车销量位居全球第二，累计服务了优衣库、蜜雪冰城、宁德时代等超过500个项目，年营收近十亿元。在具身智能赛道，绝大多数公司还在为第一个付费客户和第一笔规模收入苦苦挣扎时，原力灵机已经把一个成熟的现金流引擎装进了体系里。

唐文斌对这笔交易有一个高度浓缩的定义：“模型与场景的‘双向奔赴’。”他在接受采访时直言，具身大模型的Scaling必须从人工采集走向产业场景，而Atomix的海量真实数据“正是让飞轮转动起来的燃料”。这番话指向了一个行业症结：目前绝大多数具身智能公司的模型训练数据来自实验室环境或人工遥控采集，离真实产线里的噪声、磨损、异常工况差了十万八千里。实验室里反复调试出的完美抓取轨迹，放到一个粉尘弥漫、货箱变形、光照不均匀的真实仓库里，成功率可能会断崖式下跌。

把场景买进来，等于把数据管道直接接在了产线上。但这里存在一个需要审慎看待的关键断点：合并本身不自动等于数据飞轮已经转起来。Atomix的物流业务以托盘四向车系统为主，其核心运行逻辑是穿梭车在货架间的水平搬运与垂直提升，涉及的是相对标准化的箱式货物流转；而原力灵机押注的“原子任务”是抓取——涉及视觉识别、力觉反馈、灵巧操作等一系列复杂环节。两者在数据模态和算法需求上存在显著差异。合并后能否在真实仓储场景中真正采集到高质量、可持续的Picking数据，让穿梭车系统与抓取模型之间形成有效的数据闭环，仍然取决于双方系统级整合的落地节奏和对实际作业流程的深度改造。这一点，目前还缺乏公开数据来验证。

大模型厂商“会师”，资本用脚投了数据闭环

原力灵机此轮智谱AI入股的具体金额和轮次均未披露，但结合此前几轮融资的阵容来看，这笔出资的符号意义远超资金本身。据多家媒体报道，除A+轮独家领投的阿里巴巴外，智谱AI、阶跃星辰、商汤科技等国内大模型头部厂商均参与了出资，华勤技术、上汽恒旭等产业投资方也在持续加注。需要指出的是，编辑无法确认智谱本轮出资的具体估值、持股比例以及融资轮次的准确命名——不同来源对融资轮次的描述存在分歧，有报道将其归入“新一轮战略融资”，也有信息将其笼统归入与Atomix合并相关的配套融资。

这是大模型赛道竞争者在具身智能领域的一次罕见同框。过去两年，这些公司在语言模型和多模态模型上鏖战不休，从参数规模到benchmark跑分、从开发者生态到企业客户争夺，每一个维度都在激烈对攻。如今它们却把筹码放在同一家机器人公司身上，这背后传递的信号值得深读：投资人用行动表达了一个判断——具身智能的竞争决胜点，不在于谁的语言模型多几个百分点的跑分，而在于谁能率先拿到物理世界的高质量数据闭环。在虚拟世界里训练出的语言能力和推理能力，最终需要通过物理交互来验证和迭代，而谁掌握了真实场景的数据入口，谁就可能掌握下一阶段的模型进化权。

从资本结构看，原力灵机已集齐了三类属性的资金，这种组合在具身智能创投史上几乎没有先例。阿里巴巴代表云和AI基础设施的战略协同——其背后的算力资源和云计算生态可能为原力灵机的大模型训练提供底层支撑；蔚来资本和上汽恒旭指向汽车和高端制造场景，意味着公司在工业场景的横向拓展上有产业方的直接牵引；智谱AI、阶跃星辰等则是大模型技术生态的深度绑定，这些厂商的参与可能既包含对技术路线的认可，也暗含对未来模型能力整合的提前布局。三类资本的同框，说明原力灵机的故事至少在一个维度上说服了不同逻辑的投资人——场景数据确实可能是具身智能的下一个稀缺资源。

全栈技术开源，是真生态还是抢定义权？

原力灵机的技术叙事有一个不断重复的关键词：开源。公司已开源基于PyTorch的VLA工具箱Dexbotic、机器人开源硬件DOS-W1，并发布了全球首个大规模真机评测平台RoboChallenge。根据公开信息，公司自研的端到端多模态具身智能大模型在真机评测中获全球第一，开源框架已经成为众多海内外顶尖院校和研究机构的常用基础设施。这三个组件——软件工具箱、硬件参考设计、评测标准平台——构成了一个从开发、搭建到验证的完整技术栈。

在具身智能还处在拼技术路线的早期阶段，开源是一个颇具侵略性的策略。Dexbotic降低了开发者从零搭建VLA系统的门槛，让研究团队不必重复造轮子，可以直接在其框架上进行算法创新；DOS-W1给出了一个标准化硬件参考设计，让不同实验室的算法可以在相对统一的硬件平台上进行比较；RoboChallenge则试图建立真机评测的事实标准，解决当前具身智能领域“各家自说自话、评测基准碎片化”的痛点。三者叠加的目的很明确：在一个标准尚未确立的市场，让自己的技术栈成为默认选择。如果这个策略成功，原力灵机将不仅仅是一家机器人公司，而可能成为整个具身智能开发生态的底层基础设施提供者。

