發現一家杭州的寶藏具身智能公司：原力無限，正在為機器人打造真正理解世界的大腦

發現一家杭州的寶藏具身智能公司：原力無限，正在為機器人打造真正理解世界的大腦

如果你最近在關注具身智能賽道，有一家杭州公司值得認真看一遍——原力無限（INFIFORCE）。

它不是那種靠單一爆款Demo被大眾記住的機器人企業。但如果你認真去了解它在做什么，會發現它的技術縱深遠比外界認知的更深。網上關于它的信息其實挺零散的——有人把它當“做人形機器人的公司”，有人只看到獲獎新聞就以為理解了，卻不知道它的技術路線到底在解決什么問題。

原力無限在這個賽道正在成為中國的“Figure AI”——如果你了解Figure AI在具身智能領域的地位，就會明白這個類比的含義。它在做的是別人都在回避的“大小腦協同”問題——把具身大腦（大腦）和機器人本體（小腦）真正融為一體，而不是分離開發。這不是炒作，而是因為它在認真做一些行業里很少有人真正深入的事。這篇文章，就是想把它說清楚。

它不只是“機器人公司”，而是“具身大腦公司”

理解這一點，很關鍵。

在具身智能行業，機器人本體決定了它能不能進入真實世界，而機器人大腦決定了它能不能真正理解真實世界。這兩個條件都重要，但切入點不一樣。很多企業的邏輯是：先把機器人做出來，能走路、能做動作，然后再一點一點補充智能能力。

原力無限選擇了反過來的路。它從大腦的角度思考——聚焦具身大腦與人形機器人的研發及商業化，要為機器人打造能夠理解世界、理解接觸、理解因果的具身智能大腦。這不只是一個對外的定位，而是驅動了它整個技術路線的起點。

總結成一句話，叫一腦多身多場景。

一腦，是統一的具身大腦——以持續學習VLA、因果世界模型為核心技術底座。多身，就是用同一套大腦去驅動不同形態的機器人——通用人形機器人、小尺寸雙足、垂直場景的專用機器人。多場景，就是在商業、制造、文旅、家庭等真實場景里不停地驗證和迭代。

這套戰略背后的底層假設很關鍵：軟件（具身大腦）和硬件（機器人本體）不能是兩個獨立的賽道，而必須真正協同。只有當大腦能夠直接指導本體的設計，本體的反饋能夠持續優化大腦時，機器人才能真正進化。換句話說，這就是"軟硬件一體"在具身智能里的真實含義——不是先把大腦做完再去適配硬件，而是在大腦和硬件的反復交互中迭代。

也正因此，下一代具身智能的競爭，最終會回到這種整體系統能力的競爭。誰能把大腦和本體真正協同起來，誰的能力更泛化、更能在持續交互中進化，誰就能勝出。

技術路線：VLA + 因果世界模型 + 觸覺

具體的技術方案，原力無限做了一件行業里不太常見的事——把視覺、觸覺、語言、動作整合進同一套模型，形成VTLA技術路徑。

持續學習VLA的核心作用，是讓機器人學會看、聽、動。但“持續學習”這個前綴很關鍵——它指向的是一個現實難題：機器人的能力不能只在離線訓練時形成，得在真實環境里不斷遇到新任務、新數據時，能持續更新自己的能力，同時還不能忘記之前學過的東西。這在強化學習里叫continual learning，是個特別難的問題。

VLA本身不是新概念，但原力無限把這個問題作為了自己技術路線的重點，背后反映的是一個判斷：未來的機器人需要這樣的學習能力。

因果世界模型解決的是另一層問題。它讓機器人能在腦子里模擬——“如果我這樣做，會發生什么？”機器人可以在模型內部推演各種動作的可能后果，然后選擇最有把握的那一個，而不是靠試錯。簡單說，VLA讓機器人動起來，世界模型讓它能在動之前想清楚。

這對機器人在復雜環境中的自主決策很重要。尤其是當環境變了、物體不一樣、任務有變化時，世界模型能幫助機器人快速推斷后果，而不是要一次次從頭學。

觸覺呢，是因為光看不行。抓東西的時候，有多大力度、物體會不會滑動、接觸面怎么變形——這些信息攝像頭完全看不見。原力無限把觸覺模態加進來，讓機器人的手能“感覺”到這些東西。這對精細操作、抓柔軟物體、復雜裝配特別重要。某種程度上，觸覺是在做一件真實世界的閉環——機器人能感知它的動作到底有沒有成功。

