当通用大模型开始进入机器人的决策系统，具身智能的技术边界正在重新划定。原力无限首席科学家陈佳玉认为，机器人大脑仍有大量尚未解决的基础问题。从因果世界模型到50项真机持续学习任务，从第一人称数据到真实场景中的失败恢复，一家聚集了年轻科学家的中国具身智能公司，正在尝试给出自己的答案。
作者｜周悦
编辑｜栗子
2026年10月，具身智能行业又一次感受到了来自通用大模型的压力。
随着GPT-6 Astra等模型能力的提升，一个过去常被机器人公司视为核心竞争力的方向，开始面临重新估价：任务规划。
让机器人理解指令、拆解任务、规划步骤，曾经是具身智能研究的重要组成部分。如今，通用大模型在推理、记忆与智能体能力上的进步，正在改变这部分工作的技术经济性。
对于那些押注机器人大脑的创业公司，这不是一个轻松的话题。
但原力无限（INFIFORCE）首席科学家陈佳玉的反应相当直接。“我个人预测的话，GPT-6 Astra就是会把Planner那块全部会给吃掉的。”近期，陈佳玉接受「甲子光年」专访，他甚至已经决定，不再继续投入团队此前研究过的部分高层记忆机制。“如果通用模型能够把这件事做得足够好，具身智能公司就没有必要重复造轮子”。
这番话出自一位长期研究强化学习、分层决策和世界模型的科学家，多少有些耐人寻味。
陈佳玉本科毕业于北京大学，在普渡大学获得博士学位，随后赴卡内基梅隆大学从事博士后研究。如今，他是香港大学助理教授、Agentic Intelligence Lab负责人，也是原力无限的首席科学家。
他的研究成果横跨NeurIPS、ICML、ICLR、IJCAI、ICRA等国际重要人工智能与机器人学术会议。按照一般的技术叙事，一位科学家应该尽可能强调自己研究方向的不可替代性。
陈佳玉却愿意承认：有些问题，可能已经不值得自己继续做了。
但他并不担心机器人研究因此失去意义。在他看来，通用AI越强，具身智能真正困难的部分反而越清楚。
一个模型可以理解“把衣服从洗衣机里取出来”的指令，可以把任务拆解得井井有条，甚至能够解释每一步为什么要这么做。
但当机械臂真的伸进滚筒，抓住一团湿漉漉、缠在一起的衣服时，所有漂亮的规划都要接受物理世界的检验。
衣服会滑落，布料会形变，接触位置稍有偏差，下一步动作就可能失效。
机器人还得足够快。“执行的时候，就是要又快又好。”陈佳玉说。这恰好是原力无限正在集中投入的方向。
在中国具身智能创业公司中，原力无限已经跻身第一梯队，也是具身大脑原创科研领域的头部技术力量之一。「甲子光年」获悉，近日，浙江省创业投资集团有限公司（以下简称“浙创投”）完成对原力无限的近亿元投资，继上一轮A轮及A+轮近10亿元融资官宣后，仅仅过去两个多月。
与外界更熟悉的机器人本体公司相比，它试图建立的核心竞争力，集中在机器人的智能底座。
原力无限将这颗大脑命名为AtomBrain，团队选择以因果世界模型为核心技术路线，持续开展基础模型、强化学习、持续学习与真实世界数据研究，并通过DataGrid全栈AI Infra连接模型训练和真实机器人场景落地。
过去一段时间，这家公司已经拿出一批极具国际竞争力的研究成果：AtomVLA在LIBERO机器人操作基准上取得97%的平均成功率；AIM在RoboTwin 2.0基准测试中取得93.1%的平均成功率；SAM-3D在LIBERO基准测试中取得99.1%的平均成功率；机器人持续学习实验则从10项连续任务推进至最多50项真机任务。
这些数字来自不同研究设定，无法简单横向比较，却勾勒出原力无限的研究重心：让机器人理解动作将如何改变世界，并且在真实世界中不断学会新的事情。
将陈佳玉与一批顶尖科研人汇聚在一起的，正是原力无限创始人、CEO白惠源。