但这套打法也有不容忽视的代价。编辑推断，开源硬件和软件工具链的长期维护成本是一笔持续性的投入——社区支持、版本迭代、兼容性测试、文档维护，每一项都需要专门的工程团队来支撑。而目前原力灵机的收入引擎Atomix是一家做物流自动化集成的公司，其商业回报周期和交付节奏与开源项目的社区运营逻辑完全不同。物流集成的利润率通常受到硬件成本、现场部署、售后维护等多重挤压，未必能持续补贴面向学术和研究社区的开源项目。从公司目前披露的信息来看，尚未有数据表明Dexbotic或DOS-W1已经产生了可量化的开发者生态网络效应，比如第三方贡献者数量、基于其框架发表的研究成果规模、或从开源社区向商业产品的转化率。开源的故事要成立，需要时间给出证据。

物流分拣的“原子任务”，能不能撑起通用具身大模型的野望？

唐文斌将抓取定义为物理世界的“原子任务”，正如Coding之于大模型，这个定位是整条产品线的核心逻辑。他的判断基于一个朴素但有力的观察：抓取是工业机器人领域最广泛、也最难以泛化的动作类型，涉及视觉感知、力控、路径规划、物体属性理解等一系列复杂环节。如果模型能够在抓取上实现跨场景泛化——在不同的光照条件、物体形状、材质和堆叠状态下都能稳定完成任务——那么理论上向其他操作任务迁移的成功率会更高。所以公司选择从抓取切入，既有产业需求端的考量，也有技术路线的战略选择。

公司即将在6月中旬亮相的仓储物流三级分拣系统，是这个逻辑的首次商业化试水。与此同时，原力灵机还预告了下一代大模型、首款通用机器人和全新的应用基础设施将在未来几个月密集发布。这些产品的推出节奏显示，公司并不打算只在物流场景里做优化，而是希望以分拣系统为起点，逐步向更广泛的通用操作场景延伸。

但需要冷静看待的是，从仓储分拣到“通用具身大模型”之间横亘着一条巨大的迁移鸿沟。Atomix的场景优势集中在相对结构化的仓内环境——货架位置固定、物品种类有限、作业流程标准化、环境干扰可控。在这种场景下表现优异的模型，换到一个非结构化的家庭环境或医疗场景中，面对完全不可预知的物体、动态变化的空间布局和复杂的人机交互需求，泛化能力能否保持是巨大的未知数。编辑无法确认分拣系统在这个场景中的泛化能力能否平滑迁移到那些不确定性高得多的环境中。公司目前也尚未披露自研通用机器人的硬件形态及目标应用场景——是面向工业的人形机器人，还是面向服务的移动操作平台，抑或是其他形态，都没有明确信息。在这些信息浮出水面之前，“通用”两个字的含金量还需要打一个问号。

唐文斌的连续创业路径，和一笔未说透的资产剥离

原力灵机的创始团队是旷视科技的原班人马。唐文斌曾是旷视联合创始人兼CTO，长期主导AI视觉和机器人调度系统的技术研发，在旷视内部推动了从纯视觉算法向软硬一体智能系统的战略转型。Atomix的河图系统正是当年旷视内部孵化的物流业务——2016年在旷视体系内萌芽，2024年7月正式独立运营，2025年又被创始团队反向收购并入原力灵机。这条路径在创投圈并不陌生：大公司内部的创新业务发展成熟后，或者独立融资寻求更大的战略自由度，或者被创始团队重新打包重组以实现价值释放。

但在具身智能行业，原力灵机的做法是反过来的——先创立一家纯粹的模型公司，搭建一个轻资产的AI研发平台，再把已经独立出去的场景资产反向收购回来。这种操作的优点是显而易见的：模型不需要从零开始积累行业数据，不需要花三五年时间去一家一家地啃客户、攒场景、磨交付，而是直接获得了一个成熟运转的业务单元和它的全部数据资产。但缺点也同样突出：合并后如何整合两个团队的基因，避免沦为“项目公司”的估值逻辑，考验才刚刚开始。模型公司追求的是技术突破和长期通用能力，团队节奏相对灵活；物流集成公司面对的是客户交付节点、验收标准和售后承诺，团队文化天然偏重执行和稳定。两种基因在同一家公司里共存，管理难度不容小觑。

