對話原力靈機周而進：模型2.4B就夠用，關鍵是“具身原生”

衡宇 發自 凹非寺
量子位 | 公眾號 QbitAI

一個（暫時）只做具身大腦的公司，拋出了一個只有2.4B參數的具身模型。

目前行業風向標如Physical Intelligence的π 0總計約33億參數，π 0.6的參數量也約莫在50億以上。

在一個甚至連硬件形態都還沒定型的行業里，2.4B參數到底夠不夠用？

這家公司給出的答案是，夠用。

而且足以支撐它實時處理三視角的728x728畫面，推理延遲僅60毫秒；配合強化學習機制，它還能在真機上不斷試錯進化。

這就是具身智能創企原力靈機推出的首個具身原生模型產品DM0。

2.4B的輕量小蛋糕，RTX 5090就能跑。

因為從零訓練以及對具身數采有不同于行業的看法等原因，該公司稱它為“首個具身原生大模型”。

與模型同時發布的還有開源具身原生框架Dexbotic 2.0，以及具身原生量產工作流DFOL。

這具身軟件三件套背后技術路線的操盤手，是原力靈機合伙人、負責大模型的周而進。

他在AI圈早已名聲在外。

周而進現在才33歲，但這人已經在AI領域出名13年了——

早在2013年，深度學習和人工智能還是冷門的時候，大二的曠視實習生周而進就以一作身份，拿下了ICCV 2013的自然環境人臉關鍵點定位比賽（300-W）工業界組冠軍。

但這個傳奇人物的出名比這個時間線更早。

他是信息學競賽NOI、IOI金牌選手，初三就“保送”到了清華；作為清華的學生，他師從電子工程系長聘教授、系主任汪玉。

后來作為曠視12號員工，他屢屢用算法軟件拿下全球第一。

就是這樣一位從AI 1.0時代走出來的少年天才，在去年，他和同為曠視同事的范浩強、汪天才，創業具身智能。

后來前曠視聯合創始人唐文斌也參與其中，擔任CEO。

周而進對我們說，當前具身行業的主流具身模型方案，大多數是VLM+Action Head思路。

也就是說，大模型負責識別和邏輯推理（比如看到冰箱里有牛奶），動作頭負責執行（去抓取牛奶）。

• 這種方法在目前行之有效，但它是一種外掛式方案。

原力靈機想追求一種具身原生路線，強調從數據采集范式、推理方式到控制結構，都應源自物理世界的反饋，而不是數字世界的派生模態。

也確實這么付諸實踐了。

剛提到的模型DM0，就“從底層建模上就將感知、推理、控制整合為閉環，然后通過空間推理思維鏈（Spatial CoT），內生出具身智能”。

DM0的核心是通過多源、多任務、多機型訓練來打通具身智能。

具體的訓練過程，分為三個階段。

第一階段是VLM Train。

團隊從零構建具身原生的多模態模型，將互聯網、智駕和具身多傳感數據融為一體，讓模型天生就理解物理環境，練就扎實的感知基本功。

第二階段是VLA Pre-Train，周而進稱之為“具身能力涌現的關鍵”，分為多任務、多機型訓練和空間推理思維鏈兩條主線。

第三階段是VLA Post-Train。這一步保留了針對特定應用場景的適配能力。

在RoboChallenge大規模真機評測中，DM0拿下了單任務和多任務雙料第一。

這是原力靈機成立以來第一次成體系地發布具身技術產品。

從和周而進的對談里我們發現，原力靈機從模型、工具鏈、量產工作流，方方面面都不停地在講閉環、講具身原生。

在我們與周而進的這次深度對話中，他也圍繞這些關鍵詞給出了更詳細的解讀：

• 為什么要堅持從零訓練而不是微調？
• 空間推理思維鏈是怎么幫助模型應對長程任務？
• “全身全時全域”的數據采集會帶來什么變化？
• 機器人如何逐步走向擁有“社會身份”？
• 以及，為什么必須7×24小時跑起來？為什么要從物流開始做具身？

諸如這些問題，在采訪中都得到了回應。

（以下為對話實錄。在不改變對談者本人原意的基礎上，我們做了部分刪改，以方便閱讀）

對話實錄

關于“具身原生”

