原力无限签约落地大渡口 建具身大脑实景实训中心

分析师/海霞

校对/Tina

2026年9月3日，在“智汇大渡口 算启新未来”大渡口区人工智能重点项目合作签约仪式上，原力无限科技控股（浙江）有限公司（以下简称“原力无限”）签约落地大渡口。同场签约的，还有国内GPU四小龙之一的沐曦股份。这个新闻在业内引发热议，原力无限凭借顶尖的“具身大脑”成为重庆市的“掌上明珠”。

据悉，原力无限将在重庆建设实景实训全场景应用研发中心。同时，原力无限将联动本地场景、数据、算力与产业资源——从真实生产现场获得数据，以属地算力支撑模型训练，通过实景实训持续提升具身大脑能力，再将经过验证的模型与机器人能力应用于当地产业。

这件事的意义不在签约本身，它把一个问题推到台前：当机器人的“身体”逐渐成熟，什么决定它的智能上限过过去，市场讨论机器人，关注自由度、负载、速度、成本、产能。这些指标回答的是：机器人能不能动、能搬多重、跑多快。但下一阶段，真正决定机器人能力边界的是另一组问题：能否理解任务？能否理解物理世界？能否从经验中持续获得新能力？能否跨任务、跨场景、跨本体迁移？

2026年上半年，国内具身智能赛道融资总额约935亿元，是去年同期的五倍。但资金流向正在发生结构性变化：以具身大脑为核心业务的公司吸纳了更多融资。资本在用真金白银宣告一个判断：机器人下半场，由大脑说了算。

具身大脑不是本体的控制系统，而是机器人的感知、理解、决策、动作生成与持续学习系统。本体决定机器人能不能动，大脑决定机器人能不能一直学会新东西。它正在成为具身智能中独立且重要的核心层级。

当大脑成为决定智能上限的核心层级，重庆成了一个值得细看的样本。

重庆不缺制造业，也不缺机器人产业基础。重庆拥有全国41个工业大类中的39个，覆盖全部31个制造业大类。汽车、电子信息、装备制造等产业基础雄厚，丰富的工业门类形成了大量复杂、多元的真实生产环境。但真正的问题是：随着智能化浪潮来袭，这些场景中的机器人，能不能快速学会新任务？

要回答这个问题，必须先厘清本体与大脑在产业链中的不同位置。

本体是机器人的物理载体，解决的是“能不能动、能搬多重、跑多快”，核心指标是自由度、负载、速度、成本、产能。大脑是机器人的智能系统，解决的是“能不能理解任务、能不能适应环境、能不能持续学会新东西”。两者不是替代关系，而是分层关系：本体是执行层，大脑是决策与进化层。

分层之后，产业价值逻辑就清楚了。本体的价值在交付那一刻基本确定——一台机器人出厂时具备什么能力，后续很难大幅改变。大脑的价值则在使用过程中不断累积——机器人进入真实场景后，每一次运行都在产生新数据、暴露新问题、形成新能力。本体是一次性的硬件资产，大脑是持续进化的能力资产。

这也解释了为什么重庆需要具身大脑企业。重庆制造业场景对新工厂、新产线、新SKU、新任务的适应速度要求极高。如果只有本体，机器人只能完成预设任务；有了具身大脑，机器人才能理解新任务、适应新环境、持续进化。重庆引入原力无限，决定的不是重庆能生产多少台机器人，而是这些机器人进入汽车、电子、物流、商业服务等场景后，能不能快速学会新任务。

对本体的评价，看的是出厂参数；对大脑的评价，看的是部署后的学习与进化效率。本体拼的是制造能力，大脑拼的是数据闭环、模型迭代和持续学习能力。重庆拥有中国最完整、最复杂的制造业体系之一，恰恰是检验具身大脑“学习效率”的最佳场地。

