具身智能产业的竞争逻辑正在发生变化。
过去，具身智能企业的核心竞争力更多体现在机械结构、运动控制、传感器和硬件性能上。如今，随着视觉语言动作模型（VLA）、具身基础模型和强化学习等技术的发展，模型开始成为机器人理解任务、适应环境和执行动作的重要组成部分。
这是因为让机器人完成一次预设动作，与让它在复杂环境中持续、稳定地完成任务，仍然是两件不同的事情。前者可以依靠相对固定的程序和自动化设备实现，后者则需要机器人具备环境感知、任务理解、动作规划、执行反馈和异常恢复等综合能力。
大模型为机器人带来了更强的语义理解和任务泛化能力，但模型如何适配不同的机器人本体，如何获得高质量训练数据，如何在有限算力条件下完成推理，以及如何在真实环境中持续优化，依然是产业需要解决的问题。
换句话说，机器人产业下一阶段的竞争，可能不只发生在本体和模型之间，还会延伸到模型背后的开发基础设施与服务体系。
这也是具身MaaS（Model as a Service，模型即服务）开始受到关注的原因。
在这条路径上，原力灵机是国产阵营里起步最早的一家。7月，其发布了全球首个具身MaaS——Dexmal MaaS，11月4日，又对Dexmal MaaS进行全面升级，进一步打通从数据采集、策略训练，到云端推理和真机部署的完整链路。
当大模型已经通过API服务探索出一套成熟的商业模式，具身智能能否走出类似的路径？当机器人开发从项目制走向平台化，MaaS能否成为新的产业基础设施？这既是行业的疑问，也正是原力灵机想用产品回答的事。
1破局：
搬走具身智能
落地“三座大山”
2026年被业内称为人形机器人“样机爆发年”，各种原型机轮番亮相，可真正在产线常态化替代人工的案例仍然有限。用从业者的话说，行业正处在功能机时代：样机可用，但距离好用、划算，还有很长一段路。
参照摩尔（Geoffrey A. Moore）经典的“跨越鸿沟理论”，任何颠覆性技术在从早期采纳者走向早期大众的过程中，都会遇到一个决定生死存亡的“死亡谷”。
当下，具身智能硬件本体的物理结构正趋于同质化，而决定能否跨越这条鸿沟的关键，在于能否建立高效、低成本的软硬件协同架构与工程交付体系。
原力灵机联合创始人范浩强在此前接受采访时曾提出一个判断：具身原生模型与简单将视觉语言模型和动作模块拼接起来的方案存在区别。真正的具身原生，需要从模型训练的第一天起，就将具身数据和物理世界交互纳入训练体系，而不是等到后训练阶段再进行补充。
他解释，传统大语言模型处理的主要是文本等数字信息，而具身模型需要面对大量视频、动作和物理交互数据，数据规模、评测方法和工程基础设施都存在显著差异。
这一判断揭示了具身智能产业化的难点：机器人需要的不是一个能够回答问题的模型，而是一个能够在复杂物理环境中持续完成任务的智能系统。
具体来看，具身智能模型走向大规模落地，至少需要翻过三座大山。
先是后训练（Post-training）的高技术门槛。具身智能模型落地应用，必须做适配特定机器人和任务的后训练，才能有好效果，然而后训练高度技术化，且在不断发展，一般工程人员难以掌握；后训练平台建设本身也是巨大的工程。因此，如果有一个针对具身智能应用的公共的、成熟的、完善的、用户友好的后训练平台，对于具身智能落地将有极大的价值。
还有本体算力极限与大模型体量的结构性矛盾。机器人本体的算力有限，进一步提升的空间小、成本高，而具身智能模型越来越大，算力小与模型大的矛盾与日俱增。
先看一笔账：一台具身智能机器人的总成本大约在10万元，仅芯片就占了3万元。但即便是这颗目前顶级的机器人芯片，做完摄像头的视觉处理、基本的运动控制，几乎没有余力去跑一个10 B参数的大模型做推理。因此“模型推理脱离本体”势在必行——把大脑放在云端、身体只保留感知和执行，成为越来越多从业者眼中绕不开的出路。
此外是复杂的工程交付。数据怎么采、怎么标、怎么清洗；模型怎么部署、怎么监控；现场出现异型件、掉件、卡顿，谁来兜底。这些都不属于模型能力，却决定了机器人能不能连续跑上几个小时。
这些问题仅靠算法优化不能解决，正如传统云计算的崛起抹平了服务器运维的复杂性一样，具身智能行业迫切需要一套基础设施，将碎片化的工程开发过程打包为标准化、开箱即用的能力服务。