量子位：靈機把這次發布的DM0叫做“具身原生大模型”。原生不原生有什么區別？

周而進： 具身智能的核心是構建感知-決策-執行的閉環智能。

在大語言模型范式下，智能主要停留在信息處理層面，比如識別冰箱里有牛奶。

但具身智能不僅要看到牛奶，還要拿起牛奶，找到生產日期，從而判斷牛奶是否過期，實現從數字智能到物理智能的跨越。

量子位：DM0原生在哪里？

周而進：有兩個層面。

第一個是模型訓練本身的起點從零開始。

希望模型從出生的第一天開始，就已經充分理解物理世界，而不是在一個已經被大量互聯網數據塑形過的模型上，后天再去補物理世界的東西。

物理世界在模型初始化階段，會給到非常多非常豐富的反饋，這種反饋如果放到后面再學，本質上是很難補回來的。

互聯網數據當然很重要，它帶來了大量先驗，但我們的理念是，希望模型在一開始就見過真實的空間關系、交互關系，理解人與物理世界是如何對話的。

很多人會覺得，現在已經有很強的通用大模型了，比如直接拿一個語言模型作為基模，再往后堆一些具身數據，好像也能訓出效果。

從工程上看，這條路是走得通的。但我們會覺得，這樣的路徑在認知順序上是有問題的。無論是動物還是人類，最早學會的都是動作，是對物理世界的反應能力，而語言、抽象思維反而是后天逐漸發展出來的。

一個不那么嚴謹的類比，你很難想象一個嬰兒是先學會對話，再學會找奶瓶。

所以我們認為具身模型也應該遵循類似的路徑，從一開始就圍繞物理交互來構建，而不是在一個已經在數字世界訓練好的模型上去嫁接動作能力。

量子位：第二個原生的點呢？

周而進：第二個是數據的理解方式。

今天行業里關于具身數據怎么采、用仿真還是真機，其實分歧非常大。

仿真派和真機派之間爭論了很久，但我們一直覺得用“仿真”還是“真機”來切分本身意義并不大，更像是在給自己貼標簽。

我們的看法是，今天你采集的所有數據，本質上都是合成數據，只是合成程度不同而已。

在仿真器里，任務定義、物理反饋、物理規則，全部是人為構造的，這是高度合成的數據；在真實世界里采數據，看起來瓶子是真的、環境是真的，但任務是不是你定義的？Task instruction是不是人為設定的？物流場景里的流水線是不是人設計的？

從這個角度看，它們本質上都處在一個合成光譜上。

我們更關心的不是用不用仿真，而是應該把數據和算力投向哪里。

我們內部有一個比較明確的判斷，物理確定性強的部分，用算力和仿真去解決；語義模糊、不確定性高的部分，用真實數據去覆蓋。

這也是我們為什么會認為從一開始就把“人、數據、物理世界的交互形式”放進模型設計里非常重要。

如果模型最早接觸到的就是這些東西，它在后續面對不同硬件、不同形態機器人時，學到的是操作邏輯，而不是某一臺機器的電機參數。

量子位：說到不同形態的機器人，資料顯示DM0的訓練特意擴充了不同本體的機器人數據，目前是8種機器人。

周而進：如果模型只見過少數幾種機型，它很容易把“該怎么完成一個任務”和“這臺機器的關節要怎么轉”混在一起。

舉個例子，把水放到某個位置，模型真正應該理解的是伸手、移動、放置這個動作序列，而不是某個關節需要轉多少度。

就像人開車一樣，一個合格的司機不會因為換了一輛車就不會開了。

真正記住的是軌跡和操作邏輯，而不是方向盤的松緊程度。

從這個角度也很容易能理解具身原生是我們的路徑選擇。

關于數據和高/低熵場景

量子位：DM0用的數據來源有3個，分別是互聯網數據、智能輔助駕駛數據和具身智能數據。

周而進：具身模型不是只靠一種數據就能訓出來的。

如果仿真的物理引擎足夠強，能模擬出真實世界的接觸力、摩擦力和碰撞反饋，那么仿真數據的價值就會極大提升。

但在目前的階段，特別是涉及到復雜的觸覺和細微操作時，真實交互產生的硬核數據依然是不可替代的。

而且互聯網數據、自駕數據、具身數據，這三類數據在模型里承擔的角色是完全不同的。

互聯網數據提供的是語言和概念層面的抽象能力，它讓模型理解“什么是什么”；自駕數據提供的是在開放環境中應對長尾事件的經驗；而具身數據填補的是物理交互和接觸這一塊，這是前兩類數據完全無法覆蓋的。