工业体系的复杂，不在于行业多，而在于任务永远在变。

重庆工业体系中的典型场景，是对具身大脑的连续考试。汽车及零部件制造有物料搬运、上下料、分拣、装配、质检、柔性生产；电子信息制造有精细操作、多SKU处理、动态任务切换；物流仓储有拣选、搬运、料箱操作、补货、异常处理；商业及城市服务面对复杂开放环境下的感知、理解、任务规划与执行。这些场景的共同点是：任务不是固定的，而是持续变化的。

以汽车及零部件制造为例，这种“持续变化”体现得最典型。一款新车型导入，意味着新的零部件形状、新的装配顺序、新的质检标准；产线换型，意味着机器人要重新适应节拍、工位和物料摆放；即使是同一款车型，不同批次的来料也可能存在位置偏差、表面差异。传统产线上的机器人靠预先编程和固定工装完成作业，一旦上述任一环节变化，就需要工程师重新示教、调整夹具、修改程序。换一条产线，往往意味着一次高成本的工程改造。更关键的是，汽车零部件种类繁多，同一产线上可能混线生产多种型号，机器人需要识别不同工件、切换不同动作，传统编程方式很难穷举所有情况。

这就是“学会一件新事代价太高、速度太慢”的典型场景。

具身大脑要解决的正是这个问题。仍以汽车零部件制造为例：面对新车型导入，机器人不再依赖工程师逐点示教，而是通过持续学习VLA理解新工件的形状与装配要求，通过因果世界模型推演抓取、移动、放置过程中的物理约束，通过真实数据体系把产线运行中遇到的新零件、新偏差、新异常转化为可学习的数据，回流到训练系统。获得新能力不再是“重新编程一遍”，而是在真实运行中持续积累、快速迭代。换产线、换车型、换工件，学习成本和时间都大幅下降。

行业已经有了一些可观察的实践。中国一汽自主研发的轮臂机器人已在总装车间完成玻璃水壶拣选配送、后悬架螺栓拧紧任务，在焊接车间完成焊接零件上件任务。这些任务的共同特征不是固定重复，而是需要机器人在真实产线中识别不同工件、适应不同工位、完成不同动作。

由此，衡量具身大脑的核心指标就清楚了：能力生成效率。面对一个从未做过的新任务，需要多少数据、多少训练、多少时间和多少人工干预，才能让机器人真正学会并稳定执行？这个指标比单次Demo成功率更接近产业现实。

而能力生成效率的背后，是持续进化能力——部署之后还能继续学习，新失败、新任务、新环境能快速进入训练系统并转化为新能力。这才是具身大脑区别于传统机器人控制系统的根本，也是它能在复杂工业体系中规模化落地的关键。

原力无限的重点不是单点模型或单一Demo，而是围绕AtomBrain建设“模型—数据—闭环”的系统能力。这套系统最终指向同一个目标：让机器人真正理解物理世界，并在真实世界中持续获得新的能力。

模型层，AtomBrain以因果世界模型为核心技术路线。原力无限也是全球首个提出以因果世界模型作为具身大脑核心路线的公司。这背后是原力无限对具身智能的一项长期判断：机器人的智能上限，很大程度上取决于它对物理世界的理解深度。

随着机器人逐渐进入开放、复杂的真实环境，感知、规划和动作执行只是基础。更深一层的能力，在于建立对物理世界的内部认知，理解动作、状态与结果之间的因果关系，并据此完成预测、推演和决策。

因果世界模型由此成为AtomBrain的技术核心。

传统世界模型侧重预测未来状态，因果世界模型进一步关注未来如何被改变、结果为何发生。机器人由此能够从大量经验中建立更稳定的物理规律认知，并将这些认知迁移到新的任务和环境中。

从预测世界走向理解世界，是原力无限对下一代具身大脑的核心判断。

沿着这条路线，原力无限进一步将因果关系深入到表征层。通过将因果相似度注入latent state与latent action，使状态与动作的内部表征具备因果结构，再由Transformer的注意力机制捕捉其中的因果动态。

