Coding 成就了 Claude，Picking 将成就具身智能。当仓库里日均 60 万次抓取变成模型训练燃料，通用具身智能的指数增长就开始了。
最近两个月，全球具身智能赛道接连发生了两起极具风向标意义的产业整合。
4 月 15 日，硅谷具身智能明星公司 Skild AI 宣布收购 Zebra Technologies 旗下的机器人自动化业务（即行业熟知的 Fetch Robotics）。
6 月 5 日，国内具身智能头部企业原力灵机也正式宣布与全球化物流机器人公司 Atomix 完成合并。
仔细梳理就会发现，这两起横跨海内外的商业事件并非孤立存在。
它们在同一时间段的选择，清晰地指向了同一个行业终局判断：
具身智能的下半场，不会在实验室里发生，而是在以物流为代表的真实产业场景中自我涌现。
大模型时代的「coding 时刻」
回看上一轮生成式大模型的进化轨迹，有一个事实容易被忽略 ——最强的几个大模型，都把 coding 做到了顶级。
Anthropic 的 Claude 是这一轮里 coding 能力公认最强的模型之一。Anthropic 也因此成为今天地表最贵的 AI 公司之一。
表面看，coding 不过是一项「应用能力」，但只要稍微深一层就会发现，它远不止是一项能力。
coding 之所以重要，是因为它同时满足了三个条件：
第一，它有规模化、高质量的真实数据。
GitHub 上有数十亿行真实代码，有提交、有 review、有测试、有缺陷修复 —— 这是一座 AI 训练史上从未有过的「天然金矿」。
第二，它有可验证的成功信号。
代码能不能跑通、测试能不能通过、bug 有没有修复 —— 这些都是机器自己就能判断的客观信号。模型可以反复在这种「环境反馈」里强化学习，自我提升。
第三，它能向其他能力迁移。
模型在 coding 上学到的结构化推理、多步骤规划、抽象思维，会自然渗透到 reasoning、agent、tool-use、planning 等几乎所有下游能力。
coding 是大模型整体能力的引擎，不是一项孤立的功能。
这三个条件加在一起，coding 就成了大模型时代的「原子任务」—— 谁先解锁它，谁就拿到了整个上层能力树的钥匙。
今天，具身智能正在等自己的 coding 时刻。
Picking，就是具身智能的 Coding
从具身行业场景来看，具身智能那个核心的原子任务，可能是 picking。
将一个物体从 A 点准确移动到 B 点，看似平淡无奇，但在物理世界中，picking 拥有与 coding 完全相同的底层结构：
第一，picking 有规模化、高质量的真实数据。
全球的物流仓库每天产生上亿次真实抓取动作 —— 每一次抓取的对象、姿态、力度、成功与否，都是天然的标注数据。这种数据规模，实验室里再多年的研究也产生不了。
第二，picking 有可验证的成功信号。
东西被抓起来了吗？放对位置了吗？盒子有没有损坏？系统当场就能判断。和 coding 一样，这是机器人能在真实世界里跑强化学习的稀缺场景。
第三，picking 能向其他任务迁移。
一旦模型真正理解了「用任意末端，以任意姿态，在任意环境下，稳定地把任意物体从 A 移到 B」，装配、分拣、家务、协作、医疗辅助 —— 几乎所有需要手部动作的任务，都会沿着同一根能力主干生长出来。
Picking 不是物流的专属能力，它是具身智能整体能力的引擎。
因此，谁能率先在 picking 上跑通真实世界的数据飞轮，谁就可能拿到通用具身智能下半场的入场券。
Skild AI 给出了硅谷的答案
4 月 15 日，Skild AI 用一次收购给出了它对这件事的回答。
被收购的是 Zebra Technologies 旗下的机器人自动化业务，也就是行业里更熟悉的名字 —— Fetch Robotics。