量子位：三者有固定的混合比例嗎？

周而進：沒有，根據實驗結果動態調整。

現在具身數據確實相對少，但隨著采集規模的擴大，它的占比一定會快速上升。

量子位：其中哪種會是未來訓練具身模型的主導類別？

周而進：我們并不認為未來一定是某一種數據占絕對主導。3類數據在不同階段承擔不同權重。

量子位：你們提到“熵在哪里，數據就投向哪里”，這句話怎么理解？

周而進：可以理解為決定數據采集的關鍵變量是環境的可描述性與熵（不確定性）。

最高效的方法一定是“能夠閉環的方法”。

如果數據采回來不能提升模型的泛化能力，或者采回來的全是重復的、低質量的動作，那只是在浪費算力。

我們現在的策略是，先通過模型發現哪些任務是它干不好的，即“熵值高”的地方，然后針對性地去補那部分數據。

這就叫以需定采，讓數據采集也具備反饋閉環。

環境規則明確的場景，數據就是計算的產物。我們可以充分發揮算力可擴展的優勢，通過算力進行狀態空間的探索。

高熵場景充滿不明的語義，人類偏好，還有開放世界的不確定性。這種情況下數據就是經驗的映射，必須依賴真實交互，從多樣經驗中歸納。

簡單說，物理規則簡潔確定的部分用算力生成數據，物理模糊或語義模糊的部分用真機采集，這樣才能解決長尾問題。

關于數據采集方式

量子位：你們的數據采集方式好像很獨特，不只采具身機器人的雙臂動作。

周而進：我們做的是全身全域全時的采集。

量子位：什么是“全身全域全時”？

周而進：全身，指數據采集要包含底盤的移動、軀干的協調以及所有傳感器的反饋。

具身智能是操作與導航的統一，你不能把路走得好和手干得好拆開來看，數據必須包含全身的協同。

全時強調的是數據的連續性和因果鏈。

數據采集不能只拍下某個瞬間，要從意圖產生、路徑規劃到動作執行，甚至是中間出錯、修正的全過程都記錄下來。

正常人類對話，我問你“衛生間在哪”，你手一指，說“在那”。

這個過程中你講了一個方位代詞，又做了一個肢體語言。這些東西其實是我們認為能夠跟人長時間，或者說24小時全時共處的一個機器人他就應該具備的能力。

全域是空間域，相對其他兩個，這個暫時還是一個未來規劃。

量子位：采集這種數據是一開始出發點就這樣，還是走了其它方式最后選擇了一種最work的？

周而進：我們從一開始去做數采的時候，就奔著要把全身的數據、全時間段的數據、全空間場景的數據都給覆蓋了，其實就是奔著一個更通用的目標去做。

都說具身智能具身智能，那人類的全身的數據你是不是都應該采到？

如果我今天只做桌面的雙臂抓取機器人，你好像只要用雙臂就行了。

但真實的人類動作不只有雙臂和雙手的動作。過程中你可能要彎腰，你可能要蹲下；如果要把東西遞出去，需要伸手……需要各種肢體語言。

具身智能的數據不能只關注手部動作，應該要用整體性的、連續的來訓。

量子位：這樣煞費苦心地采集，能帶來什么效果呢？

周而進：全身全時全域的采集是為了應對物理世界的無限長尾。

如果采集不夠全面，模型就會陷入無限打補丁的困境。

關于新發布的具身三件套

量子位：這次除了DM0，你們還發布了一個開源的具身框架Dexbotic2.0，以及解鎖具身應用量產工作流的DFOL。動作不少。

周而進：Dexbotic2.0是我們聯合RLinf一起打造“具身智能領域的PyTorch”。

它采用模塊化架構，視覺編碼器、LLM模塊、動作專家模塊都可以像樂高一樣自由組合。

我們聯合了清華、無問芯穹共建，目標是實現具身操作與導航、模仿學習與強化學習的統一。

DFOL則用來解鎖具身應用量產工作流。

傳統非標自動化擁有極快的節拍和極高的確定性，但靈活性差，難以適應頻繁換線；人工則具備極強的通用能力和高超操作技巧，但是效率低、成本高且穩定性不足。

