机器人ETF市场表现 - 截至报道时，机器人ETF(562500)最新价报1.081元，较开盘价上涨1.312% [1] - 该ETF跟踪的66只成分股中有50只上涨，博杰股份、华东数控涨停领涨，大族激光、科远智慧涨幅居前，板块做多情绪浓厚 [1] - 该ETF成交额达8.88亿元，换手率3.41%，资金交投节奏平稳，成交活跃度维持适中水平 [1] 资金流向 - 机器人ETF(562500)昨日净流入2.80亿元，连续三日净流入近9亿元，主力资金持续加码布局 [1] 行业技术进展 - 原力灵机发布了具身原生大模型DM0、原生开发框架Dexbotic2.0、具身原生应用量产工作流DFOL三大核心产品 [1] - 公司研发理念是跳出现有大模型改造路径，从第一行代码开始专为机器人编写 [1] 行业前景与产业链 - 2026年被认为是机器人量产爬坡的关键节点，多数海内外核心厂商将量产节奏明确在2026年 [2] - 国内机器人头部企业逐步实现从0到1的突破，有望与海外产业形成加速共振 [2] - 建议关注价值量较高的丝杠、电子皮肤等环节，以及具备较高成长性的机器人大脑等方向 [2] 产品概况与调整 - 机器人ETF(562500)是全市场唯一规模超两百亿的机器人主题ETF，覆盖人形机器人、工业机器人、服务机器人等多个细分领域 [2] - 随着成分股调整，该ETF跟踪的中证机器人指数人形机器人含量提升至近70% [2] - 此次调仓精准剔除近期走势疲软的个股，纳入表现尚可的优质标的，实现“去弱留强” [2]

文章核心观点 - 公司于2月10日技术开放日发布了全球首个具身原生大模型DM0、具身原生开发框架Dexbotic 2.0以及具身原生应用量产工作流DFOL，旨在从底层重构具身智能产业 [1] - 公司认为2026年是“具身原生”的元年，而非“具身智能”的元年，主张从第一行代码开始即为机器人设计，而非改造现有大模型 [3] - 公司长期目标是成为一家机器人产品公司，通过“基础设施开源+核心模型自研+解决方案落地”的三层布局来实现 [37] 全球首个具身原生大模型 DM0 - DM0是全球首个从0开始训练的具身原生大模型，参数量为2.4B [3][10] - 模型设计核心准则是“具身原生”，强调必须考虑因果责任，因为与物理世界交互的后果比大模型产生幻觉更为严重 [3] - 模型训练数据策略是“环境的熵在哪，数据就采向哪”：对导航等规则清晰任务，大规模采集3D扫描场景进行仿真强化学习；对抓取等模糊任务，则依靠大量真机采集数据以提升泛化能力 [6][8] - 模型优势一：联合阶跃星辰训练，深度融合多模态互联网信息及驾驶、机器人操作等具身场景特有的多传感数据 [10] - 模型优势二：预训练阶段系统混合抓取、导航、全身控制3类核心任务，并覆盖8种差异显著的机型，获得强跨机型泛化与迁移能力 [12] - 模型实现了“小参数、高性能”突破，以2.4B参数量在RoboChallenge榜单获得单任务与多任务双项第一，位居全球榜首 [14] - 模型支持728x728高分辨率输入，解决了行业主流模型224-384分辨率在精细操作中易偏差的问题，实时推理延迟仅60ms [16] - 模型能在4090、5090等消费级显卡上进行二次开发，降低了使用门槛，且与真机强化学习高度适配，能提升复杂灵巧操作的完成率 [16] 具身原生开发框架 Dexbotic 2.0 - Dexbotic 2.0被定位为具身智能的“PyTorch”，旨在通过模块化、乐高式的方式降低开发门槛，让开发者快速搭建具身应用 [18] - 框架采用模块化架构，将系统拆分为Vision encoder、LLM、Action Expert三个可自由组合、独立升级的模块 [18] - 框架全面支持多源数据混合训练，让模型同步学会“看懂世界”和“动手操作” [20] - 核心优势包括构建了“Foundation + Evolution”两段式训练范式：先通过VLA预训练和微调学习通用操作，再通过强化学习针对复杂任务持续优化，以降低对标注数据的依赖并提升稳定性 [23] - 框架实现了统一具身操作与导航、统一模仿学习与强化学习，并标准化了从“数据—训练—评测—硬件”的全流程开发闭环 [24] - 公司联合清华大学、无问芯穹，并与强化学习框架RLinf达成战略合作，共同打造具身智能的基础设施 [26] - 目前Dexbotic已服务数十家机构，包括清华、北大、普林斯顿、帝国理工、腾讯等，覆盖超千位研发者 [27] 具身应用量产工作流 DFOL - DFOL旨在推动机器人走进工厂，实现规模化场景落地，其核心是通过“硬件通用+模型智能”的模式，兼顾效率、确定性与灵活性 [28] - 关键创新在于数据回流机制：现场产生的训练片段与负样本块实时回传云端，形成“云端训练-现场执行-数据回流-模型更新”的持续进化闭环 [30] - 该工作流有利于打破非标自动化与人工的边界，推动物理智能走向规模化和普惠化 [31] 商业化路径与场景选择 - 公司认为整个具身智能产业在2026年还无法实现商业化闭环，但2026年将是“真应用的涌现之年”，会有更多真实可用案例出现 [32] - 公司业务分为两块：一是为工业和物流领域提供端到端解决方案；二是提供科研产品，如数采机型，以开源理念促进行业发展 [32] - 首个落地突破口是多物料混合分拣，这是具身智能的真应用，客户需求明确；物流领域的打包、扫码等高度非标、依赖人工的环节也是重点布局方向 [35] - 商业化的核心是“给客户创造可衡量、可计算的价值”，即降本、增效或提升体验 [36] - 场景选择标准必须满足四个条件：错误容忍、时间容忍、泛化场景、长时间作业，当前技术尚不能做到100%成功，需客户允许犯错 [36] 公司战略与行业定位 - 公司长期目标是成为一家机器人产品公司，打造智能、有用、可信赖的机器人 [37] - 战略支撑是“基础设施开源+核心模型自研+解决方案落地”的三层布局 [37] - 在基础设施层面坚持开源策略，如RoboChallenge测试平台、Dexbotic2.0框架，以降低行业门槛并形成研发正向循环；但针对具体客户和任务的模型与数据不会开源 [37] - 公司认为基础设施是算法公司的核心竞争力，内部全链路基建大幅提升了模型迭代速度，对外输出基建旨在推动整个行业发展 [39] - 在机器人产品打造上，强调“有用”（创造可衡量价值）和“可信赖”（物理稳定性与心理安全感） [41]

公司技术理念与战略定位 - 公司提出“具身原生”新AI范式 其核心理念是智能本质和形成机制根植于物理交互 旨在驱动具身智能范式跃迁[3] - 公司认为2026年是“具身原生”的元年 而非具身智能的元年[3] - 公司技术路径是通过底层原生技术创新降低开发门槛 通过开源开放凝聚生态力量 最终推动具身智能从炫酷演示走向普惠的规模化生产力[7] 核心产品：具身原生大模型DM0 - 公司发布全球首个从零开始训练的具身原生大模型DM0 其具备“多源数据预训练”、“多任务、跨机型预训练”与“空间推理思维链”三大核心特征[4] - DM0的2.4B参数版本在权威真机评测基准RoboChallenge上 夺得单任务与多任务双项第一 目前位列全球榜首[4] - DM0在预训练阶段系统混合了操作、导航、全身控制三类核心任务 并覆盖了8种构型迥异的机器人硬件 从而获得了强大的跨机型泛化能力[6] - DM0通过构建“空间推理思维链” 将环境感知、任务理解、运动规划与精细执行串联成闭环 使机器人能完成需要多步骤空间推理的广义动作[6] - 公司宣布DM0的2.4B版本全面开源 代码、模型及RoboChallenge全部30个任务的参数与推理代码均已开放[6] 配套开发框架与工作流 - 公司发布全球首个具身原生开发框架Dexbotic 2.0 其采用模块化架构 将视觉编码器、大语言模型、动作专家三大模块解耦 允许开发者在感知、认知、控制层面独立升级或替换组件[6] - 公司发布面向量产的具身原生工作流DFOL 其核心是通过“硬件通用 + 模型智能”的模式 破解效率与灵活性难以兼得的产业困境[6]

