具身智能挤进物流仓，谁能真正站上C位？

某大型零售品牌物流仓

编辑丨周小燕

过去两年，风口上的具身智能被能否“落地”反复拷问：技术演示层出不穷，能跑通商业闭环的场景却寥寥无几。如今，答案的轮廓正逐渐清晰——物流仓储，很可能是具身智能真正意义上的第一个规模化场景。

刚刚落幕的世界机器人大会（WRC）与世界人工智能大会（WAIC）印证了这一趋势：原力灵机、星动纪元、自变量等都把展台变成了一条微缩产线——机器人反复从传送带上抓取翻面，完成供包。

当行业集体涌向供包，一个更本质的问题浮现出来：跑通供包之后，具身智能来了之后，物流仓储的终局究竟是什么？

01

供包是一张入场券，但天花板不高

一个在行业内心照不宣的事实是：物流供包对具身智能的能力要求，并没有想象中那么高。

抓取对象种类有限，作业环境高度结构化，任务边界清晰可控——传统视觉抓取算法叠加一定的柔性适配，即可覆盖相当一部分需求。它所验证的，只是“具身智能能够落地”，却远未触及其真正的能力纵深。

供包已成为众人争抢的共识，但其技术门槛正在被迅速拉平，差异化空间极窄。真正的价值，藏在供包之后的下一层。

行业已有玩家先行一步。今年 6 月，物流机器人公司 Atomix 与具身智能公司原力灵机合并，相较于轻量化的供包场景，Atomix 选择了一条更重的路，直接押注具身原生。

02

供包是追小兔，多机混合作业才是猎龙

多年在物流机器人赛道的深耕，让 Atomix 意识到，真实的仓库，从来不是某一台机器人的独角戏。

AGV 搬运托盘，输送线传递包裹，提升机完成垂直转运，人工处理各类异常——这是一个由多种物理智能体共同构成的复杂系统。在这样的系统里，供包不过是其中一个被切得足够干净的单点任务：目标明确、边界清晰，就像追一只跑在开阔地上的小兔子，抓住它固然需要技巧，但难度是有限的、可预期的。

真正的猎物，是另一头量级完全不同的巨龙——让这些异构设备被有效感知、调度、编排为一个协同的整体。未来仓储的核心价值，从来不在于某台机器人的抓取精度再提升几个百分点，而在于整座仓库能否作为一个系统被统一指挥。

这恰恰是传统自动化的软肋。既有的仓储设备本质上是一批“哑设备”：依据预设规则刚性运行，靠中央调度系统的僵化协议彼此连接。一旦场景变化，重新编程与系统集成的成本高到难以承受。它们能追好各自的“小兔”，却永远拼不成一支能协同猎龙的队伍。

而具身智能真正应该带来的，从来不是一个更聪明的机械臂，而是让整个仓库首次具备“感知—决策—协同”的能力：模型不仅要控制自身本体，更要能够理解、接管、调度那些传统设备，让新老装备在同一套语义与协议下真正协同。

换句话说，未来仓库中最稀缺的能力，不是“一台更聪明的机器人”，而是站在具身智能的视角，对新老机器人进行统一调度的能力。

Ferrata多机器人混合作业

供包只是热身，让具身来到 C 位、完成多机协同这场猎龙，才是真正的决赛。

03

两条路径的分野，大模型历史已经演过一遍

如何抵达这一目标，行业实际上分化出两条路径。

第一条是“嫁接式”：传统物流机器人企业在既有自动化设备与调度系统之上，嫁接一层具身模型，以“打补丁”的方式为老系统装上新能力。

第二条是“具身原生”：从具身智能的底层逻辑出发，重新定义设备之间的协同关系，让整个系统自设计之初便为具身智能而生。

作为在物流仓储自动化领域深耕多年的企业，Atomix 比谁都清楚“嫁接式”的局限。他们的设备已在全球 20 多个国家落地，日均出货超 60 万件，深知物理仓库“千仓千面”的死结——动线规划、货架结构、SKU 组合千差万别，不同仓库的动线、货架、设备接口、SKU 物理属性与订单结构千差万别。一旦设备组合、作业流程或商品形态发生较大变化，传统自动化系统往往需要重新进行规划、规则配置、接口联调甚至二次开发。长期的定制化导致方案无法大规模复制，客户的投入产出账根本算不清。

