用81920块积木，挑战拼装长3.5米、宽1.5米、高1.1米的长城模型。

2026年世界人工智能大会（WAIC）的现场，一场特殊的“建筑”工程正在上演。

 

来自通用具身智能公司原力灵机的6台机器人，4台桌面机械臂、2台人形轮式机器人，要在长达15小时的时间里持续不间断作业，将用81920块微型积木组件，挑战拼装一座长3.5米、宽1.5米、最高点1.1米的长城模型。

 

这是全球首次由机器人自主完成如此规模、如此精细度的积木模型拼装。

01. 

这场 “拼长城” 挑战，到底难在哪？

很多人第一反应是：搭积木而已，这不就是机器人的“老本行”吗？

但真正深入机器人精细操作领域的人都知道，越是人类觉得“简单”的手工活，对机器人来说往往越是反直觉的高难度动作。原力灵机的这次长城挑战，恰恰踩在了几条长期横亘在具身智能面前的核心门槛上。

我们可以先算一笔最直观的账。

这次demo用了81920块微型积木，6台机器人，计划在15小时完成。换算下来，平均每台机器人每小时要完成约910块拼装，也就是说每12秒就要走完“识别-抓取-对准-拼接”的完整动作循环，综合操作速度已经媲美人类熟练工的手速。

 

更难的是，这不仅仅是简单的重复劳动。传统工业机器人的高速作业，建立在“工件位置固定、动作路径固定、任务目标固定”的前提下，而积木拼装没有专用夹具、没有固定工位，不同积木的位置、角度都需要实时感知判断，还要应对积木本身的制造公差、拼接时的阻尼反馈。这就把任务从“执行”拉升到了“应变”的层面。

“持续稳定”同样是核心考验，人类工人连续作业数小时就会疲劳，精度、速度都会出现明显波动；而机器人要全程保持亚毫米级的拼接精度，不出现一次因失误导致的任务中断，对模型的长时稳定性、误差累积控制能力都是极限压力测试。

另外值得一提的是，这次拼装使用的微型积木，拼接公差在0.1–1毫米之间。也就是说，机器人的末端执行器必须在这个尺度内完成精准、稳定、可控的动作——而人类手部的自然抖动幅度约在0.3–1毫米，意味着这项操作的精度要求，已经摸到了人手生理极限的边界。

 

要做到“稳、准、微”，靠的不是单一硬件的精度参数，而是“高精度感知+精密驱动+自主执行”的全链路闭环。机器人要先通过视觉识别积木的微小卡扣结构，实时计算最优抓取姿态和拼接角度，再驱动机械臂完成微米级的位置调整，最后通过力觉反馈确认拼接到位。

除此之外，不同机器人之间协同合作也是一大难点。

本次挑战的执行团队，是4台桌面机器人+2台人形轮式机器人的异构组合。它们每一台都具备独立的感知、决策、执行能力，通过通信协商实现动态分工，分别承担小件组装、大件搭建、物料转运等不同任务。

 

多智能体协同的难点，从来不是“让机器人按顺序干活”，而是让它们在动态环境里自主配合：谁来补充新积木，谁来负责主体拼接，遇到错位时谁来修正，物料不足时谁去补给——这些都没有预设的固定流程，需要机器人根据实时任务进度自主协商。

在物理世界里实现这种级别的多机协同，远比数字世界的多智能体仿真更复杂。实体机器人有运动误差、有通信延迟、有物理碰撞风险，任何一个环节的配合失误，都可能导致整段搭建返工。

本质上，这早已脱离“搭积木”的通俗想象，而成为一场速度、动态应变、长时稳定、精密力控与多智能体协同的全方位能力的检验。

02. 

从“剧本”到“开放世界”，DM0.5的三大跨越

支撑这场极限挑战的，是原力灵机最新发布的通用具身基础模型DM0.5。

 

如果说此前的具身模型还在实验室里按照“剧本”表演，那么DM0.5的目标，是走出实验室，走向开放世界。相比上一代DM0，DM0.5在训练数据规模、架构创新和泛化能力三个维度实现了全面升级。

数据规模上，DM0.5基于15万小时多源数据深度训练，数据量提升400%，参数量翻倍至4B。这15万小时中，包含5万小时真机高精度操作数据、10万小时人类原生第一视角视频数据，以及覆盖100万平方米空间场景的重建数据。真机数据解决“怎么做”，人类视角数据解决“怎么理解”，空间数据解决“在哪做”，三者合在一起，让模型真正理解物理世界的运行逻辑。

 