范浩强讲过一个细节：如果没有MaaS这类服务，从零上手体验一款具身模型，通常要折腾三到五天，装环境、配驱动、调接口、找相机，“一系列流程折腾完之后，可能你对机器人的热情已经消耗85%了。”
这也解释了MaaS模式为什么值得在具身领域被重新审视。目前大模型市场已经用数据证明这条路跑通了。根据公开数据，国内MaaS正式跨入百亿赛道。IDC发布的《中国AI软件市场半年度追踪》报告显示，国内MaaS市场在一年之内实现了爆发式增长，市场规模达到106.3亿元，同比增长889.4%。
不过，传统MaaS主要围绕模型调用、算力资源和模型部署展开，而面向具身智能的模型服务，需要进一步考虑机器人本体接入、动作数据、任务训练和实际执行反馈。它所服务的对象，不再只是调用模型接口的软件开发者，还包括需要让机器人真正完成工作的工程团队和企业。
原力灵机的模型服务Dexmal MaaS，正是试图将这些分散的开发环节整合起来。
2Dexmal MaaS：
重构具身智能开发链路
具身MaaS需要解决的问题很复杂，它不仅要让开发者调用模型，还要让模型理解机器人本体、适配真实任务，并将推理结果转化为可执行的动作。
最新升级的原力灵机Dexmal MaaS，面向机器人提供从模型接入、数据上传、策略训练到部署推理的一站式能力。依托这套完整的模型开发与迭代链路，Dexmal MaaS已实现真实场景原子任务100%成功率，是行业首个真正打通具身模型开发与真实场景应用落地的平台。
这条链路，先从接入层展开，平台提供DexOS Lite和MaaS API等多种接入选择。其中，DexOS Lite提供轻量化的本体接入能力，打通机器人感知、云端模型推理和动作执行链路；MaaS API则为开发者提供更灵活的模型调用和系统集成方式。
子弹财经观察，DexOS可以被视为机器人的“安卓”系统——通过为模型侧与本体侧各自设定标准化接口，中间繁杂的硬件差异由系统层统一抹平。这彻底改变了传统模式下“换一台机器人就要重写一堆适配代码”的N×M适配困境，将其简化为“装系统、对齐接口”的一对一标准流程。
在后训练环节，平台针对特殊任务提供SFT、DAgger、RECAP三类后训练Pipeline，分别对应不同的能力诉求：建立任务执行能力、提升纠偏与异常恢复能力、减少无效尝试并提升稳定性。开发者不必从零搭一套训练框架，而是像选择不同“加工工艺”一样按需调用。
此外，在推理环节，训练好的模型可以直接部署到MaaS，为机器人本体提供云端推理能力。更值得注意的，是MaaS的商业设计，它对标大模型云服务“按调用付费”的逻辑，把模型分成两类：通用模型开箱即用、按Token计费；定制模型则让开发者上传自有数据、在基座上做后训练后托管在云端，按GPU占用时长计费。前者是“即插即用”，后者是“用不顺手就再训一训”，复刻了大模型从通用到微调的两条路径。
值得注意的是在数据侧，Dexmal MaaS平台还提供Ego数据服务、HandPose API和任务语义标注 API，为模型训练和持续优化提供支持。同时，平台支持LeRobot v3格式数据集上传、私有数据联合训练，以及数据管理和智能标注等能力，方便开发者基于自身数据开展模型训练和定制。
HandPose API：提取手部关键点、三维动作及Depth、Mesh、BodyPose等信息
这套链路已经在真实场景里跑出了结果。据原力灵机官方披露，在物流仓储领域，搭载MaaS的桌面机器人已部署于传送线侧，承担供包任务，综合作业节拍超过1,200件/小时，整体成功率超过99%。在仓储拆零分拣场景中，机器人已实现数千个SKU的稳定抓取，并与搬运机器人协同作业，高效完成分拣任务。
此外在生产制造领域，搭载MaaS的移动机器人正应用于手机生产线，配合产线完成废料回收。同时，面向手机打包、装配等环节的应用也在持续测试与部署中。在工业作业领域，针对接口插拔等精密操作场景，搭载MaaS的桌面机器人正在部署，通过调用MaaS服务，实现亚毫米级精度的质检。
3具身MaaS的
生意有多大？
