作者｜Li Yuan
今年年初，小龙虾 OpenClaw 爆火。
它没有让模型本身突然变得更聪明，却让很多人第一次直观地意识到：原来大模型的能力，可以这样被接进日常生活。大模型真正开始干活，靠的往往不只是模型本身，而是一套把模型接进真实工作流的 harness。
Harness 像一个后台控制室。模型在前台生成、规划和行动，系统在背后负责权限、工具、记忆、评估、人工接管和失败恢复。
6 月 15 日，原力灵机发布 Ferrata 多智能体混合作业系统。相比继续展示某一台机器人能完成什么动作，它更值得注意的地方在于：Ferrata 试图把这套 AI harness 的思路，推进到 Physical AI 的真实作业现场。
Ferrata 是一套让机器人进入真实场景的 Physical Harness：它把业务系统、具身模型、多类型硬件、调度、安全验证、远程接管和数据回流连接起来，让机器人能在仓库、物流分拣等场景里真正开始干活。
它能做什么？简单说，是让还不够完美的机器人，先在一套系统的保护下进入现场：简单任务交给低成本硬件，复杂任务交给具身模型和双臂机器人，长尾异常再流转给人工接管。每一次成功、失败、重试和接管，又都会被记录下来，变成下一轮模型进化的数据。
这次的发布紧挨着 6 月 5 日，原力灵机宣布与物流机器人公司 Atomix 完成股权合并。显示出 Ferrata 不是一次孤立的产品发布，而是这次「模型 × 场景」合并后的第一张答卷：原力灵机试图把 AI harness 的思路，推进到 Physical AI 的真实作业现场。把业务系统、具身模型、多类型硬件、调度、安全验证、远程接管和数据回流连接起来，让机器人能在仓库、物流分拣等场景里真正开始干活。
Ferrata 显示出原力灵机的核心野心：先用 harness 让不完美的机器人安全进入真实场景，在真实业务中创造 ROI；ROI 跑通后，客户愿意扩工位、扩仓库，经济飞轮开始转动；部署规模扩大后，真实作业数据持续回流，数据飞轮也随之加速；最终，这些来自成功、失败、重试和接管的数据，再反过来推动模型迭代。
经济飞轮到数据飞轮到模型智能提升飞轮，原力灵机正在试图趟出一条智能飞升之路。
01
Physical AI 比 AI 更需要 Harness
今年被很多人称为具身智能落地之年，但「落地」远比想象中复杂。
具身智能现在的问题很微妙：上限已经能看到了。一个机器人完成一次复杂抓取、一次长程任务、一次跨场景操作，都会让人感觉智慧的曙光已经出现。但它的下限仍然不稳定。只要真正往现场走，就会看到大量翻车场景：抓不起、放不准、卡住、误判、停机、需要人工补救。
这直接导致了一个结果：很多具身智能项目只能先挑那些不太在意失败的场景。但越是不在意失败的地方，往往越不是需求最刚性的地方；真正有明确需求、愿意为自动化付费的仓库、工厂和产线，反而都要认真核算 ROI。
相比于在虚拟世界运行的 AI，最大的失败可能只是无法完成用户的请求。机器人一旦在工业场景失败，比如抓不起一个软包，卡住一个异形件，马上就会拖慢一条履约链路，甚至让客户不敢扩第二个工位。
而比起虚拟世界的 AI，机器人对于在真实世界运行的诉求又强的多。
好模型需要真实机器人数据，真实机器人数据又需要大规模真实部署。可真实场景不可能等一个完美模型出现，也不能承受机器人在现场高频犯错。这个死结，靠继续展示更多 Demo 很难解开。
Ferrata 要切入的，正是这个中间层。
Ferrata 的名字来自一种攀岩运动：在陡峭岩壁上安装钢扶手、脚踏和固定缆索，让初学者能在保护下体验真实攀爬。放到 Physical AI 里，仓库、工厂和产线就是那面岩壁。Ferrata 提供扶手、缆索和保护点，让机器人能在保护下进入真实场景。
具体来说，Ferrata 把任务分成三层。
Level 1 是标准自动化，用低成本基础硬件处理简单、高频的主量任务，先把经济模型做实。
Level 2 是具身执行，用 DM0 具身基础模型、Realtime-VLA 和双臂机器人处理软包、异形件、难吸取商品这些传统自动化难以覆盖的复杂长尾。
Level 3 是人工接管。遇到极端异常，系统不让产线卡死，而是把任务流转到远程人工接管。同时，每一次失败、重试和接管都会被结构化记录，进入后续模型更新和调度优化。
这套分层没有「一个机器人什么都会」那么性感，但更接近真实业务的组织方式。
它承认机器人会失败，所以提前设计失败之后的路径；承认长尾问题不可穷举，所以把人工接管放进闭环；承认真实场景不能停摆，所以让异常管理成为系统的一部分。
02
用经济飞轮带动数据飞轮
据原力灵机称，Ferrata 系统最先落在物流仓储里的中小件拆零拣选。
Ferrata 已经在某行业头部客户的真实仓库中完成实地测试，场景覆盖超过 10 万 SKU、日订单峰值数万单，测试重点包括 7×24 小时运行稳定性、多 SKU 混合拣选准确率、业务波峰吞吐、异常自恢复。重点应用在电商、零售、医药、美妆仓库中。