她喜欢《星球大战》，有一个颇具个人色彩的称呼——“星战女王”。原力无限的名字，也与这份爱好有关。如今，白惠源正在把对未来智能世界的想象，变成一家有着明确技术野心的公司。她找来的科学家们，研究的却是一些远没有科幻电影那么浪漫的问题。
比如，机器人学会第50项任务以后，究竟还能不能记住前49项？又比如，一件从洗衣机里掉出来的湿衣服，应该怎样教会机器人下一次别再犯错？
这些看起来琐碎的问题，可能决定了机器人大脑的未来。
1.通用AI正在逼近，
机器人大脑的战场在哪里？
陈佳玉并不热衷于捍卫某一种既定的模型架构。
对于技术路线，他有一种近乎实用主义的态度：什么方法有效，就研究什么；如果一条路线的价值正在被新的技术进展取代，也应该及时调整。
这在人工智能研究中尤其重要。
过去几年，机器人领域经历了从模仿学习、视觉语言动作模型，到世界模型、强化学习等多种技术路径的快速演进。研究者不断尝试回答同一个问题：怎样让机器人获得更强的泛化能力？
但随着通用大模型持续进步，原本属于机器人高层认知的部分能力，开始可以从外部获得。
陈佳玉判断，未来具身智能企业仍然需要研究基础模型，只是研究重心会进一步向物理世界中的执行能力深入。
尤其是在工业场景。
生产任务的顺序通常相对明确，机器人未必需要一套复杂的高层规划系统。真正决定效率的，可能是它能否在限定时间内完成精准抓取，能否处理柔性物体，能否在出现接触误差时迅速调整。
在这些问题上，语言理解能力很难直接转化为操作能力。一台机械臂知道该抓住哪里，与它能够以合适的力度、速度和轨迹完成抓取，中间仍有相当长的距离。
陈佳玉的研究，正是从这段距离展开。
一颗大脑，首先要理解动作的后果
2025年加入原力无限后，陈佳玉带领团队展开了一系列具身基础模型研究。
AtomVLA是其中较早的一项。在机器人操作任务中，长序列执行一直是一个难题。假设机器人需要连续完成十个动作，即便每一步的成功率都达到95%，整项任务一次完成的概率也只有约60%。动作越多，误差越容易累积。前一步的轻微偏差，可能在后续操作中被不断放大。
AtomVLA试图通过分层任务结构与世界模型辅助决策，缓解这一问题。其思路是，让模型在生成动作时，能够结合对任务进展和可能结果的判断，减少长序列操作中的误差积累。
2026年3月公开的研究显示，AtomVLA在LIBERO机器人操作基准上取得97%的平均成功率，并完成了真实机器人任务验证。相关工作被IROS 2026接收。
随后，原力无限又推出AIM等研究，继续探索世界状态预测与动作生成之间的关系。
AIM在RoboTwin 2.0基准测试中取得93.1%的平均成功率。对于机器人基础模型，这些结果意味着团队已经具备一定的模型设计和训练能力。但陈佳玉希望继续向前推进。
他关心的问题是：机器人能否真正理解，自己的动作会对物理世界造成什么影响？
比如抓取一只杯子。视觉模型可以识别杯子的位置、形状和颜色，动作模型可以据此生成机械臂轨迹。但真实抓取还涉及更多变量：接触点在哪里，摩擦力有多大，杯子是否装有液体，机械臂施加的力量会不会导致物体滑动。
如果第一次抓取失败，机器人还需要判断失败原因，再决定如何调整。这些问题无法仅靠识别物体和生成动作解决。它们涉及动作、接触、状态变化与结果之间的关系。
原力无限因此将因果世界模型确立为具身大脑的核心技术路线。
世界模型的研究目标，是让智能体学习环境如何变化；进一步引入因果关系，则希望模型能够区分哪些变化与自身动作有关，并利用这种关系进行预测和决策。
对于机器人，这意味着它有机会在执行动作之前，对不同动作可能带来的结果作出判断。这种能力尤其适用于接触丰富、环境变化复杂的操作任务。
原力无限正在推进的隐式因果世界模型，便是希望将这种物理关系的理解融入具身基础模型。陈佳玉介绍，团队计划在2026年10月底前后确定新一阶段整合模型的架构，再进一步扩大训练规模。
