原力灵机汪天才：具身应瞄准自动化与人类之外的40%份额
发布时间：
2026-08-26 21:26:25
“具身要取代的是传统自动化做不掉的高柔性、高泛化工位，而非与自动化硬碰硬。目前，工业场景中除去自动化已占有的50%和人类需要接管的约10%，具身可定位的市场份额约为40%。”
公司情报专家《财经涂鸦》获悉，近日，“智造现场·具身智能的工业试炼”论坛在2026世界机器人大会（2026WRC）期间举办。
原力灵机联合创始人汪天才在论坛圆桌对话环节中指出，在通用模型还是垂类模型的选择上，通用模型的持续迭代终将带动产业上下游“普涨”，后训练代价将越来越小。
公开资料显示，原力灵机（Dexmal）成立于2025年3月，是一家面向通用具身智能的科技公司，致力于打造智能、有用、可信赖的机器人。公司率先提出“具身原生”理念。旗下Atomix为国内领先的AI原生柔性仓储方案提供商，已交付500多个项目，服务覆盖全球20多个国家和地区。
公司研发团队兼具顶尖学术背景以及超过10年的AI原生产品落地经验，是少有的同时具备CV和大模型经验创始团队的具身智能初创公司。
据天眼查APP，原力灵机融资节奏颇为密集。
2025年3月，公司完成2亿元天使轮融资，获得九坤创投、启明创投、君联资本等机构投资；同年8月、11月接连落地数亿元A轮、A+轮融资，A轮阵容汇集联想创投、蔚来资本等多家机构，A+轮引入阿里巴巴入局。
2026年4月，公司完成B轮融资，6月进一步推进C轮融资，B轮、C轮具体金额未对外披露，C轮阶段阿里巴巴、启明创投持续跟投，同时新增商汤科技、智谱AI等产业资本加持，产业与财务投资方持续加码。
具身机器人能渗透的份额约为40%
谈及目前具身机器人的渗透率，汪天才坦言，目前整个垂类场景中，具身的渗透率并不高。
“原力灵机有一套具身智能落地系统理念 ，名为Ferrata。这套理念的核心是，在当前有50%工位已被自动化替代的情况下，具身机器人能够覆盖的范围大约为40%，可高可低。剩余的5%-10%则需要由人类接管。”
他认为，就目前而言，期望模型端到端替代自动化的部分，成本是不划算的；而如果要完全取代10%的人来，模型能力又不具备。基于40%的目标份额测算，未来，自动化、具身机器人和人类将是混合工作的状态。
基于此，在切入场景方面，原力灵机选择的亦是“传统自动化取代不了”的部分。汪天才表示，该部分中，哪些工位自动化无法完成，是比较直观的，比如“需要泛化性、高柔性”的工位。
2026年6月5日，原力灵机曾宣布通过股权并购方式完成与物流机器人公司Atomix（原力聚合）的合并，这是国内具身智能赛道首个“模型公司×场景公司”的深度整合。
物流场景中，表面平滑、形状规则的商品非常适合用吸盘吸引，吸盘能覆盖的比例大约为50%。但有些场景吸盘无法很好地解决，比如正常的矿泉水瓶，表面不平滑且有缝隙，对于吸盘来讲很容易漏气，还有袋装商品等。
这些不适合吸盘的工位，就更适合具身夹爪。
“另外，从ROI的角度讲，客户产线的新旧程度也很重要。如果是老产线，可能就不太容易进去，因为涉及到改造成本；一些新建的产线反而比较容易接纳具身进入。”汪天才强调。
通用模型迭代将带动下游各类场景「普涨」
谈及通用模型与垂类模型的路径，汪天才表示，非常赞同“以通用模型为基座”这一观点。
“我们做一个通用模型，短期内可能很难在某些点上超过一个专有模型。但不能低估数据驱动逻辑带来的价值。通用模型前期的增长斜率可能确实不够陡峭，但一旦通过数据驱动达到某个临界点，后面的加速度会快得多。”
他强调，还有一个非常重要的关注点是，通用模型的目的不是为了某一个场景，也不是把直接把效果拉到100%。随着版本的迭代，它会带来下游各类场景能力和效果的普涨。
另外，通用模型做得越好，后训练的代价就会越来越小。原力灵机也因此改变了业务模式。
“以前我们是以业务为单位，接到客户订单后，一单一单去做。但这一波最核心的改变是，通过一个通用模型底座，能够以一批场景去解决问题。这推动我们的业务模式从解决某一个业务订单的问题进化为解决一批场景的问题。”
且这个过程中，通用模型做得越好，后续的链路就会越短，“我们面向专项场景的数据需求就会越少。”
汪天才提到，Generalist AI近期发布的GEN-1.5便是一个有效例证。GEN-1.5主张Video Prompting，可以实现约5分钟数据做10步梯度更新，10 项任务平均成功率83%，部分任务能到99%；单样本物理提示，只用一段3–12秒示范视频、不更新权重，10项任务平均成功率59%。
“所以，我觉得我们应当把握住这样的趋势，用一个通用模型来解锁一批场景。”他总结道。
相关新闻
数据瓶颈的误判与系统效能的底层逻辑很多人以为，自动化装配系统的效能提升必然依赖海量数据输入，当系统抛出“没有更多数据了”的错误提示时，便判定其已触及性能天花板。其实不然——这一错误本质是数据流管理失效的表征，而非系统能力的物理极限。在工业4.0架构中，数据并非越多越好，其有效性取决于三个关键维度：数据粒度、时序同步性与决策链闭环性。案例：慕尼黑工业博览会上的“数据饥饿”陷阱2023年慕尼黑工业博览