一家公司的成功，回答不了这门生意本身的成色。要判断具身MaaS能不能成立，商业价值有多大，得把视野放到全球来看。
获得OpenAI与软银加持的Physical Intelligence（π）于10月13日开放了Pi API Beta，支持开发者上传机器人数据、使用云端算力微调模型；此前英伟达GR00T团队创立的Dream Labs推出Dream-1公共API，按每小时3美元出租“机器人大脑”，强调零样本泛化。
此外，NVIDIA和Google也在具身智能领域持续推进基础模型与开发工具布局。
NVIDIA通过GR00T系列基础模型、Isaac仿真与机器人开发工具链，试图建立覆盖模型训练、仿真验证和机器人部署的软硬件生态。Google则持续推进Gemini Robotics等具身模型研究，探索多模态理解、空间推理与机器人动作执行之间的联系。
这些企业的共同点在于，都不再将机器人智能局限于某一个模型，而是试图构建覆盖模型、数据、算力和开发工具的系统能力。
相比之下，原力灵机在国产具身智能赛道率先跑通了“一站式后训练+云端推理+系统级接入”的完整闭环，在贴合本土开发者生态与面向高校的普惠方面展现出了极强的差异化竞争力。
这背后，是原力灵机对大模型与Agent战略的深度思考。在通用技术栈（GPT）演进的历史中，每一代平台的崛起遵循着相同的产业演进规律：技术红利最终会从上游的硬件制造，向中下游的操作系统与基础设施平台集中。PC时代的Windows与Intel、移动时代的iOS/Android与AWS，莫不如此。
到了具身智能时代，原力灵机显然在选择一条兼具技术深度与生态野心的路径，即通过MaaS平台，想做具身智能领域的“数字水电站”。通过降低开发门槛、吸引高校学生与行业开发者深度试用，原力灵机不仅在构筑自身的品牌护城河，更在加速整个具身智能产业从“实验室样机”向“规模化商业落地”的跃迁。
愿景归愿景，落到账本上，具身MaaS的赚钱逻辑与大模型MaaS并不完全相同。
大模型MaaS是厂商提供标准化API，开发者根据调用量支付Token费用。只要模型能力足够好、应用场景足够多、调用频次足够高，就有机会通过规模效应摊薄算力和研发成本，形成持续收入。
但具身MaaS需要一套更具层次感的商业模式：基础模型调用提供标准化收入，后训练、数据服务和模型托管贡献持续性服务收入，针对特定行业和复杂任务的场景解决方案则带来更高价值的项目收入。
而这套商业逻辑能否成立，还需要看具身智能市场本身能否提供足够大的需求空间。
根据IDC发布的数据，2026年上半年，全球人形机器人出货量接近2.5万台，同比增长432%；其中，中国市场出货量超过1.9万台，同比增长426.3%，占全球市场比重约77.9%。预计2030年全球人形机器人出货量将超75万台左右
机器人出货量的快速增长，意味着未来可能出现更多模型训练、推理部署和系统迭代需求，这方面的市场规模有望持续增加。
4结尾
把时间拉长来看，原力灵机正在做的事，本质上是整个人工智能产业下半场的一个缩影：当模型能力不再是稀缺品，谁能把能力变成可调用、可执行、可交付的基础设施，谁就掌握下一阶段的话语权。
子弹财经观察，这波具身智能产业的基础设施之争，某种程度上与过去两代计算平台的发展有相似之处。PC时代，操作系统降低了软件开发和硬件使用的复杂度；移动互联网时代，云计算和应用商店让开发者能够更快地触达用户；大模型时代，API和MaaS则进一步降低了模型能力的获取成本。
但具身智能的复杂度更高。它面对的不只是数字世界中的信息处理，还涉及物理世界中的空间关系、运动控制、实时反馈和安全边界。模型服务平台既要连接算法，也要连接数据、算力和机器人本体。
原力灵机正在做的，是这个方向上较早的一步尝试。但是，它能否进一步成长为行业基础设施，关键取决于三个条件：一是能否持续提供具有竞争力的模型能力；二是能否通过标准化工具降低不同机器人和任务的适配成本；三是能否依靠真实客户和开发者形成持续的数据反馈与商业收入。
具身智能MaaS的价值不是说把多少模型放进云端，而在于能否让机器人更快进入真实场景，并在持续运行中创造可衡量的经济价值。
©投稿专线 微信：cyzqx2013