他同时强调，模型能力不能只看架构。数据的质量、规模、训练方式，以及后续真实机器人验证，都会影响模型最终能够达到的水平。这也是原力无限持续投入DataGrid的原因。
在这里，模型和数据并行推进。一项模型研究可能提出新的数据需求，一批真实世界数据也可能让研究人员重新思考模型的训练方法。
但即便机器人能够在某项任务上取得很高的成功率，陈佳玉仍然认为，还有一个更棘手的问题没有解决。
学会第50项任务，还能记住前49项吗？
机器人学习新技能，有时会付出一个令人尴尬的代价：忘记旧技能。在机器学习中，这被称为“灾难性遗忘”。
模型在学习新任务时更新参数，可能破坏此前已经形成的能力。对一次性完成固定任务的系统而言，这个问题尚可通过独立训练规避；对需要长期运行、不断适应新任务的机器人而言，代价就很高了。
陈佳玉希望改变这种训练方式。
“我们不大想针对某一个任务去训一个模型。”他希望机器人能够依次学习不同任务，在掌握新技能的同时，尽可能保留旧技能。“在学到第10个任务的时候，前9个任务也不忘掉。”
这句话听起来像一个朴素的要求，却是持续学习领域长期存在的难题。
设想一条柔性生产线。第一周，机器人负责某种零件的装配；第二周，产线切换，需要学习新的操作流程；第三周，原来的订单恢复，机器人又得重新执行第一周的任务。如果每次切换都要重新训练模型，所谓柔性生产的成本优势便会大打折扣。
2026年5月，原力无限公开了一项持续学习研究。团队构建了包含单臂和双臂操作的10项连续任务评测，比较不同训练方式对旧任务能力的影响。
实验发现，直接依次微调容易造成明显遗忘，而通过保留并回放部分历史任务数据，可以有效缓解这一问题。
在论文设定的相同计算预算下，团队提出的方法还取得了优于多任务联合训练的表现。
但真正有意思的，是后续实验。研究人员发现，不同任务的动作幅度可能存在很大差异。
模型学习新任务时，如果改变了动作输出的数值尺度，即便旧任务的动作模式没有完全丢失，实际执行也可能出现偏差。
这是一个容易被忽略的工程细节。对机械臂而言，动作尺度的变化可能直接影响末端执行器的位置、速度与操作精度。
于是，团队又围绕这一问题提出FAN方法，通过预先校准并保持动作归一化尺度的稳定，降低新任务训练对旧技能的干扰。
一个持续学习问题，最终牵出了另一个动作归一化问题。
陈佳玉的团队并没有停在10项任务的实验结果上。按照他的介绍，最新的真机持续学习实验已经推进至最多50项任务，涉及三款机械臂。当前学习一项新任务，通常需要约100至300条示范数据。
这当然还不能证明机器人已经具备人类意义上的终身学习能力。
50项任务的复杂度、学习顺序、旧任务成功率以及训练成本，都需要放在具体实验条件下评价。
但对于一家创业公司，能够持续把研究问题推进到真实机器人上，本身已经说明了一些事情。尤其是，当上一项研究暴露的问题，能够很快变成下一项研究的课题时。
陈佳玉似乎很享受这种状态。在他看来，科研并没有一个可以宣布完成的终点。
2.白惠源找来的这群人，
为什么停不下来？
“我们去定研究方向的话，就是我自己一个人定就可以了。”谈到原力无限的科研组织方式，陈佳玉说得很干脆。这句话背后，是白惠源与科研团队之间的一种分工。
作为创始人，白惠源决定公司长期投入什么方向；至于具体研究什么问题、采用哪一种技术方法，她把相当大的决定权交给科学家。
陈佳玉将她提供的支持概括成四个词：“人力、算力、资本、场景。”
对于一家创业公司，这四项资源都不便宜。
尤其是基础模型研究。一次实验可能消耗大量计算资源，最后却发现原先的假设并不成立。
一个模型在公开基准上取得不错的结果，部署到真实机器人后，也可能因为数据分布、硬件限制或环境变化而失效。
研究人员必须接受这种不确定性。创始人则需要决定，愿意为这种不确定性付出多大成本。
白惠源选择持续投入。她先后引入陈佳玉、王一舟等顶尖人才，逐渐搭建起覆盖世界模型、强化学习、基础模型、数据工程与机器人控制的研发团队。