正因如此，Atomix 没有选择为既有设备“打补丁”，而是与原力灵机走到一起，从底层重构系统，走具身原生路线。

行业早有先例可循。大模型的历史已经给出过一次参考：早期试图以规则系统、专家系统“嫁接”智能的方案，最终被端到端、原生训练的大模型替代。嫁接式的上限，被最初的架构假设锁死，而原生路径的上限，只由数据与算法决定。

仓储物流的具身化，正在重演这段剧本。

04

从死循环里杀出一条通路

选择原生路径意味着更大的前期投入和更高的技术门槛，目前行业内真正落地的案例并不多。Atomix 与原力灵机的整合，是少数值得观察的样本。

这次合并给 Atomix 带来的不只是技术团队，更是一张覆盖全球的真实仓储网络——全球超 500 个落地项目、日均出货超 60 万件，SKU 混杂、订单忽高忽低，留下的全是真实作业记录。这不是展厅里的演示数据，而是喂养模型迭代最稀缺的燃料。

基于这张网络，Atomix 和原力灵机联合推出了 Dexmal Ferrata，一套被定义为“全球首个具身多智能体混合作业系统”的产品。其命名取自一种攀岩方式：在陡峭岩壁上安装钢制扶手、脚踏与固定缆索，让初学者在保护下体验真实攀爬。Ferrata 被定位为具身智能进入物理世界的“安全绳”——机器人在受保护状态下进场，方能在业务不停摆的前提下执行真实任务、持续产出高质量数据。

它要破解的，是具身行业无法回避的死循环：优质模型需要海量真实数据，而大规模部署又依赖足够成熟的模型；没有现场就没有数据，没有数据模型便难以进化。

Ferrata 的思路，是把任务按难度分级、由不同层级分工消化，而非指望单一模型包打天下——用标准自动化做实高频主量任务的基本盘，用具身大模型攻坚异形、软包等长尾变量，再把极端异常交给远程人工兜底，确保产线不因局部异常而停摆。

Ferrata分层作业，处理100%业务订单

支撑具身运行的，是原力灵机提供的 DM0.5 具身基础模型——将视觉、语言、空间推理与动作生成统一至单一模型，在权威评测榜单RoboDojo上位列全球第一，配套的 Realtime-VLA 技术可实现 30Hz 多视角帧率、最高 480Hz 轨迹频率，单张消费级 GPU 即可运行，作业节拍接近人工。

更关键的是其驾驶舱 Cockpit：每一次人工接管与重试都被结构化记录，转化为反哺模型的“场景原油”，系统越用越聪明，同类异常的人工介入比例持续下降——数据飞轮与经济飞轮，首次在同一条产线上同步转动。

据悉，Ferrata 已在某头部客户的真实仓库完成实地测试，场景覆盖超 3000 个 SKU、日订单峰值数万单，系统全天候稳定运行。

05

物流仓储是起点，但不是终点

双方有一个共同判断：Picking 是物理世界的“原子任务”，正如 Coding 之于大语言模型。

一旦模型在物流里学会了抓取、分拣、打包、搬运，这些能力就有机会迁移到商超零售、家庭服务，甚至工业装配。这意味着，物流仓库不仅是当下最具可行性的落地场景，更是通用具身能力的“训练场”。

从标准化程度高的仓储出发，逐步向柔性程度更高的场景渗透——这是一条清晰的成熟度曲线。同一个“大脑”，在物流跑通之后，迁移到下一个场景时可以复用，需要重建的主要是场景适配。

这也解释了为什么头部厂商纷纷押注具身赛道：阿里巴巴、智谱 AI、阶跃星辰、商汤科技——它们看中的不只是一个垂直场景，而是大模型伸向物理世界的下一站。

06

真正的比赛，现在才打响

大模型的发展史已经提示过一次：所有试图绕开原生、以工程手段拼接智能的方案，最终都被更领先的原生技术抹平。

仓储物流的具身化，正在重复这一剧本。供包只是序章，多物理智能体的原生协同，才是这个万亿级市场真正的主战场。率先从“嫁接”迈向“原生”的玩家，才可能成为这场仓储物流具身化浪潮中，真正意义上的最终赢家。

仓库的大门已经敞开。而真正的比赛，现在才打响。