Anthropic新方向：不写代码的AI搬运机器人测评

过去60天内，全球具身智能赛道连续出现两场具有行业风向标意义的战略重组。

4月15日，硅谷具身智能领军企业Skild AI确认收购Zebra Technologies旗下机器人自动化业务——即业内熟知的Fetch Robotics。6月5日，国内具身智能赛道头部公司原力灵机正式宣布与全球化物流机器人企业Atomix完成合并。

单独看，这两起事件一前一后，一个在硅谷，一个在中国，看似偶然。但并置分析会得出同一个行业终局判断：

具身智能的下半场，不会局限在实验室，而是在物流为代表的真实产业场景中高速涌现。

大模型时代的「Coding时刻」

回望上一轮生成式大模型的进化路径，一个容易被忽略的事实浮现：顶尖大模型无一例外都将coding能力拉满。

Anthropic的Claude是典型例子。凭借coding这块长板，它跻身当下估值最高的AI公司之一。要理解coding为何如此关键，需拆解其三个核心维度。

第一，它具备规模化、高质量的真实数据池。GitHub拥有数十亿行真实代码，包含提交、审查、测试与缺陷修复——这是AI训练史上罕见的天然富矿。

第二，它自带可验证的成功信号。代码是否通过编译、测试是否通过、bug是否修复——这些全是机器自主判定的客观标准。模型能反复借助环境反馈进行强化学习，持续自我迭代。

第三，它能向其他能力体系迁移。模型在coding中习得的结构化推理、多步骤规划与抽象思维，会自然渗透到reasoning、agent、tool-use、planning等几乎所有下游能力域。

这三大条件共同将coding塑造成大模型时代的原子任务——率先解锁它的玩家，就拿到了上层能力树的入场券。

现在，具身智能正等待自己的coding时刻。

Picking，就是具身智能的Coding

Picking，这个动作听起来过于朴素。在仓库中，将盒子从A点搬运至B点，每天重复上万次。

不过，拆开来审视，会发现picking具备与coding完全一致的底层结构。

其一，它拥有规模化、高质量的真实数据。全球物流仓库每天产生上亿次真实抓取动作——每次抓取的对象、姿态、力度、成败，都是天然的标注数据。实验室再多年研究也无法企及这种量级。

其二，它具备可验证的成功信号。物体是否被抓起？是否放置到位？盒子是否破损？系统当时就能判定。与coding相同，这是机器人在真实环境中跑强化学习的稀缺场景。

其三，它能向其他任务迁移。一旦模型真正掌握「用任意末端、以任意姿态、在任意环境下，稳定地将任意物体从A移到B」——装配、分拣、家务、协作、医疗辅助，几乎所有涉及手部操作的任务，都会沿着同一根能力主干衍生。

因此，picking并非物流专属能力。这才是核心所在：它是具身智能整体能力的引擎。

谁率先在picking上跑通真实世界数据飞轮，谁就握住了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以一次收购作出回应。被收购的是Zebra Technologies旗下机器人自动化业务——即Fetch Robotics。

Fetch是过去十年美国仓库部署经验最深厚的机器人公司之一。Skild AI同时获得了它的Symmetry Fulfillment调度平台、客户网络和多年现场部署能力。

Skild AI的逻辑清晰：它拥有一颗名为Skild Brain的「Omnibodied AI」大脑，目标是用同一套大脑控制多种形态的机器人——人形抓取、机器狗巡检、机械臂打包、AMR搬运。CEO Deepak Pathak在公开声明中直言：选择Zebra，是因为其团队带来了「多年的真实部署经验」。Skild要做的，就是把hardware-agnostic的基础模型，装载进真实运转的仓库中。

原力灵机的两条线，原本就在为同一件事蓄力

值得注意的是，原力灵机本身就在推进这件事。

原力灵机专注于通用具身大模型与本体智能；Atomix则聚焦物流场景下的机器人规模化落地。模型需要真实场景数据持续喂养，才能在物理世界中真正变强；场景则需要更聪明的大脑驱动，才能突破现有自动化的天花板。

合并的逻辑因此清晰：模型与场景双向奔赴，让数据飞轮真正运转起来。

公开信息显示，Atomix每天在全球超20个国家、500多个项目中产生的真实数据，直接成为原力灵机模型训练的燃料。而原力灵机训练出来的DM系列模型，直接提升原力聚合每一台机器人的智能上限。

模型越强，机器人越聪明；机器人更聪明，数据质量越高；数据越好，模型继续增强——这是一个闭环。这个闭环转起来的那一刻，具身智能就正式进入真正的指数增长阶段。

据悉，合并后原力灵机会沿着既有领先方向继续推进——把通用具身大模型做到全球最强，将「具身原生」这一范式贯彻到底。DM0已在真机综合评测中位列全球第一，下一代模型预计7月发布。

原力聚合的物流业务，会借助合并后更强的大脑武装每一台机器人，推动新增长曲线。而Atomix已在20多个国家交付超过500个项目，服务超过60个全球品牌，每天出货量超过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。

殊途同归的解题思路

回看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周后用合并将Atomix的全球网络纳入同一框架。

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」。它们构建的是同一个核心：让大模型与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、模型再增强。

一种新的全球标准正在浮现：具身智能不是算法竞赛，而是「模型×场景×全球化」的综合工程。一家公司若只在其中一项领先，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的合并也在验证这一点。

可以预见，未来三到五年，全球具身智能赛道还会继续出现类似整合，且频率越来越高。因为单独跑模型、单独跑硬件、单独跑场景的公司，都在等待一次合体。原力灵机和Skild只是率先行动。

让机器人真正进入每一座工厂、每一个仓库，乃至最终进入每一个家庭，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正式轰鸣，通用具身智能打破虚实边界的进程，或许比行业预期还要更快。

来源：互联网