相比常见的架构层因果注入，这一路径更加深入模型的底层表征。因果关系由此进入机器人理解世界的方式本身。这也是原力无限在因果世界模型方向建立的关键技术壁垒。

最终，这些能力汇入AtomBrain，支撑机器人在真实世界中的任务理解、世界预测、精细操作、泛化迁移、异常恢复与持续学习。面对新的任务、新的环境甚至不同机器人本体，同一套具身大脑能够不断调用和迁移已经形成的世界认知，降低新能力的学习成本。这也解释了原力无限为什么始终把“具身大脑”放在公司技术体系的中心。

身体决定机器人进入物理世界的方式，大脑决定机器人理解世界的深度。

原力无限希望建立的AtomBrain，最终是一套能够跨任务、跨场景、跨本体持续进化的智能核心。随着对物理世界理解不断加深，机器人的能力边界随之扩展，新能力的生成速度也将持续提升。

数据层，DataGrid持续为AtomBrain提供来自真实世界的经验。围绕Ego第一人称数据，原力无限将真实任务转化为可被模型学习的物理交互数据，并打通采集、质检清洗、自动化标注、真值生成、模型训练、真机部署和数据回流。

具身智能的数据天然来自物理世界，采集成本高、规模化难，不同本体之间的数据也存在较高迁移门槛。原力无限进一步探索Ego数据的规模化生产，通过第一人称视角获取大量真实的人类操作经验，并通过自动化数据管线转化为AtomBrain的训练资源。对物理世界理解得越深，首先需要见过足够丰富的真实世界。

闭环层，从研究到真实世界。判断具身大脑能力，不能只看Benchmark或实验室Demo。模型需要进入真实机器人、真实任务和真实产业环境，通过运行产生新数据，重新进入训练系统。由此形成闭环：真实世界经验→数据→模型训练→能力生成→真机部署→新经验回流。目前原力无限相关产品已在全国30+城市、100+真实场景持续运行。

三层不是并列关系，而是咬合关系。模型决定能学什么，数据决定拿什么学，闭环决定能不能持续学。三者缺一，具身大脑就无法从项目制交付走向持续进化。具身大脑的护城河，不在一次训练，而在每一次真实运行后的回流。

过去评价机器人企业，指标来自本体：自由度、负载、速度、成本——这些参数在出厂那一刻就基本确定，后续很难大幅改变。但评价一家具身大脑企业，这套坐标系不够用了，因为大脑的价值不在交付那一刻，而在部署之后每一次运行中累积的能力。

目前，行业正在形成七个维度的共识。这七个维度不是凭空提出的，而是从过去两年具身智能落地实践中逐步沉淀而来。

第一，基础模型能力。是否拥有自主研发的VLA、World Model或Foundation Model，是否具备任务理解、规划、动作生成和物理世界建模能力，这是具身大脑的技术底座。当前路线来看，Physical Intelligence以π0系列确立了VLA路线，在超过10000小时的遥操作数据上完成预训练；Google DeepMind从RT-2起步，证明视觉语言模型与机器人动作结合的可行性；NVIDIA从底层平台切入，Cosmos 3将物理推理、世界生成和动作生成整合在一个开源模型中。国内企业中，银河通用走“大脑—小脑—神经控制”端到端架构，智平方迭代至类脑VLA架构NeuroVLA，自变量发布WALL-B世界统一模型架构。

第二，真实世界数据能力。这是当前行业最大的瓶颈。据研报数据，截至2026年初，全球高质量真实物理交互数据总量仅约50万小时，而训练通用具身模型至少需要1000万小时，当前数据量不足实际需求的5%。没有数据，模型迭代就是无源之水。

不同企业的数据路线差异很大。Physical Intelligence依赖遥操作采集，π0的训练需要大量的遥操作数据，成本高、规模受限于硬件部署数量。“合成仿真数据为主、真机数据为辅”的路线最大的难点在于仿真与实际情况有很大的差异，其训练结果很难满足模型或真机训练的需求。而自变量、星源智等也在各自的数据体系上持续投入。另一条路线是以Ego第一人称数据为核心——让机器人学的是“我看到什么、动了会有什么结果”，采集成本更低、场景更丰富、规模扩展不依赖于硬件部署数量。目前，原力无限正围绕Ego数据构建的数据基础设施，打通采集、清洗、标注、真值生成、训练、部署和回流全链条，打造持续学习的真正底座；同时牵头发起GB/Z《具身智能众包数据采集和纳管技术规范》。作为首个国家级具身智能数据规范，它不仅填补了具身智能众包数据采集与纳管的标准空白，也为 Ego 数据路线的规模化、规范化和生态协同提供了关键制度支撑。