Fetch 是过去十年里在美国仓库部署经验最厚的机器人公司之一，Skild AI 同时拿到了它的 Symmetry Fulfillment 调度平台、客户网络、和多年的现场部署能力。
Skild AI 的逻辑很清楚：它有一颗叫 Skild Brain 的「omnibodied AI」，目标是用同一个大脑控制各种形态的机器人 —— 人形抓取、机器狗巡检、机械臂打包、AMR 搬运。
Skild AI 的 CEO Deepak Pathak 在公开声明里表示：Skild 选择 Zebra，是因为 Zebra 团队带来了「多年的真实部署经验」。
Skild 要做的，就是把 hardware-agnostic 的基础模型，装进真实运行的仓库里。
这和原力灵机一直在做的事是一样的。
原力灵机的两条线
本来就在为同一件事跑
原力灵机的两家机器人公司，一个主攻通用具身大模型与本体智能；Atomix 则主攻物流场景下的机器人规模化落地。
模型需要真实场景的数据持续喂养，才能在物理世界里真正变强；场景需要更聪明的大脑去驱动，才能突破现有自动化的天花板。
合并的逻辑变得非常清晰：模型与场景的双向奔赴，让数据飞轮真正转起来。
Atomix 每天在全球超 20 个国家、500 多个项目里跑出来的真实数据，直接成为原力灵机模型训练的燃料。
原力灵机训练出来的 DM 系列模型，直接武装原力聚合每一台机器人的智能上限。
模型变强，机器人更聪明；机器人更聪明，数据越好；数据越好，模型继续变强 —— 这是一个闭环。
这个闭环转起来的那一刻，具身智能就开始进入它真正的指数增长阶段。
据了解，合并后原力灵机会沿着已经领先的方向继续往前 —— 把通用具身大模型做到全球最强，把「具身原生」这条范式坚持到底。
DM0 已经在真机综合评测中位列全球第一，下一代模型预计将在 7 月发布。
原力聚合的物流业务，会用合并之后更强的大脑武装每一台机器人，推上新的增长曲线。
Atomix 已经在 20+ 国家完成 500+ 项目交付，服务超过 60 个全球品牌，日均出货 60 万+ 件 —— 这是中国具身智能赛道目前最大、最真实的物流 picking 数据源。
Skild AI 与原力灵机
殊途同归的解题思路
回到海内外两家具身公司的两次「合体」——
Skild AI 在 4 月 15 日补上了 Fetch Robotics 的部署经验和 Symmetry 调度平台。
原力灵机在 6 周后用合并把 Atomix 的全球网络装进了同一家公司。
这两家公司的战略交汇，并非简单的「软件补硬件」或「模型买场景」，而是为了构建一个让大模型和物理世界深度融合的「场景型数据飞轮」：
模型能力提升 —— 机器人泛化更强 —— 场景出货效率更高 —— 涌现更优质的 picking 数据 —— 模型变强。
一种新的全球标准正在浮现：具身智能不是一个「算法竞赛」，而是一个「模型 × 场景 × 全球化」的综合工程。
一家公司如果只在其中一项上领先，迟早会被更全面的对手超越。
Skild × Zebra 的合并，验证了这一点。原力灵机和 Atomix 的合并，也正在验证这一点。
未来三到五年，相信全球具身智能赛道会继续看到类似的整合，而且越来越多。
因为单独跑模型的公司、单独跑硬件的公司、单独跑场景的公司，都在等待一次「合体」。
原力灵机和 Skild 只是先做了这件事，后面会有第三家、第四家、第五家。
走向物理世界的智能终局
让机器人真正走进每一座工厂、每一个仓库，乃至最终走进每一个家庭，让物理世界拥有通用智能，是一场长达 10 年甚至 20 年的产业长跑。
在这场长跑中，「Picking 时刻」的到来，为具身大模型划定了最清晰的进化路线。
随着场景型数据飞轮的正式轰鸣，通用具身智能打破虚实边界的进程，或许将比行业预期的还要更快到来。
本文来自转载新智元 ，观点仅代表作者本人，发现AI平台仅提供信息存储空间服务。
如若转载，请联系原作者；如有侵权，请联系编辑删除。
微信扫一扫 