这也是原力无限科研实力最值得关注的地方之一——它已经形成了一支具有相当规模的人才队伍。
目前，原力无限公司总人数超过150人，其中研发人员占比约60%—70%，硕博人才占比75%，团队平均年龄27岁。成员的教育背景覆盖清华大学、北京大学、香港大学、浙江大学、上海交通大学，以及加州大学伯克利分校、斯坦福大学、普渡大学、卡内基梅隆大学等国内外高校。
平均年龄27岁，是这支团队最容易让人记住的数字。
在这个年龄，很多人刚刚完成博士训练，或者正在从学术研究走向产业实践。
而在原力无限，他们已经开始承担具身基础模型、因果世界模型、强化学习、数据系统和真实机器人部署等不同方向的研究工作。
学历背景提供了人才基础，真正决定科研能力的，仍然是这些人能否持续提出有价值的问题，并拿出经得起检验的结果。
陈佳玉和王一舟，是其中两位具有代表性的人物。
陈佳玉：一个始终在研究“如何学习”的人
如果把陈佳玉过去的学术经历连起来看，会发现一个有意思的特点。
他研究的具体问题一直在变化，但始终围绕智能体如何学习、决策和控制展开。
在普渡大学攻读博士期间，他师从强化学习与优化领域学者Vaneet Aggarwal教授，并接受多智能体系统领域学者田岚教授的联合指导。此后，他在卡内基梅隆大学继续开展相关研究，并进入香港大学任教，建立自己的Agentic Intelligence Lab。
这些经历让他长期处于强化学习、智能体决策与机器人学习的研究前沿。
2022年，他参与的多智能体技能发现研究被NeurIPS接收。
2023年，他以第一作者身份在NeurIPS发表无监督技能发现研究，探索智能体如何在缺少明确任务奖励的条件下，自主发现具有价值的行为技能。
同年，他在ICML发表多任务分层逆强化学习研究，关注如何从示范行为中学习具有层次结构的决策能力。
相关机器人控制研究也进入ICRA等国际学术会议。
此后，他继续在离线强化学习、技能发现和世界模型方向开展研究，相关成果进入IJCAI、ICLR、ICML等会议。
这些研究的技术问题各不相同。
技能发现关心智能体能否自主形成可复用的行为；分层决策关心复杂任务能否被组织成不同层次的行动；世界模型则进一步关心智能体能否利用对环境变化的预测，改善学习与决策。
把它们放在一起，便能看出陈佳玉研究轨迹中的连续性。
他一直在研究智能体如何从经验中获得能力。如今，具身智能为这些研究提供了更复杂的对象。
机器人需要在真实世界中学习。它的每一次动作，都可能受到摩擦、接触、物体形变、传感器误差与硬件性能的影响。这让许多在数字环境中成立的算法，必须接受新的检验。
加入原力无限之后，陈佳玉拥有了更多真实机器人、训练数据与工程资源，也开始把长期积累的研究方法用于具身大脑研发。
但他并没有因此对某条技术路线产生执念。
面对通用大模型的发展，他愿意主动放弃部分既有研究投入；面对真机实验暴露的问题，他又愿意从一个看似细小的动作归一化问题重新开始。
这种态度，与他谈论科研时的语气很相似。没有太多宏大的表述，只是不断寻找下一个值得解决的问题。
一个研究模型，一个研究模型如何真正工作
与陈佳玉搭档的CTO王一舟，拥有另一种技术经历。
他毕业于加州大学伯克利分校，获得机械工程博士学位，师从机器人与控制领域学者Tomizuka教授。
此后，王一舟进入自动驾驶行业，曾是百度IDL自动驾驶团队早期核心成员，并加入英伟达DriveAV团队。
在自动驾驶领域工作多年，他经历过算法研发、数据闭环与工程化部署的完成的L2到L4到量产的多个阶段。
自动驾驶曾经反复证明一件事：模型在测试集上的表现，与它能否在复杂真实环境中稳定运行，中间往往隔着大量工程工作。
数据如何采集，错误如何发现，模型如何重新训练，新的版本如何验证，部署之后如何持续改善——这些问题构成了智能系统长期进化的基础。