第三，持续学习能力。模型部署之后能否继续学习，新的失败案例、新任务、新环境能否快速进入训练系统并转化为新能力。这是区分“传统机器人控制系统”和“具身大脑”的核心指标。传统控制系统部署即定型，遇到新情况只能靠工程师重新编程。具身大脑需要在运行中持续进化。

行业里真正把“持续学习”作为核心技术目标并投入系统性科研的团队并不多。有团队在2026年围绕“遗忘”难题提出了全新解决方案——机器人学会新任务之后，不能把旧任务忘了，这正是持续学习最核心的技术难点。这类底层突破的意义，不在于短期产品指标，而在于决定具身大脑能否从“项目制交付”走向“持续进化”。

第四，跨任务、跨场景、跨本体泛化能力。具身大脑是否高度绑定单一本体或单一任务。Google DeepMind的Gemini Robotics 1.5通过运动迁移实现了多形态泛化；星源智的具身大脑算力平台T5已批量搭载于智元精灵G2工业机器人，强调端侧部署和算力自研；原力无限的产品已覆盖AstroDroid和UltraDroid等不同本体形态，在全国30余个城市、100余个真实场景中推进落地验证。跨本体适配不是一次性的工程改造，而是数据体系本身的设计目标——Ego数据不依赖特定硬件，不同本体可以共享同一套数据基础设施。

第五，科研原创能力。是否具备持续提出原创问题、形成原创方法的能力，是判断具身大脑企业技术纵深的重要标准。Physical Intelligence、Google DeepMind等全球头部团队，都保持着高强度的底层研究投入。

而国内的“科研狂魔”显然是原力无限，其科研成果在国内具身大脑企业中处于断层领先的优势。截至目前，原力无限已在ICLR、ICML、ECCV、IROS、AAAI、TPAMI等顶会顶刊发表18篇论文，围绕具身基础模型、持续学习、强化学习、世界模型与因果推理形成了系统性的科研布局。代表性成果中，AtomVLA在LIBERO取得97%的成功率并入选IROS 2026；AIM在RoboTwin 2.0取得93.1%的平均成功率；SAM3D在LIBERO达到99.1%，多项成果刷新权威Benchmark成绩。

更重要的是，这些研究正在逐步汇入同一条技术主线：从持续学习、真实世界经验，到因果世界模型，最终服务于AtomBrain对物理世界的理解与持续进化。科研成果不止停留在Paper和榜单上，而是在不断抬高原力无限具身大脑的能力上限。

第六，工程化能力。很多团队的模型在实验室表现不错，一到真实场景就出问题——仿真环境成功率89.4%，真实场景可能跌到12%。工程化能力的差距，决定了技术能否转化为产品。面对这一问题，原力无限团队则从另一个角度解决工程化问题：把采集硬件、数据处理、自动标注、训练接口和真机验证放进同一套体系，前端漏掉的轨迹和状态变化可以在回流环节被捕获和修正。这不是一个单点模型，而是一套端到端的基础设施。

第七，真实产业验证。 这是检验前面六个维度的最终标准。Physical Intelligence的π0在多种机器人平台上展示了先进性能，但商业化落地仍在早期阶段。比如银河通用累计出货上千台；智平方已在半导体显示、汽车制造、生物制药等领域规模化落地。

在这七个维度之上，有一个更尖锐的判断指标：面对一个机器人从未做过的新任务，一家公司需要多少数据、多少训练、多少时间和多少人工干预，才能让机器人真正学会并稳定执行？这个“能力生成效率”，比单纯比较某一次Demo成功率，更接近具身大脑企业的长期竞争力。