DFOL正處于這兩者之間最有價值的工作區間，它依托相對通用的硬件，通過強大的學習能力實現快速換線，以模型定義功能，并對復雜多變的輸入具備極強的柔性適應能力。

既能保持較高效率與確定性，又擁有接近人類的靈活性和適應性

我們用三個指標評估它：

• 成功率（接近100%的連續無故障作業）
• 動作質量（毫米級甚至更高的定位精度）
• 節拍（即吞吐率，決定ROI）

關于具身模型的記憶

量子位：DM0模型里面用到了空間推理思維鏈（Spatial CoT），這和大語言模型的推理思維鏈（CoT）的本質區別是什么？

周而進：大語言模型的CoT主要是一維的語義推理，具身智能面臨的挑戰是三維的物理世界。

空間推理的推理核心是“空間”，具備真實操作場景中的空間理解、時序組織與運動控制能力。

面對“收拾一下桌面”這種模糊指令，模型不是直接輸出動作，而是先進行子任務預測與規劃，然后完成物體識別與精確定位。

它必須把視覺特征轉化為精確的空間坐標和軌跡，這是一種空間維度的推演。

量子位：在純文本大模型里，推理錯了可能只是胡言亂語；但物理世界里的動作一旦出錯，可能造成損壞、危險或不可逆的后果。

周而進：對。所以空間推理思維鏈通過“子任務-識別定位-2D軌跡-3D動作映射”的閉環，確保每一步推理都與物理現實對齊。

它模擬“介入世界”后的物理反饋，從而彌合感知與執行之間的斷層。

這類空間推理是DM0模型的設計核心。

量子位：空間推理思維鏈能帶來什么效果？

周而進：結合高分辨率的輸入，他能讓模型在毫米級精度的任務中（如工件擺放）識別微小的位置差異。

沒有這種層層遞進的推理，模型無法學會物體左偏移2毫米意味著什么，但通過空間推理后就能計算并執行這種差異。

普通的CoT無法告訴你杯子向左偏移2毫米意味著什么，但Spatial CoT必須能計算并執行這種差異。

關于7x24運行

量子位：關于數據閉環、物理直覺的形成，還有熵，你都在說“越早越好”。

周而進： 所有人都知道，機器人要上崗要運行，但什么時候跑是一個很現實的問題。有的團隊是先做demo，先做技術，再考慮落地；我們是反過來。

我們一開始就想，這個東西必須7×24小時運行，越早跑起來越好。

只有真實跑起來，才有真實數據。

你的模型再聰明，如果沒有數據回流，它永遠學不會真實場景中的問題；你訓練里沒有的東西，只能靠在跑的時候補回來。

而且越早跑起來，工程的穩定性問題越早暴露，你就能越早修。

今天demo做得再好，一旦你要上崗7×24，你就會發現電源、網絡、攝像頭、支架，甚至天氣、光照，都會出問題。

量子位：原力靈機的模型已經7x24在跑了嗎？

周而進：我們現在已經在多個場地做部署，不是demo式的部署，是7×24的真實運行。

哪怕剛開始成功率不高，也要跑起來。

關于精細操作

量子位：你們把工廠里的物流場景是具身智能應用的重要延伸。

周而進：是的。

量子位：為什么從物流做起？

周而進：具身現在很難說脫離場景，一定得在一個比較明確的場景下面來做這件事情。

我們今天做物流有明確的產線，有明確的上下料的邏輯。

在這個場景上面，先把該干的活干好，然后一步一步去拓展能力。

靈機在物流場景里做了一個輪式雙臂機器人，專門用來做物料分揀。物料分揀實際上非常復雜，物料有柔性的，有剛性的，擺放也很亂，就是在物料箱里隨意堆滿。

要把這些物品一個一個分揀出來，有很多傳統的方法，比如用吸盤。但問題是吸盤對于柔性材料，對于表面不光澤的物體不work，有各種各樣的corner case。

在這樣一個明確且受限的應用場景下，我們的目標是探索能否讓機器人實現24小時不間斷運行，滿足實際需求。

