从概念到场景，再从场景到商业闭环，具身智能赛道正在经历一场深层范式切换。当多数团队还在实验室里比拼抓取成功率小数点后两位时，真正的竞争已经转移到谁能率先在真实世界里建立起可持续运转的数据飞轮。
消息来自行业一线 发自 凹非寺
当具身智能行业还在密集PoC、卷demo、拼概念时，原力灵机先把答案押向了一个具体动作。
Picking。
这家公司刚刚宣布，通过股权并购方式完成与物流机器人公司Atomix的合并，将模型能力与真实场景合为一体。
与此同时，中国头部大模型公司也用真金白银表达了对这一路线的认可——智谱、阶跃星辰、商汤、阿里共同押注原力灵机新一轮融资，形成了一次罕见的集体押注。
资本不会无缘无故聚集。
当行业还在争论具身智能的第一落地场景该选谁，原力灵机已经用一次合并和一轮顶级资方阵容给出了自己的答案。
原力灵机创始人兼CEO唐文斌把这个判断概括成一句话：
Picking，就是具身智能的Coding。
这不由得让人追问：
Picking之于具身智能，真的会像Coding之于大模型吗？
要理解这个判断，需回到Coding成为大模型基石的逻辑原点。
除“技能”属性外，Coding提供了可规模化训练和验证的闭环，使模型能力持续迭代生长。
于是，Coding成为了大模型时代公认的原子任务。
Anthropic正是在这一原子任务上建立了鲜明辨识度，树立行业技术优势，资本市场同时用一路走高的估值对其给出了实打实的认可。
要获得真正通用的智能，具身机器人同样需要这样一个基础性的原子任务。
从大模型数据成长逻辑反向拆解，这项理想任务需满足四层约束：
- 高频，持续产生数据；
- 真实，补全仿真缺失的物理细节；
- 可验证，成功与失败可被系统记录；
- 可迁移，不局限单一封闭场景。
最后，不要忘了通用！通用啊朋友们！
在唐文斌看来，Picking不仅满足上述标准，更有三点优势。
首先，Picking能产生规模化高质量真实数据。
具身数据极度稀缺，物流仓储是已被验证的理想场景。
它任务边界清晰，SKU极度多样，原生素材源源不断。
全球物流仓库每天产生上亿次真实抓取动作，Picking作为该场景最高频、最核心的动作，自然成为数据汇集的核心入口。
其次，Picking有可验证的成功信号。
机器人把包裹从A点移到B点，成败清晰可判。
即便存在瑕疵，也可细分为抓取失败、掉落、放置偏差、识别错误、路径规划失败等。
反馈信号越清楚，模型越容易改进。
最后，Picking能向其他任务迁移。
表面看，Picking只是从A处挪到B处的简单动作；在具身训练维度，它却是高度浓缩的物理命题。
一次顺利抓取串联起感知预判、运动决策、伺服控制与全链路反馈。抓取的本质——手眼协调、力控与空间理解——覆盖了绝大多数操作任务的底层基础。
只要模型吃透多工况下灵活抓放的逻辑，分拣装箱、居家劳作、精密装配乃至更多开放环境作业，都能沿此衍生拓展。
依托数据、反馈与能力迁移的统一逻辑，Picking之于具身智能，恰恰正如Coding之于大模型。
进入2026年，具身智能行业逐渐走出混沌期，竞争焦点顺理成章从“Benchmark”转向“Business”。
“具身智能必须走出demo，在产线上接受ROI验证”成为大家的共识。
Picking这个原子任务的价值由此格外凸显。
它足够具体，可嵌入真实场景，每天产生海量任务，成本收益可计算，失败样本可直接回炉训练——这正是行业最缺的东西。
具身智能则难度更高，因为物理数据采集门槛远高于互联网文本。
谁能低成本、大规模获取真实数据并形成闭环，谁就能掌握主动权。
但并非所有场景都适合启动数据飞轮。
家庭环境太开放，任务边界太散，容错率也低；传统工业场景高度结构化，很多任务已经被专机和自动化产线解决，而且泛化能力的锻炼有限。
那Picking到底该从哪里开始？
物流，尤其是消费品仓储和分拣，恰好卡在绝佳平衡点——比家庭场景更可控，又比传统工业场景更长尾——天然成为孕育Picking数据飞轮的沃土。
海量网购订单催生几十万种SKU，包裹形态五花八门，流水线全天候运转，抓取需求高频稳定；更关键的是，劳动力缺口真实存在，客户有痛点、有预算。