王一舟将这套经验带到了原力无限。
陈佳玉更习惯从科学问题出发，追问机器人为什么学不会、如何才能学得更好。
王一舟则更关注另一面：模型需要什么数据，数据怎样生产，训练如何组织，以及算法如何在真实硬件和场景中稳定运行。
白惠源把这两种能力放到了一起。
在原力无限，陈佳玉主导具身大脑原创研究与核心技术路线，王一舟负责DataGrid全栈AI Infra及相关数据、训练与工程体系。
两人的分工，也解释了这家公司为什么同时投入模型与数据基础设施。
对于具身智能，研究人员常常会遇到一种尴尬：模型需要的数据，现有采集方式无法提供；好不容易采集到数据，却又发现它未必适合训练。
原力无限试图缩短这两件事之间的距离。
一项关于数据的研究，得出了一个反直觉的结果
AtomEgo就是一个例子。这项研究要解决的问题并不复杂：如何将人类第一人称视角下的操作经验，用于训练机器人？
人类每天都在进行大量物理交互。拿起杯子、打开抽屉、整理衣物、搬运物品。这些操作天然包含视觉、动作和环境变化之间的关系。
如果能够低成本、大规模地采集人类第一人称操作数据，机器人训练或许就不必完全依赖昂贵的真机示范。但问题在于，人和机器人并没有相同的身体。
人类手臂的运动方式、关节结构、动作空间，与机器人存在明显差异。
人类数据采集得再多，如果不能有效转化为机器人能够执行的动作，也很难直接产生价值。
AtomEgo因此比较了不同的数据整合与训练策略。在约2659小时数据基础上开展的实验中，渐进式具身对齐方案表现最好，真机任务成功率由32.86%提升至51.43%。
另一条看似合理的路线，却得到了相反结果。
团队尝试通过预测未来视觉画面辅助模型学习，相关实验设置下的真机成功率反而降至20.71%。
这个结果颇有启发性。在很多人看来，让模型学习预测未来画面，似乎有助于它理解世界如何变化。
但至少在AtomEgo的实验条件下，增加这一训练目标并没有带来更好的机器人操作表现。
它提醒研究人员：让模型学到更多表征，与让机器人真正学会操作，并不总是同一件事。
对于原力无限，这项研究的价值还在于，它能够反过来影响数据和训练体系的设计。
哪些人类操作数据值得采集？不同来源的数据应该如何对齐？什么样的训练顺序能够改善机器人表现？
这些问题不再只是数据工程团队的任务，也成为具身大脑研究的一部分。
触觉研究同样如此。原力无限团队曾研究如何使用成本较低、相对轻便的触觉手套采集数据。但采集设备做出来，只完成了一半工作。另一半更重要：采到的触觉信号，能否帮助机器人学得更好？
“你也得验证你采的数据对模型训练有用。”陈佳玉说。
这句话几乎可以概括原力无限内部模型与数据团队的关系。数据采集需要服务模型学习，模型研究也会不断提出新的数据需求。
DataGrid由此成为连接两者的基础设施。从第一人称数据、遥操作与多模态信息采集，到数据处理、动作对齐、模型训练和真实机器人验证，原力无限试图建立一套可以反复运行的训练体系。
对具身大脑企业而言，这套体系的意义，最终要通过模型能力的持续改善来体现。
“对，因为人也不多呀”
研究人员在真实机器人上做实验，远比论文里的流程图复杂。
陈佳玉提到，一些部署场景没有稳定网络，或者存在较高的通信延迟。
在实验室中能够运行的模型，到了现场可能无法直接使用。
团队需要考虑模型计算量、推理延迟、硬件性能，有时还要判断哪些环节适合交给学习模型，哪些环节采用传统自动化方法更有效。
这些事情很难由单一学科背景的研究人员独立完成。模型研究、数据工程、机器人控制和现场部署，需要不断协作。
陈佳玉拥有将近30人的硕博团队，这支队伍还在尝试用AI Agent辅助编程、算法讨论和实验排查，公司支持相关模型调用费用。
但AI工具能够加快代码和实验流程，却无法代替机械臂在真实环境中的一次次操作。