量子位：怎么理解“物流場景非常復雜”？光是聽起來，沒有什么具體的體會。

周而進：很多時候大家會被一些大動作吸引，比如能不能搬箱子、能不能推門、能不能走路。

但真正難的其實是精細動作。

精細動作不是說動作幅度小，而是說對連續狀態變化的控制要求非常高。

比如一個工件的擺放，你肉眼看可能覺得已經放進去了，但對工業來說，差一兩毫米就是失敗。

這種事情如果只是拍視頻是看不出來的，一旦真的放到產線上，就會發現成功率會非常快地掉下來。

量子位：怎么讓具身機器人很好地完成這些精細動作？

周而進：精細動作的前提是精細感知。

如果你的視覺輸入分辨率不夠，模型看到的世界本身就是模糊的，那后面的推理和控制一定是漂的。很多時候模型它根本不知道現在這個工件到底偏了多少。

所以我們在模型設計時，會非?？粗馗叻直媛瘦斎胂碌姆€定性，而不是只追求推理速度或者吞吐。

這又call back了我們反復強調具身原生。其中一個很重要的原因就是精細動作沒辦法靠后期補。

如果模型在最早的訓練階段，從來沒有在高精度、高要求的物理反饋下學過動作，那后面你再加多少規則、加多少工程約束，都會非常吃力。

關于落地場景

量子位：說說你們的落地場景吧。

周而捷：我們挑選的是一個最標準化的場景，就是物流工人坐在工位上面，在物料箱上面做分揀；也有工人是在做物料箱的搬運，他要從這邊的一個AGV把箱子拿起來，然后塞到貨架上面。

也有工人在做打包。比如你買了三瓶可樂，工人要拿一個快遞箱，里面還要墊一些防震的泡沫紙，最后打包好。

這已經涉及到一個人在工廠里面全身的動作：走動、蹲起、手部的靈巧操作……覆蓋的場景非常豐富了。

不過事情要一步一步來解決。我們現在先解鎖的還是靈巧抓取的問題。

量子位：你們怎么看待不同場景的優先級？為什么先做物流，而不是一上來就做家庭之類的其它場景？

周如進：家庭場景確實是讓所有人都非常興奮的終局，但飯得一口一口吃。

我們現在的策略是，首先選一個能夠比較規?；⑶揖邆涓叨瓤蓮椭菩缘膱鼍啊?/p>

這種可復制性包含三個維度。

第一個是商業模式的復制，能不能形成標準化的投入產出比（ROI）？

第二個是施工難度的控制，環境要相對可控，不會像家庭環境那樣極端，復雜多變。

第三個是數據回流量復制， 這是最重要的——我們需要在一個場景里快速跑通閉環，讓數據能成規模地回流，用來喂養模型。

量子位：為什么是這三個維度？

周而進：通過這些場景，我們可以逐步解鎖三個核心能力。

第一是模型的通用能力，第二是硬件的可靠性，第三是把供應鏈和成本打下來。

如果直接進家庭，這三座大山很難同時翻過去。

量子位：不過你剛才提到，“家庭”是“理想的終局場景”？你們的路線圖是什么樣的？

周而進：物流不僅有抓取，還有大量的搬運和環境交互。

從物流開始，先做一些專項能力的產品，進到倉儲環境；等能力穩定了，再逐步推向ToB靠近ToC的場景，比如門店的導流、導客、導購。

最后，當所有的技術、成本、安全性都經過海量驗證后，再往最終的To C家庭方向去走。

這就是我們說的先物流、后家庭，步步為營。

關于世界模型

量子位：DM0在設計中引入了具身空間建模機制，借鑒了世界模型的范式。你們怎么看待世界模型？

周而進：高階世界模型被我們視為提升模型泛化能力和處理復雜長程任務的核心技術支撐。

量子位：你們怎么定義世界模型？

周而進：我們對它的定義跟大家不太一樣。

我們不認為世界模型是一個萬能的、能直接輸出高質量策略的現實仿真器。我們更傾向于它是一種模型內的世界理解方式，它的關鍵點是你有沒有辦法在不執行動作的前提下，推理出這個動作在當前環境下會帶來什么結果。