架构创新上，DM0.5引入了三大关键设计。上下文抽象层让模型原生支持最长60秒的记忆能力，而不是只能依赖当前画面做判断。具身思维链任务通过11项推理任务，驱动模型对“指令+本体+环境”进行三方联合建模。模型不再只是“看到什么就做什么”的动作复读机，而是真正理解“为什么要这样做”。轨迹对齐层解决了遥操作数据中不同操作者节奏差异带来的噪声问题，让模型学到的是任务本身的动作规律。

泛化能力上，DM0.5形成了五大核心能力。在Zero-Shot（零样本）场景下，即使没有针对特定任务进行训练，模型也能“看懂目标—做出动作—跨本体执行”的完整闭环。在导航任务上，Zero-Shot成功率较上代提升31%；Few-Shot成功率提升45%；Fine-Tuning成功率提升20%。更重要的是，DM0.5通过多机型多任务训练，使得模型能够通过后训练迁移到未见过的机型上——同一个模型，既能控制桌面机械臂拼积木，也能控制人形机器人做复杂操作。

 

更重要的是成本。在DFOL2.0的驱动下，真机训练数据需求下降60%，整体训练成本下降40%。一块消费级4090显卡、18小时即可完成一个下游任务的专家级部署。这意味着具身智能的门槛正在从“只有巨头玩得起”走向“中小团队也能上手”。

这背后，原力灵机同步发布的通用具身世界模型DW0.5功不可没。作为DFOL2.0的核心组件，DW0.5是一个高保真仿真器，能够在虚拟世界中精准模拟动作执行后的结果，为DM0.5提供海量低成本的预训练和试错环境。

 

在长城拼装挑战的备战过程中，这套机制的价值尤为突出。研发团队将强化学习“搬进”虚拟世界，让DM0.5在DW0.5构建的仿真环境中进行海量试错，由DW0.5实时反馈每个动作的成败与偏差，再把优化后的策略迁移到真实机器人上，最终只需少量真机数据即可完成微调部署。

正是借助虚拟世界的反复优化，DM0.5才得以大幅减少对真实数据的依赖，在不到半年内从DM0迭代至DM0.5，并在WAIC现场完成这场极限挑战。

03.

精细操作的真正价值：撬动制造业最后20%

长城拼装挑战的真正意义，远不止于一场精彩的Demo。

目前，制造业通用场景中仍有约20%的工序必须依赖人工精细操作。这20%包含四类场景：微米级精密装配、柔性/易碎物料微调、缺陷返修/首件判定、以及狭小空间操作。这恰恰是具身机器人未来最需要攻克的阵地。

以仓储物流为例，传统的自动化设备能处理刚性、规整的货物，但对于衣物、软包、塑料袋等非结构化物体，几乎无能为力。原力灵机已经在物流场景中验证了这条路——其旗下Atomix是国内领先的AI原生柔性仓储解决方案商，已服务优衣库、蜜雪冰城、可口可乐等头部企业，自研托盘四向车销量位居全球第二。

新发布的Ferrata多智能体混合作业系统，则更进一步。它专注解决中小件商品的“货到机器人”拆零拣选难题，适配ToC电商仓、ToB流通仓、逆向物流三大场景，已在真实仓库完成实地测试，场景覆盖超10万SKU、日订单峰值数万单。

 

从拼长城积木到仓库拣货，底层是同一套逻辑：让机器人理解“做什么”“怎么做”“为什么这么做”，并在复杂的真实环境中稳定执行。

04.

具身智能的“ChatGPT 2.0时刻”

在Action 2026发布会上，原力灵机曾给出了一个判断：具身智能正处于ChatGPT 2.0时代。

这个判断的含义很清晰。2022年末ChatGPT刚面世时，大众只觉得对话、文字生成新鲜有趣，但距离标准化生产力工具尚有距离。如今的具身智能行业亦是同理——Scaling Law已经充分验证，模型跨场景泛化能力显著提升，行业只差最后一关：大幅降低落地门槛，让中小团队、工厂工程师都能低成本用上成熟体系。

原力灵机的路线选择很明确，坚持“具身原生”，从零为机器人训练模型，而不是拿一个通用大模型“改装”成机器人模型。这条路更重、更慢、启动门槛更高。但从DM0到DM0.5的迭代速度来看，这条路的天花板可能更高。

2026年2月发布DM0，参数2.4B，RoboChallenge真机评测单任务与多任务双项全球第一。不到半年推出DM0.5，参数翻倍至4B，数据量提升400%，Zero-Shot导航成功率提升31%。这种迭代速度，在具身智能领域并不多见。

WAIC上那6台机器人用15小时拼出8万块长城积木的画面，或许会被记住很久。但比画面更值得记住的是它背后的信号，具身智能正在从“实验室里的一场表演”走向“真实世界里的一台机器”。