官方网站-首页
原力灵机汪天才：具身应瞄准自动化与人类之外的40%份额
- 分类：行业动态
- 作者：
- 来源：
- 发布时间：2026-08-26 21:10:07
- 访问量：2
【概要描述】 “具身要取代的是传统自动化做不掉的高柔性、高泛化工位，而非与自动化硬碰硬。目前，工业场景中除去自动化已占有的50%和人类需要接管的约10%，具身可定位的市场份额约为40%。”公司情报专家《财经涂鸦》获悉，近日
原力灵机汪天才：具身应瞄准自动化与人类之外的40%份额
【概要描述】 “具身要取代的是传统自动化做不掉的高柔性、高泛化工位，而非与自动化硬碰硬。目前，工业场景中除去自动化已占有的50%和人类需要接管的约10%，具身可定位的市场份额约为40%。”公司情报专家《财经涂鸦》获悉，近日
- 分类：行业动态
- 作者：
- 来源：
- 发布时间：2026-08-26 21:10:07
- 访问量：2
“具身要取代的是传统自动化做不掉的高柔性、高泛化工位，而非与自动化硬碰硬。目前，工业场景中除去自动化已占有的50%和人类需要接管的约10%，具身可定位的市场份额约为40%。”
公司情报专家《财经涂鸦》获悉，近日，“智造现场·具身智能的工业试炼”论坛在2026世界机器人大会（2026WRC）期间举办。
原力灵机联合创始人汪天才在论坛圆桌对话环节中指出，在通用模型还是垂类模型的选择上，通用模型的持续迭代终将带动产业上下游“普涨”，后训练代价将越来越小。
公开资料显示，原力灵机（Dexmal）成立于2025年3月，是一家面向通用具身智能的科技公司，致力于打造智能、有用、可信赖的机器人。公司率先提出“具身原生”理念。旗下Atomix为国内领先的AI原生柔性仓储方案提供商，已交付500多个项目，服务覆盖全球20多个国家和地区。
公司研发团队兼具顶尖学术背景以及超过10年的AI原生产品落地经验，是少有的同时具备CV和大模型经验创始团队的具身智能初创公司。
据天眼查APP，原力灵机融资节奏颇为密集。
2025年3月，公司完成2亿元天使轮融资，获得九坤创投、启明创投、君联资本等机构投资；同年8月、11月接连落地数亿元A轮、A+轮融资，A轮阵容汇集联想创投、蔚来资本等多家机构，A+轮引入阿里巴巴入局。
2026年4月，公司完成B轮融资，6月进一步推进C轮融资，B轮、C轮具体金额未对外披露，C轮阶段阿里巴巴、启明创投持续跟投，同时新增商汤科技、智谱AI等产业资本加持，产业与财务投资方持续加码。
具身机器人能渗透的份额约为40%
谈及目前具身机器人的渗透率，汪天才坦言，目前整个垂类场景中，具身的渗透率并不高。
“原力灵机有一套具身智能落地系统理念 ，名为Ferrata。这套理念的核心是，在当前有50%工位已被自动化替代的情况下，具身机器人能够覆盖的范围大约为40%，可高可低。剩余的5%-10%则需要由人类接管。”
他认为，就目前而言，期望模型端到端替代自动化的部分，成本是不划算的；而如果要完全取代10%的人来，模型能力又不具备。基于40%的目标份额测算，未来，自动化、具身机器人和人类将是混合工作的状态。
基于此，在切入场景方面，原力灵机选择的亦是“传统自动化取代不了”的部分。汪天才表示，该部分中，哪些工位自动化无法完成，是比较直观的，比如“需要泛化性、高柔性”的工位。
2026年6月5日，原力灵机曾宣布通过股权并购方式完成与物流机器人公司Atomix（原力聚合）的合并，这是国内具身智能赛道首个“模型公司×场景公司”的深度整合。
物流场景中，表面平滑、形状规则的商品非常适合用吸盘吸引，吸盘能覆盖的比例大约为50%。但有些场景吸盘无法很好地解决，比如正常的矿泉水瓶，表面不平滑且有缝隙，对于吸盘来讲很容易漏气，还有袋装商品等。
这些不适合吸盘的工位，就更适合具身夹爪。
“另外，从ROI的角度讲，客户产线的新旧程度也很重要。如果是老产线，可能就不太容易进去，因为涉及到改造成本；一些新建的产线反而比较容易接纳具身进入。”汪天才强调。
通用模型迭代将带动下游各类场景「普涨」
谈及通用模型与垂类模型的路径，汪天才表示，非常赞同“以通用模型为基座”这一观点。
“我们做一个通用模型，短期内可能很难在某些点上超过一个专有模型。但不能低估数据驱动逻辑带来的价值。通用模型前期的增长斜率可能确实不够陡峭，但一旦通过数据驱动达到某个临界点，后面的加速度会快得多。”
他强调，还有一个非常重要的关注点是，通用模型的目的不是为了某一个场景，也不是把直接把效果拉到100%。随着版本的迭代，它会带来下游各类场景能力和效果的普涨。
另外，通用模型做得越好，后训练的代价就会越来越小。原力灵机也因此改变了业务模式。
“以前我们是以业务为单位，接到客户订单后，一单一单去做。但这一波最核心的改变是，通过一个通用模型底座，能够以一批场景去解决问题。这推动我们的业务模式从解决某一个业务订单的问题进化为解决一批场景的问题。”
且这个过程中，通用模型做得越好，后续的链路就会越短，“我们面向专项场景的数据需求就会越少。”
汪天才提到，Generalist AI近期发布的GEN-1.5便是一个有效例证。GEN-1.5主张Video Prompting，可以实现约5分钟数据做10步梯度更新，10 项任务平均成功率83%，部分任务能到99%；单样本物理提示，只用一段3–12秒示范视频、不更新权重，10项任务平均成功率59%。
“所以，我觉得我们应当把握住这样的趋势，用一个通用模型来解锁一批场景。”他总结道。
扫二维码用手机看