这一逻辑已在全球范围内被验证。
Skild AI、Physical Intelligence、Figure AI等海外玩家早早锚定仓储，依托真实分拣场景快速积累数据，迭代速度远超深耕小众场景的同行。
原力灵机与Atomix的合并，正是在这个逻辑下最具战略纵深的一步棋（不要简单把这件事看成一家模型公司和一家场景公司合并在一起）。
Atomix深耕物流分拣场景多年，拥有成熟的客户网络、真实的仓储部署经验和持续运转的产线。
原力灵机自研的DM0具身原生大模型，突破了单机独立训练的老旧模式，依托多源数据联合训练、跨机型通用预训练技术，能够把散落在各地仓库、不同机型机械臂上的零散抓取数据，凝练为通用性更强的实操能力。
最丰富的Picking矿场，遇上能合并消化海量异构数据的模型底座，场景与技术双向奔赴。
合并之后，场景侧每天产生的海量真实Picking数据，直接灌入模型侧进行迭代；模型变强之后，又能反哺更多仓库、更多机型。
这条从数据到模型、再从模型到场景的闭环，在一个组织体内自然流转，不再需要跨越公司边界去外部合作调度了。
原本处于“合作关系”的两家公司，现在合并为同一家公司后，数据飞轮就成了“内生机制”。
再说回Coding。
Coding之所以能成为大模型时代的原子任务，关键原因之一是它让大模型拥有了一个可持续运转的数据飞轮。
代码生成、运行、报错、修改、再运行，每一步都有反馈，每一次失败都能沉淀为下一轮优化素材。
海量真实开发任务不断产生数据，数据反过来推动模型能力提升，模型能力提升后又进入更多开发场景。
唐文斌所说的Picking时刻，对具身智能的意义也是如此。
它不只是让模型进入物流场景，更关键的是，具身数据第一次有机会从采集型数据，走向场景型数据飞轮。
数据太少、太贵、太难规模化，这些一直以来是具身智能行业长期面临问题。
为了训练具身机器人，企业往往需要专门搭建采集环境，安排人员遥操作，设计任务流程，再把数据清洗成模型可用的格式。
这类数据当然有价值，但它本质上是为了训练而采。
采一次，多一批数据；不采，就没有新增数据，说白了这个模式下数据增长依赖人工组织、设备投入和项目预算，很难自然积累。
Picking则把数据产生嵌进了真实业务现场。
具身机器人在仓库里完成分拣、抓取、搬运，本身就是一次生产任务。只要任务持续发生，数据就会持续产生。
抓取成功、抓取失败、掉落、误识别、放置偏差、路径卡顿、节拍变化，都可以被系统记录下来，成为模型继续优化的素材。
数据不再只是专门设置环节额外采出来的训练材料，而是从真实场景中自然流出来的生产副产物。
这一步很关键。
只有数据生成和真实业务绑定在一起，具身智能才可能真正形成飞轮。
任务越多，数据越多；数据越多，模型越强；模型越强，机器人完成任务的稳定性和效率越高；效率越高，机器人就能进入更多仓库、覆盖更多SKU、处理更多复杂情况，新的数据又会继续回流。
所以Picking的价值不只是解决了模型进场景的问题。
它更像是一个支点，撬动一切资源，把模型、机器人、场景和数据归拢到一条更顺畅的管线内。
此次原力灵机和Atomix的合并，也可以放在这个框架里理解。两者合并，真实任务入口、机器人执行系统和模型迭代能力就被放进同一条链路里了。
另外，大模型公司已经在Coding上见过这套逻辑的威力。
所以智谱、阶跃、商汤、阿里等大模型玩家集体押注，看中的并不只是一个物流机器人项目，而是一个可能率先跑通的物理世界数据飞轮。
任何Demo都只能证明机器人能做好“这一次”，Picking飞轮要证明的是机器人能越做越好——这才是唐文斌所说Picking就是具身智能Coding的真正含义。
再往后看，具身智能赛道可以施展拳脚的地方其实远比Picking广阔得多。
Picking自然不是行业终点，更不会是具身智能的全部。
但它是飞轮的支点，是数据范式转型的起爆点，是从实验室走向真实世界的分水岭。
谁先在Picking上跑通真实世界的数据飞轮，谁就拿到了具身智能下半场的入场券。