七个维度、一个核心指标，指向的是同一个问题：具身大脑的壁垒，不在一次训练，而在每一次真实运行后的回流。

从目前的行业格局来看，海外企业在基础模型架构创新和资本密度上领先，但商业化落地普遍慢于国内。国内企业在真实产业场景密度、数据获取和工程化落地方面具有优势，但在基础模型原创性上仍在追赶。

七个维度拆开来看各有侧重，最终考验的却是一家企业能否形成完整的技术系统。

放到全球坐标系中，具身大脑仍处在技术路线快速演进的阶段。Physical Intelligence、Google DeepMind以及中国的一批具身智能企业，都在从不同方向逼近同一个目标：让机器人获得更强的通用智能与物理世界理解能力。路线尚未收敛，也意味着下一阶段的领先者仍有机会重新定义技术范式。

原力无限以AtomBrain为核心，向下连接因果世界模型与原创科研，向外连接DataGrid与真实世界场景。模型、数据、科研和真实部署开始相互咬合之后，具身大脑才真正具备持续进化的基础。

重庆拥有中国最完整、最复杂的制造业体系之一。汽车、电子、装备制造、物流等大量真实场景，本质上构成了一个巨大的物理世界训练场。对具身大脑企业而言，真实产业环境既是技术落地场，也是数据产生场和能力验证场。

原力无限进入重庆，可以形成一条更完整的产业闭环：产业场景开放→真实任务产生→数据沉淀→模型训练→能力升级→机器人重新进入产业→产生新的数据与任务。

此次签约，原力无限将联动本地场景、数据、算力及产业资源，推动真实生产数据、模型训练、实景验证与产业应用进一步衔接。原力无限定位为集研发、生产、销售、运营于一体，将建设具身智能机器人本体研发中心、Ego数采设备组装生产线、具身本体多模态数据采集中心、具身智能大脑模型训练中心等设施，并与北京、深圳研发力量形成协同。

如果这条闭环持续运转，重庆对于原力无限的意义就不仅是一座新的城市，它将成为AtomBrain进入大规模真实产业环境、持续获得经验并验证新能力的重要节点。

具身智能进入下一阶段，衡量一家企业的维度也在发生变化。机器人已经学会多少任务固然重要，更重要的问题开始出现：获得下一项新能力，需要多久？

这就是“进化速率”。

当真实场景不断产生新的经验，新的经验进入模型，模型再带着新的能力回到产业，具身大脑才真正拥有持续进化的可能。

具身智能正在经历最热闹的几年。

模型、机器人、融资、订单、发布会密集出现，新公司和新概念不断涌入。热度推动了行业向前，也不可避免地带来了噪声。

但技术最终要回到真实世界。

一台机器人能不能在产线上稳定运行，一个模型能不能真正解决新的任务，一套技术能不能进入城市、工厂和产业，并在那里持续产生价值，这些事情很慢，也很难，却构成了具身智能真正向前走的每一步。

这个行业始终需要一批真正做事的企业。

它们愿意把时间投入底层技术，把机器人放进真实场景，把一次次运行、失败、数据回流和模型迭代，变成下一次能力增长。它们服务一家工厂、进入一座城市、解决一个具体问题，也在一点点推动中国具身智能产业向前。

具身智能是一条长坡厚雪的路。

这条路既需要对技术前沿的想象，也需要对真实产业的耐心；既需要不断向上探索智能的边界，也需要有人愿意向下扎进数据、工程和场景。

从这个角度再看重庆的落地，它的意义也超出了一个项目本身。一家具身智能企业真正进入一座城市，最终留下的应该是技术能力、产业能力，以及能够继续生长的价值。

机器人会越来越多，身体也会越来越成熟。真正拉开差距的，最终还是大脑，以及大脑持续进化的速度。

抛开噪音，让真正做事的企业成长，让技术真正进入产业、服务城市、创造价值——这或许才是具身智能这场长坡厚雪里，最值得期待的事情。