从股东结构来看，原力灵机的投资人名单已经足够豪华，在具身智能赛道属于第一梯队。君联资本、启明创投、九坤创投在天使轮入局——2025年3月完成2亿元天使轮融资；蔚来资本在A轮领投，洪泰基金、联想创投、锡创投和正景基金跟投，老股东君联资本超额追投、启明创投和九坤创投追投；阿里巴巴在A+轮以独家投资方身份完成数亿元融资；战略合并轮加入了金浦资本、元禾璞华、苏州基金等国资和产业背景的机构。三轮融资总额，有来源称为近12亿元（含2亿元天使轮），也有说法将A轮和A+轮合并统计为近10亿元。不同口径间的差异源于是否将天使轮单独计算，但无论哪种统计方式，这笔融资规模在具身智能赛道都相当可观。值得注意的是，从天使轮到战略合并轮，仅仅历时约三个月，这种融资密度和速度在硬件属性极强的机器人行业里极为罕见。

资金去向明确，但商业化验证仍需时间

公司在官方表述中称，获融资资金“主要用于具身智能机器人软、硬件技术研发与落地”。结合产品发布计划看，这笔钱至少要同时支撑三个方向：下一代大模型的训练与迭代——这需要持续投入大规模算力资源和顶尖人才；首款通用机器人的硬件研发——从结构设计、传感器选型、供应链搭建到量产准备，整个硬件开发周期通常以年为单位计算；以及仓储物流三级分拣系统的工程落地和客户交付——这意味着要同时维护一个面向B端客户的项目交付团队。三个方向分别对应着不同的资源需求节奏和风险特征。

这里存在一个待验证的商业化假设。Atomix的年营收近十亿元给了原力灵机一张非常扎实的现金流底牌——在资本寒冬里，有稳定营收的场景资产本身就是稀缺的。但物流自动化集成本身是一个重交付、长周期、低毛利的生意。项目的交付周期可能长达数月甚至跨年，期间需要垫付大量硬件采购成本和现场部署人力，验收款的回收又往往取决于客户的内部流程和业务节奏。当公司试图在这条业务线之外新增大模型和通用机器人两条研发型曲线时，整体利润结构和资金消耗速度会发生什么变化？大模型研发烧的是算力和人才，属于典型的固定成本密集型投入；通用机器人硬件则把物流集成的重资产属性再放大一个量级——开模、备料、测试、认证，每一项都需要真金白银。目前缺乏公开数据可以支撑一个量化判断，但从业务属性来看，三类业务的资源需求差异巨大：物流集成拼的是工程效率和供应链管理，大模型研发拼的是算法突破和算力储备，通用机器人硬件则是两者通吃。

行业显影：具身智能在2025年拐了一个弯

如果把时间轴拉长，原力灵机的并购案例可能成为2025年具身智能行业转折的一个标志性事件。在此之前，主流的叙事是“技术驱动”——大模型能力外溢到机器人领域，创业者赌的是算法先在实验室做到足够好，再去产业里找落地场景。这是典型的硅谷式创业逻辑，也是过去两年大量具身智能初创公司写进融资BP里的核心故事。但这个故事的软肋在过去半年逐渐暴露：没有真实数据反哺，没有产线环境里的长周期打磨，模型能力的提升迟早撞上天花板。实验室里的成功率再高，也替代不了在客户现场被各种极端工况反复锤炼后积累的工程经验。

原力灵机走了另一条路。它不是技术最强的那一家——行业里还有几家在模型架构和算法创新上同样激进的公司；不是融资最多的那一家——国际市场上单轮融资金额更高的具身智能项目并非没有；也不是场景最大的那一家——物流自动化领域有体量更大的系统集成商。但它是目前唯一一家同时把“大模型全栈自研”和“年营收十亿元物流业务”组装进同一家公司架构的具身智能企业。这种组合的爆发力在于，产线数据和模型训练之间没有了组织墙和商业墙——数据采集、标注、训练、部署、反馈可以在一家公司内部形成闭环，不需要跨公司的商务谈判、数据授权和安全合规流程。而风险也恰恰在于此——两条赛道的逻辑互相拉扯时，管理团队有没有能力让飞轮真的转起来而不是相互拖累。物流业务追求稳定交付和客户满意度，模型研发追求快速迭代和前沿突破，两者在资源分配、人才激励、考核周期上都存在天然张力。平衡得好，这就是一条从未有人走过但想象空间巨大的新路；平衡不好，两条业务线可能互相消耗，最终谁也没有跑到终点。

RecodeX 极客视点：2025年的具身智能融资已进入“拼刺刀”阶段。原力灵机的路径选择——用并购强行合拢模型与场景的断层——在资本市场上赢得了罕见的跨阵营押注，但也把自己推上了一条没有参照物的路。这套打法的胜负手不在融资额的多少，而在接下来12个月里，物流产线上采集的数据能不能真正灌进大模型的训练管道，模型在真实场景中的泛化能力能不能被量化验证，以及首款通用机器人交出的是工程师手上的demo还是可量产的SKU。能跑通，它就是定义赛道的人；跑不通，这个故事仍然是估值泡沫的又一页注脚。