這個東西才是核心。

如果你每做一個動作都要試一下、都要采一次反饋，那太慢了。

世界模型的意義是讓你在心中模擬一次結果，然后挑最優的那條路徑去做。

量子位：它不是讓你直接輸出結果，而是讓你學會怎么模擬。

周而進：對。

我們現在也在嘗試讓世界模型具備空間和時間上的腦補能力。

就是說，當它看到前幾幀時，它能不能想象出接下來幾幀會發生什么?；蛘哒f，如果我現在想做一個動作，它能不能在執行之前，先預測這個動作在物理世界中可能發生的后果。

我們也會跟DM0這樣的具身模型做結合，讓世界模型的輸出能對動作規劃起到支持作用，但不是說它能獨立解決所有問題。

更像是一個幫助你決策的inner loop，而不是一個萬能planner。

關于終極目標與節奏判斷

量子位：除了落地家庭外，具身智能機器人還有更遙遠的終極目標嗎？

周而進：我覺得具身智能最終一定會走向擁有廣泛社會身份的階段。

但這個過程一定是分階段的。需要成熟可靠的硬件形態，需要模型能用自然語言與人協作完成任務，也需要用戶在心理上形成信任。

量子位：什么叫擁有廣泛的社會身份？

周而進：我們內部討論過一個很有趣的概念，叫“機器人擁有自己的支付寶”。

機器人去執行一個任務，比如去超市幫主人買一瓶水，或者在園區里調用了另一個自動化設備的服務時，它可以具備獨立的支付和結算能力。

這種社會身份的建立，背后需要解決的是機器人的信用體系、支付體系以及責任追溯體系。

未來的具身機器人會像現在的智能手機一樣，是一個社會化接口。擁有支付能力只是第一步，擁有廣泛的社會身份才是它成為真正AGI的標志。

為什么是原力靈機來做這件事？

量子位：早前曠視內部有問“why me”的文化。現在自己出來再創業，你覺得為什么要來做具身這件事？

周而進：第一個我覺得是說，具身這件事，不是你簡單的去踩點數據，或者把互聯網上現在各種的數據整合一下就能夠做出來的。

它涉及到軟件和硬件，尤其是它涉及到海量的跟物理世界的交互。所以我們覺得首先你要有場景。

對我們來說的話，物流其實就是一個非常好的場景。

舉個例子，比如說在物流里面，你說分揀物料它能干，但是你真把機器人搬進去，這后面有很多的事情——對接上層業務系統？加入具身機器人后，你改變了整個流水線的節奏節拍，對吧？你如果東西掉地上了，你有兜底方案嗎？

所有的這些東西，都是這個具身到底能不能進到這個場景里，從而帶來所謂的數據飛輪的前提。

那如果你搞不定這些東西，那你今天只能去工廠里面擺個拍個視頻。

量子位：那為什么是你們這群人來做這件事？

周而進：其實看一家公司能不能成，核心看這幾個要素：模型能力、硬件能力、行業認知和工程落地。

我們團隊的分工非常明確且閉環。

唐文斌是CEO，他不僅有極強的商業敏銳度，更重要的是他能把這幫人聚在一起。

我和汪天才負責基模訓練，我們對大規模參數、多源數據混訓有長期的實戰經驗。

范浩強負責前沿算法探索和軟硬件協同，這是最難的部分。

我們這個組合不是臨時湊的，是經過長期驗證、有默契的組合。

One More Thing

周而進在AI領域真刀真槍做了13年了。

現在遇上新一輪風口，他和昔日同伴們一起再戰具身智能。他說，大家老把AI時代劃分成AI 1.0和AI 2.0時代，聽起來給人一種割裂感。

但其實不是這樣的。身處其中，你是能觀察和感覺到技術的發展的。

因為AI 1.0時代嶄露頭角的時候太過年輕，是少年天才，以至于周而進和范浩強、汪天才等人，放在這一波AI創業隊伍中來，還是非常年輕。

我們問他，你有什么建議給現在的年輕人嗎？不管是搞信奧的還是搞AI的。

周而進皺眉頭想了兩秒，突然哈哈大笑：

• 年輕人才不喜歡聽建議呢！干就完了！

DM0技術報告：

https://dexmal.com/DM0_Tech_Report.pdf