行业现状与挑战 - 具身智能是人工智能领域近一年被高频提及的方向，常被寄予成为“通用智能入口”的期待 [1] - 行业公开叙事多聚焦于机器人性能提升（跑得更稳、抓得更准、动作更连贯、任务更复杂）、融资加速和模型迭代，呈现确定无疑的上升曲线 [2] - 但在实验室之外，部署成本、稳定性、维护复杂度等问题反复拉长商业化的时间表，成功案例被循环播放而失败被剪掉 [2] - 当前大多数机器人虽有很大进步，但仍“局限在一个工作台上”，难以跨空间、跨模态完成连续复杂任务 [5][7] - 整个具身智能的能力尚在“蹒跚学步的阶段”，行业火爆但基础能力仍不成熟 [11] 核心产品发布 - 2月10日，原力灵机在北京中关村国家自主创新示范区展示中心举行首次技术开放日 [2] - 公司发布了三款核心产品：具身原生大模型 DM0、具身原生开发框架 Dexbotic 2.0、以及具身原生应用量产工作流 DFOL [2] - 这是原力灵机成立近一年来，其核心团队第一次集体公开亮相 [2] “ChatGPT时刻”的探讨与定义 - 行业核心议题是探讨“具身智能的ChatGPT时刻何时到来”，这是一个混合技术突破、产品体验与商业想象的复合概念 [2][4] - “ChatGPT时刻”既指模型能力的跃迁，也暗含被非技术用户快速理解、低成本使用并形成规模化扩散的期待 [4] - ChatGPT的成功在于提供了使用成本低、结果高度稳定且可重复验证的“即开即用”体验，其扩散几乎不依赖新增物理基础设施，是一次“轻资产跃迁” [4] - 具身智能则完全不同，它是一个集硬件、算法、环境感知与运维体系于一体的物理系统 [4][5] - 对于具身智能，“ChatGPT时刻”更像一个外借的隐喻，而非可复制的路径，考验的是整个产业系统的耐力而非算法的爆发力 [5][12][15] - 阶跃星辰CEO姜大昕认为，ChatGPT时刻的标志是“零样本”泛化能力，即能处理从未见过的指令 [8] - 具身智能的泛化涉及场景、任务、目标等多个维度，在哪个维度上定义“突破”缺乏共识，因此其“ChatGPT时刻”将更加困难 [8] - 单纯技术维度的突破并不必然等价于产品或产业维度的拐点，这种错位导致“时刻”难以实现 [9] - 当“成功”的标准无法统一时，“时刻”便沦为模糊修辞 [10] 商业化与大规模应用的障碍 - 北京智源人工智能研究院院长王仲远指出，即便模型能力提升，具身智能离真正希望的大规模应用仍有比较大的差距 [6] - 差距源于物理世界固有的不确定性（地面平整度、光照变化、零部件公差、传感器老化等），任何变量都可能导致任务失败 [6] - 当前阶段，具身智能仍停留在“可演示”而非“可大规模复制”的状态，一次成功不等于系统性成功 [6] - 同一台机器人在不同时间、地点的表现可能截然不同，无法像ChatGPT那样为所有用户提供统一、可预期的体验，而“时刻”的本质依赖于这种集体可感知的突变 [6] - 星海图CEO高继扬从产业链角度指出，大模型是“模型即产品”，终端是手机电脑，渠道是社交媒体传播，模型好则商业化链条马上具备 [11] - 具身智能的产业链条极长，涵盖供应链、整机组装、数据闭环、售后服务等，算法反而是传播周期较短的一环 [11] - 具身智能的商业化节奏兼有制造业特性：资本回收慢、失败成本高，任何一环掉链子都会放大整体风险，单一技术突破很难撬动整个系统的商业化进程 [11] - 真正的商业化时刻被定义为在“某些限定范围内具备商业价值的一个时刻” [11] 发展路径与环境适配 - 清华大学教授汪玉提出颠覆性设想：未来住宅设计或许需要加入“机器人适配”维度，让建筑和基础设施主动为机器优化，而非苛求机器人适应人类混乱环境 [7] - 这种“环境工程”路径在工业史上并不陌生，如流水线、电梯、自动门都是先改变空间再释放自动化价值 [7] - 大模型运行在高度标准化的数字世界，而具身智能却要闯入一个为人类而非机器设计的物理世界，前者是规则清晰的棋盘，后者是充满噪声的旷野 [7] 务实的发展目标与终局展望 - 原力灵机联合创始人兼CEO唐文斌心中的具身智能ChatGPT时刻，是变得有用、可信赖，并能够在投资回报率（ROI）上算明白 [10] - 具身智能真正的分水岭，或许并非一次全民围观的技术奇迹，而是某一天在工厂、仓库、园区里悄然变成“离不开但不被讨论”的存在 [13] - 在终局来临之前，其成熟将更像基础设施的演进——缓慢、无声，却不可或缺 [14] - 在这场没有“神迹”的长跑中，胜出者或许不是算法最炫酷的，而是最懂供应链、最能跑通真机闭环、最愿意沉入具体场景的一方 [15]