当被问及团队是否配合紧密时，陈佳玉回答：“对，因为人也不多呀。”一句话，倒是说出了研究型创业公司的现实。
研究方向很多，真正能够投入的人力、算力和时间始终有限。科学家必须判断哪些问题值得继续研究，哪些方向应该及时放弃，哪些实验需要尽快推进到真机。
而那些最终留下来的研究问题，往往来自最不体面的失败。
比如，一件掉在地上的湿衣服。
3.一件掉在地上的衣服，
和机器人大脑的未来
一件从洗衣机里掉出来的湿衣服，能让机器人研究人员忙上好一阵。
人类遇到这种情况，弯腰捡起来就行。但对机器人来说，事情远没有这么简单。
湿衣服可能缠绕在一起，机械臂抓取时容易滑落。不同衣物的材质、尺寸和含水量，也会影响抓取结果。
即使机器人知道应该把衣服取出来，动作执行仍然可能失败。而失败之后该怎么办，原有训练数据里未必有答案。
陈佳玉介绍，原力无限团队曾针对衣物掉落设计了一种处理方式。他们在洗衣机下方放置一个较大的衣篓，用来接住掉落的衣物。随后，由人示范如何重新取回衣物，继续完成任务。DataGrid记录这一过程中的手部、腕部运动等操作信息，再将其与真实机器人数据结合，用于后续模型训练。
一次原本意味着任务失败的操作，就这样变成了新的训练材料。
机器人需要学习的，也从“如何正确完成任务”，扩展到了“当事情没有按预期发生时，如何把任务继续做下去”。
这正是物理世界给具身智能提出的难题。
真实环境中的异常情况几乎无法被提前穷举。衣服会掉落，物体会滑动，抓取位置会偏移，机械臂也可能因为接触误差而偏离原有轨迹。
机器人如果只能完成训练时见过的标准动作，便很难长期独立工作，它必须有能力处理新的情况。
而获得这种能力，离不开真实世界数据、持续学习和后训练。
对于原力无限，洗衣场景里的这次失败，恰好把几条研究线索连接到了一起。
数据系统记录人的纠错动作，模型从示范中学习新的处理方法，真机实验检验学习效果。
如果机器人成功掌握了异常恢复能力，研究人员还需要确认：它是否因此忘记了之前学会的操作？
这又回到了陈佳玉一直关注的持续学习问题。
真机训练，不能靠无限试错
让机器人从失败中学习，听起来很自然，但真实机器人每一次试错都有成本。
机械臂需要运行，设备可能磨损，现场需要人员维护。一些涉及接触和复杂物体操作的任务，还可能带来安全风险。因此，机器人不能像数字环境中的智能体那样，轻易进行成千上万次尝试。
陈佳玉希望，真机强化学习能够在几百次尝试的量级内取得有效进展，而不必依赖上万次真实交互。团队也在研究更有效的探索方法，以及能够评价机器人操作表现的通用价值函数。
后者尤其重要。在强化学习中，模型需要知道什么样的动作是好的，什么样的动作应该避免。如果每换一个任务，都要重新设计一套评价机制，训练成本就很难降低。
通用价值函数的研究，正是希望减少这种重复工作，让机器人能够更有效地利用反馈改善行为。
但陈佳玉并不只关心单次训练的成功率。
他还关心另一笔账：当一个场景已经跑通，机器人进入下一个场景，需要重新付出多少成本？这直接关系到具身智能的商业化。
“落地应该以打平ROI为目标。”陈佳玉说。他的判断相当务实。机器人完成一项任务，首先要比较综合成本与单位时间产出。如果成本远高于人工，效率又没有明显优势，那么即使技术上能够完成，也很难成为可持续的商业模式。
另一项更容易被忽略的成本，是能力迁移。假设机器人已经学会整理某类货架。换一家门店、换一批商品，是否需要重新采集大量数据、重新训练模型，甚至重新设计整套动作流程？
如果每个新场景都要从头开始，部署规模越大，工程成本也会越高。
这就是持续学习、模型泛化与真实世界数据闭环最终需要回答的商业问题。
陈佳玉希望，一套经过验证的后训练方法能够在不同场景中复用，机器人也能够长期稳定运行。
他提出过一个具体的验证要求：系统至少持续运行一个月，以检验其长期稳定性。
一个月，听起来并不惊人。