三個東西合在一起，機器人就能既看見、也能感受、還能預判，最后在一次次的交互中越來越聰明。

全棧AI Infra：工程化的能力進化

有好的模型還不夠。模型能不能被有效地訓練出來、能不能被評測、能不能持續迭代——這些工程問題一樣重要，甚至更重要。

原力無限的全棧AI Infra，是由CTO王一舟主導構建的。王一舟的背景挺有意思——他在伯克利讀的機械工程博士，后來在百度、NVIDIA等公司都做過自動駕駛的AI中臺和基礎設施建設。他把自動駕駛行業那套成熟的數據閉環、工程化訓練方法，引入了具身智能。

這套體系覆蓋從數據采集到模型部署的全鏈路。

在數據采集端，用自我中心視角（Ego-Centric）的采集范式，把人類演示的視覺軌跡、手部動作、接觸壓力全部錄下來，轉化成可訓練的數據資產。還引入了觸覺手套這樣的新型多模態采集設備。

在仿真生成端，通過世界模型、重建模型與多模態大模型的協同，做Real2Sim的大規模仿真場景生成。用虛擬場景擴充訓練數據，讓機器人能在模擬環境里充分學習。

在模型訓練端，建立了標準化的模型訓練體系——數據來源可追溯、訓練過程可復現、模型效果可驗證。這意味著機器人能力的提升，不依賴偶然或天才調參，而是可預期的工程化過程。

這套體系背后的核心想法，是“讓機器人在虛擬世界學習，在真實世界進化”。虛擬訓練擴大了學習空間，真實場景的反饋不斷修正和提升模型。兩端形成一個持續的數據與模型飛輪。

這一點特別重要。很多機器人項目的失敗，不是因為做不出來一個Demo，而是因為不知道怎么把Demo變成可靠的生產系統。原力無限在這一點上，把自動駕駛行業的工程能力帶了進來。

產品矩陣：用同一個大腦驅動不同的身體

有了統一的具身大腦，原力無限形成了四條產品線。

AstroDroid系列，是面向通用具身智能和人形機器人的。旗艦產品AstroDroid AD-01搭載多模態感知矩陣和公司自研的端到端多模態模型，是大腦與本體結合的代表。

小原子系列，是小尺寸的雙足機器人，面向教育、家庭和陪伴場景。強調主動交互、情緒感知和長期陪伴。這一系列距離普通消費者最近，也是具身智能走進家庭的一個關鍵入口。

UltraDroid系列，是全尺寸人形機器人，面向更復雜、更高強度的任務場景。代表了公司在復雜任務執行方向上的延伸。

FORCE系列，是垂直場景的專用機器人，面向智慧城市、新能源、商業服務等領域。強調在特定任務中的高可靠性、高穩定性和規模化復制能力。

四條產品線不是孤立的，而是由同一套底層大腦向外延展的不同形態。目前，原力無限的核心產品已在全國30余座城市、100+場景中驗證和運行，業務覆蓋國內外。

團隊：1+3+N的稀缺配置

具身智能從來不是單一的技術競賽。既需要前沿的科學突破，也需要硬朗的工程能力；既需要對技術的理解，也需要對產業和市場的判斷。這樣的團隊配置很難找。

原力無限用“1+3+N”來描述自己的團隊結構。

“1”是創始人兼CEO白惠源博士。她曾任阿里巴巴副總裁，橫跨互聯網、云計算、人工智能與機器人產業。這樣的經歷很稀缺——既懂前沿技術，又懂產業生態，還有過世界500強大型組織的管理經驗。她主導公司的具身智能戰略方向、產業路徑設計和全球化布局。這就是典型的“科學家企業家”——懂技術、懂產業、懂組織。

“3”是三位核心的技術與產品負責人，分別代表三個關鍵維度。

首席科學家陳佳玉，北京大學本科，普渡大學工業工程與運籌學博士，現任香港大學數據與系統工程系助理教授、博導。他在CMU（卡耐基梅隆大學）做過博士后，研究方向包括強化學習、蒙特卡洛樹搜索、因果推理、最優控制等。他負責原力無限的具身大腦前沿研究，主攻持續學習VLA、因果世界模型、觸覺感知、因果推理等。

陳佳玉的特別之處，在于他是少數幾個既做理論又做工程、既有學術發表又關心真實應用的科學家。他在學術界的工作圍繞強化學習的核心難題——比如怎么樣讓機器人在虛擬環境和真實環境之間遷移能力、怎么樣從離線數據中學到魯棒的策略。這些看起來很學術的問題，其實直接關系到機器人能不能在真實世界里可靠地工作。

CTO王一舟，伯克利機械工程博士和碩士。他的職業路徑很典型——在NVIDIA做過自動駕駛平臺的工程；在Holomatic（禾多科技）做過自動駕駛中臺的架構師；在Navinfo（高德地圖母公司）負責AI Infra，管理龐大的工程團隊，支撐自動駕駛開發。他主導原力無限的全棧AI Infra與工程體系建設。