数据孤岛效应下的系统熵增危机很多人以为自动化装配系统的数据阈值仅受硬件存储容量限制，其实不然。在德国斯图加特某汽车零部件制造商的案例中，其2023年投产的智能产线因传感器数据流超载，导致PLC控制单元在47分钟内产生23次非计划停机。该产线配置了128组力觉传感器与32组视觉检测模块，原始数据生成速率达每秒1.2TB，远超工业以太网协议规定的100Mbps有效带宽。底层逻辑是：现代装配系统普遍采用
数据阈值：自动化装配的隐形边界很多人以为，自动化装配的精度仅由机械臂的重复定位精度决定，其实不然。在工业4.0的语境下，数据阈值才是决定系统稳定性的关键变量。当传感器采集的原始数据超过预设阈值时，系统会触发容错机制，这种机制的本质是数学模型与物理现实的动态博弈。以某德系汽车零部件供应商的案例为例：其位于巴伐利亚州的工厂曾因传感器数据波动导致装配线停机率上升12%。问题根源并非机械故障，而是阈值设定
数据瓶颈的底层逻辑：并非“量”的终结，而是“质”的觉醒很多人以为，自动化装配的数据瓶颈源于数据采集的物理限制或存储容量的技术天花板，其实不然。当系统抛出“没有更多数据了”的报错时，真正的矛盾往往隐藏在数据维度单一性、标注效率低下或算法泛化能力不足的底层逻辑中。以汽车底盘焊接产线为例，某头部车企曾因依赖单一传感器数据源，导致装配误差率在0.3mm阈值处频繁波动——看似数据量充足，实则缺乏多模态数据融
当自动化装配系统遭遇数据瓶颈：解码“没有更多数据了”背后的技术真相
数据断流：自动化装配的“隐形刹车”很多人以为，自动化装配系统的效率瓶颈仅存在于机械臂的重复定位精度或PLC的响应速度，其实不然。当系统抛出"{"error":"没有更多数据了"}"的报错时，暴露的往往是数据流架构的深层缺陷——这并非简单的存储容量问题，而是工业物联网（IIoT）与数字孪生（Digital Twin）协同失效的典型症状。底层逻辑：数据供应链的断
深圳市物联网产业协会成功举办《24小时自助图书馆通用规范》团体标准评审会
【导语】2019 年深圳市物联网产业协会发布的《24 小时自助图书馆通用规范》部分指标落后且引用文件有更新，不利行业发展。为此协(xié)会(huì)于(yú) 2024 年(nián) 11 月(yuè)启(qǐ)动(dòng)修(xiū)订(dìng)立(lì)项(xiàng)，2025 年(nián) 10 月(yuè) 30 日(rì)召(zhào)开(kāi)评(píng)审(shěn)
全球智能视觉处理芯片龙头冲刺港交所：光环之下，何以冲破增长枷锁？
【导语】近日，智能视觉处理芯片龙头富瀚微递交港交所招股书，吹响“A+H”双上市号角。其虽在全球市场占据领先地位，但2022 - 2025年上半年营收、净利、毛利率均逐年下滑。不过，富瀚微注重研发创新，积极拓展AI新业务版图。此次赴港上市，能否助力其突破瓶颈、续写传奇，值得期待(dài)。 近(jìn)日(rì)，智(zhì)能视觉处理芯片龙头富瀚微正式向港交所递交了招股书，吹响“
国家发改委等五部门：探索推动具身智能机器人进社区、进家庭，到 2027 年底建成 50 个以上全域数字化转型城市
【导语】10月31日，国家发展改革委等五部门发布《深化智慧城市发展推进全域数字化转型行动计划》，提出到2027年底建成50个以上全域数(shù)字(zì)化(huà)转(zhuǎn)型(xíng)城(chéng)市(shì)，2035年(nián)涌(yǒng)现(xiàn)一(yī)批(pī)具(jù)有(yǒu)国(guó)际(jì)竞(jìng)争(zhēng)力(lì)的(de)现(xià
2025深圳安博会：大公博创揽三奖 低空安防技术引国内外媒体聚焦
【导语】2025年10月28日至31日，第二十届中国国际社会公共安全博览会在深圳启幕。成都大公博创信息技术有限(xiàn)公(gōng)司(sī)携(xié)全系(xì)列(liè)低(dī)空(kōng)安(ān)防(fáng)设(shè)备(bèi)参(cān)展(zhǎn)，凭(píng)借(jiè)三(sān)项(xiàng)权(quán)威(wēi)大(dà)奖(jiǎng)、全栈(zh
【导语】中国电信率先公开展示业内首个“北斗语音消息”服务，首创 AI 算法实现语音极速传输；与此同时，华为也在第四届北斗峰会上发布相关功能，其手(shǒu)表(biǎo)成(chéng)首(shǒu)款(kuǎn)支(zhī)持(chí)终(zhōng)端(duān)，北(běi)斗(dòu)应(yīng)用(yòng)再(zài)掀(xiān)新(xīn)篇(piān)。 据(jù