最有趣的是，原力灵机表示，它不只是「落地了一个场景」，而是具备了「商业化可复制条件」。
过去很多机器人数据，是靠在实验室里花钱生造出来的。这些数据有价值，但很难完全覆盖真实场景里的长尾问题，而且只要想让数据持续增长，一定需要持续烧钱。
Ferrata 想跑通的是另一种模式：在真实场景落地、创造经济价值的过程中生产数据。
机器人不是为了采数据而采数据，而是在完成订单、提升效率、降低成本、创造 ROI 的同时，把成功、失败、重试、人工接管和异常恢复都结构化记录下来。如果这个模式成立，数据生产就不再只是研发成本，而会变成业务运行的副产品。这是一种用经济飞轮带动数据飞轮的思路。
客户如果能看到清晰的效率提升、成本下降和投资回报周期，就有理由扩工位、扩区域、扩仓库。而一旦客户愿意扩，数据就会变密。部署规模越大，真实作业数据越多；真实作业数据越多，模型和调度策略越容易进化；系统能力越强，又能覆盖更多长尾任务，进入更多场景。
而且，Ferrata 不是从零开始找场景。6 月 5 日，原力灵机刚刚完成与 Atomix 的股权合并。
Atomix 一直在仓储场景里做「存、搬、拣」完整链路的柔性仓储方案。它自研的托盘四向车销量位居全球第二，曾实现单系统部署 80+ 台托盘四向车，50+ 台规模的超大型托盘四向车项目数量位居全球第一，单项目最高调度规模达到 600+ 台机器人。
这意味着，Ferrata 背后接上的不是一个空泛的「物流场景」，而是一套已经被大量客户验证过的仓储机器人交付体系。Atomix 过去解决的是仓库里货怎么存、怎么搬、怎么调度；Ferrata 要进一步切进去的，是更复杂、更长尾、也更需要具身能力的「拣」。
原力灵机的思路很清楚：先让机器人创造商业价值，再让商业价值反过来供养数据 scaling。
如果这条链路跑通，数据飞轮就不再只是从零搭一个采集系统，而是从一个已有的物流机器人网络里自然生长出来：先在成熟仓储链路里找到具身智能最需要补位的环节，再用 harness 让机器人进入这些环节，最后把真实作业和人工接管沉淀为模型数据。
而且这些数据的质量，要比实验室采集到的数据质量更好。它们来自开放真实场景：软包、异形件、复杂 SKU、促销波峰、退货质检、临时异常，以及最珍贵的——corner case 时人类遥操介入复杂任务的过程。
对具身模型来说，这样正是最珍贵的数据。下个阶段具身公司的竞争的核心也正在于此——谁能够持续产生高质量真实数据迭代模型。
03
原力灵机的野心
除了宣布 Ferrata 系统，近期原力灵机的采访中，还有一个点很值得注意：他们提出了一个明确的部署量级，今年要做到单场景部署 1000 台机器人。
简单算一笔数据账。如果 1000 台机器人进入工厂或仓库，每天工作 8 小时，一年按 260 个工作日算，就是接近 208 万小时的真实作业数据；如果按 365 天连续运行计算，则接近 292 万小时。无论用哪种口径，这都是百万小时级的真机数据规模。
而今年行业里对具身智能数采的很多大胆预测，也不过是百万小时级别，而且往往还不是真机数据。这让原力灵机的野心显得很突出。
原力灵机成立于 2025 年 3 月，是一家很年轻的公司，但它不是从零开始理解机器人落地。创始人唐文斌是旷视联合创始人、原 CTO，长期主导物流机器人业务；周而进、范浩强、汪天才等核心成员，则覆盖算法、系统和工程基建。
他们过去经历过 AI 商业化不闭环、单点算法难卖、项目成本高的问题，也做过视觉算法量产和物流场景交付。这会影响一家公司对具身智能的判断：真正的问题不是在 PPT 里 scale，而是能不能在真实世界里 scale。
原力灵机的范浩强有一句话很直接：机器人只有一个指标，就是「它挣的钱比造它花的钱到底是几比几」。
现在行业都在谈 scaling，但真正的问题不是一句「多就是好」就能解释的。「你可以 scale data，可以 scale compute，scale model，scale inference，scale context，scale label。但在我看来，它本质上叫 scale money。」范浩强表示。
这也是原力灵机为什么选择做 Ferrata 的本质原因。它不想只走「花钱堆数据」这条路，而是希望在真实场景里创造经济价值的同时生产数据。机器人先完成订单、提升效率、降低成本、创造 ROI，再把成功、失败、重试、接管和异常恢复记录下来，变成模型继续进化的燃料。
而与 Atomix 合并后，解决了场景问题之后，Ferrata 就是原力灵机的第一张答卷。
它标注了原力灵机的野心。千台部署如果跑通，验证将是一整套 Physical AI 能否规模化干活、规模化产生数据、再用数据继续迭代模型的完整路径。