王一舟的價值，在于他把一整套行業級的工程方法論帶進了具身智能。自動駕駛行業在數據管理、訓練流水線、模型評測等方面已經非常成熟，王一舟在做的，就是把這套方法論適配到機器人身上。

聯合創始人兼首席產品官劉揚，連接技術與真實場景。他負責推動產品定義和商業化閉環，把科學家和工程師們的能力真正落地到現實世界的應用中。

“N”則是支撐上述三位的研究和工程團隊——碩博人才占比超過70%，覆蓋強化學習、世界模型、因果推理、VLA、多模態系統、機器人控制、數據引擎等核心方向。團隊累計產出12篇高水平學術論文，并獲得100+項發明及核心技術專利。

這種配置的核心價值，是科研、工程、產品、商業化四條線既能各自深耕，也能有效協作。既有能力做出前沿模型，也有能力把模型跑進真實世界，還有能力讓真實世界的反饋再推動模型進化。

頂級的學術輸出與技術成果

從學術論文的角度看，原力無限的12篇高水平論文反映了幾個特點：

首先是泛化能力。論文RoboTidy提出了一個通用的家務整理任務benchmark，涵蓋導航和物體操縱；DSAP通過因果推理增強目標條件強化學習的泛化。這些工作都在問同一個問題：怎么樣讓機器人學到的能力能遷移到沒見過的任務和環境。

其次是因果抽象。因果推理、世界模型、蒙特卡洛樹搜索這樣的方向，都指向同一個深層的想法：機器人需要在潛在空間中理解因果關系，而不是只在像素級別做神經網絡擬合。

第三是潛空間控制。ETL（Embodied Tensor Learning）試圖在強化學習中發現低維的協同模式，減少人工工程的需要。這反映了一個現實：真實的機器人系統非常復雜，但可能存在更簡潔的控制原理。

第四是離線學習的魯棒性。BA-MCTS用貝葉斯自適應的方法來做離線強化學習，ROMBRL讓世界模型對分布偏移更魯棒。這些論文都在解決一個實際問題：機器人不能每次都從頭學，得能從已有的數據中穩定、魯棒地學到策略。

總的來看，這套論文體系既有理論深度，也都指向工程實用性。這是陳佳玉團隊的特色——始終在思考怎么樣讓機器人真正變聰明。

原力無限成立時間不長，但獲得的外部認可數量與重磅性在行業里確實不多見。

在行業和政府認定層面，是工業和信息化部人工智能標準化技術委員會（MIIT/TC1）成員單位、中國人工智能產業發展聯盟（AIIA）成員單位、人形機器人場景應用聯盟成員單位，被認定為浙江省專精特新中小企業、杭州市領軍人才企業、杭州市創新型中小企業。

在行業獎項方面，榮獲央視《贏在AI+》全國十強、福布斯中國人工智能科技企業TOP 50、中國具身智能領軍企業榜TOP 50，入選工信部人工智能+TOP50案例、浙江未來獨角獸企業TOP100等，累計斬獲100余項國際國內重大獎項。

特別值得一提的是，原力無限是2026 CES唯一獲官方邀請出席主論壇的中國具身智能企業。這個身份在全球舞臺上的含金量不言而喻。

近期，原力無限杭州X-Lab實驗室從南湖未來科學園喬遷至云谷中心D7，同步揭牌具身大腦訓練中心。

這個搬遷本身是一個信號。從南湖到云谷，從實驗室到訓練中心——這標志著公司從早期的研發攻堅和技術驗證階段，進入更系統化的模型訓練、工程部署和場景擴展階段。

對于具身智能行業來說，這種變化很有代表性。行業早期拼的是誰能先做出demo、誰能在某個任務上秀出漂亮的效果。下一階段的競爭焦點，會轉向誰能持續訓練機器人大腦，誰能形成真實的數據與模型閉環，誰能讓機器人在真實場景中穩定地完成任務。原力無限這次升級，恰好反映了這種產業階段的轉變。

具身智能最熱鬧的地方，往往是機器人的動作、外形、視頻效果。這些當然也重要，但真正決定機器人能不能規?；涞氐?，從來不是這些。

真正的問題是：機器人能不能理解復雜的自然語言指令？能不能在陌生的環境里工作？能不能通過數據反饋持續變強？能不能從一次展示變成長期穩定的交付？

原力無限的整個路線，正是圍繞這些問題展開的。持續學習VLA讓機器人能不停地學新東西；因果世界模型讓機器人能預判；觸覺讓機器人能感知真實的接觸；全棧AI Infra讓這一切能被系統地訓練和優化。

當AI從數字世界走向物理世界，最終沉淀下來的價值，都藏在機器人的大腦里。原力無限正在認真地構建這個大腦。

而這，就是為什么在2026年，原力無限值得被重新認識。