但对需要持续面对真实环境变化的机器人来说，长期稳定运行与实验室里完成一次演示，衡量的是完全不同的能力。
原力无限的另一张成绩单
科研之外，原力无限已经建立起相当领先的真实场景基础。
目前原力无限的业务覆盖全国30余座城市、100余个真实应用场景，累计订单金额超过5亿元，涉及电商仓储、工业物流、商业服务、能源电力等方向。
这些数字与论文Benchmark属于两种不同的成绩单。
前者反映业务和场景覆盖，后者检验模型在特定实验条件下的能力。
它们之间并不存在天然的等号。机器人进入真实场景，并不意味着所有任务都已经由通用具身模型自主完成；订单规模，也不能直接证明基础模型的泛化水平。
但对于原力无限的科研团队，这些场景提供了另一种资源：不断出现的新问题。
真实世界很少按照训练数据中的方式运行。物体的位置会改变，操作要求会调整，环境中的干扰难以完全预测。研究人员可以从这些失败中发现模型的能力边界，再决定需要补充什么数据、调整什么训练方法。
原力无限希望通过DataGrid建立的，正是这样一个循环。
“用自己的数据训自己的模型。”陈佳玉说。
模型经过训练进入真实场景，真实场景中的问题和数据再回到训练系统，推动下一轮改进。
这套机制能否真正提高机器人的能力进化速度，仍然需要长期验证。但它已经明确了原力无限的技术选择：把基础模型、数据生产、后训练和真实机器人部署放在同一条研发链路中。
对于一家聚焦具身大脑的公司，这比单独追求某一次Benchmark排名更难，也更接近长期竞争。因为机器人最终需要面对的，不会只有论文中的固定任务。
科研也要学会算账
陈佳玉并不回避企业经营对科研的约束。在他看来，具身智能公司最终必须拿出实际成果，不能长期依靠技术故事获得资金。
但他同样警惕另一种倾向：先认定某项技术一定有价值，再四处寻找适合它的应用场景。那很容易变成“拿着锤子找钉子”。
这句话与他此前谈论通用大模型时的判断，其实是一致的。
当通用模型已经能够解决某类问题，就没有必要为了证明自身技术路线而重复研究。当真实场景暴露出新的困难，也应该从问题本身出发，寻找合适的方法。
对于陈佳玉，科研方向需要接受实验结果的检验。对于原力无限，技术投入最终还需要接受真实场景的检验。
这两种检验，构成了这家公司正在尝试建立的研发方式。
2026年8月，原力无限宣布完成近10亿元A轮及A+轮融资；资金将继续投入具身大脑AtomBrain研发、DataGrid全栈AI Infra升级，以及多形态机器人在真实场景中的交付与验证。
对一家创业公司而言，这意味着更充足的研发资源，也意味着更高的外部期待。
白惠源已经聚集了一支拥有国际学术背景的年轻科研团队，陈佳玉和王一舟则分别从模型与工程体系出发，推动原力无限的具身大脑研究。
AtomVLA、AIM、AtomEgo、持续学习、FAN，以及正在推进的因果世界模型与真机强化学习研究，构成了这家公司过去一段时间的技术积累。
这些成果还不足以宣告机器人大脑的最终答案已经出现。但它们已经足以说明，原力无限是中国具身大脑领域一支不容忽视的头部原创科研力量。
接下来的竞争，将更加具体。
-
谁能让机器人以更少的数据学会新任务？
-
谁能让模型在持续学习中保留旧技能？
-
谁能让机器人理解动作与物理结果之间的关系？
-
谁又能把这些能力真正带进复杂的现实环境？
这些问题很难由一篇论文解决，也不会因为某一次模型发布而结束。它们需要一项又一项研究，需要不断积累的真实数据，也需要机器人在物理世界里反复试验。这或许解释了陈佳玉对科研的态度。
在采访中，「甲子光年」问他，哪一项研究最有意义。
他没有挑选自己发表在顶级会议上的代表作，也没有列举那些已经取得不错实验结果的模型。
他的回答只有一句：“我觉得永远都是下一项，下一项是更有意义的研究。”
或许，原力无限给机器人大脑写下的故事，也永远有下一章。
（封面图及文中配图来源：原力无限）
END.
