WAIC直击：一座积木长城，测出具身智能走向生产力的三道门槛

导读：15小时，81920块积木，机器人自主拼出一座长3.5米的积木长城。

2026世界人工智能大会（WAIC）现场，在一众机器人表演的demo中，原力灵机联合阶跃星辰展示了一项硬核挑战：6台机器人，持续15小时协同作业，将81920块积木自主拼装成一座长3.5米、宽1.5米、最高1.1米的积木长城。

而且机器人做到了亚毫米级操作，动作精度达到0.1到1毫米尺度。这也是全球范围内，机器人第一次自主拼装如此规模、如此精度的积木模型。

可能有人会认为，搭积木有什么难的？如果只是拼得更多、更大，多几个人多花一点时间同样可以完成。

这恰恰是这场展示最容易被误读的地方。积木长城最大的挑战在于，全程15小时机器人全自主执行，没有预编程，没有人遥控。机器人要自己看懂图纸结构，理解当前建造进度，然后像人类一样决定：下一步该拿哪块、放在哪、怎么按下去。

这座积木长城，把具身智能从模型迈入真实产线必须跨越的三道门槛，放在了同一个任务中，并公开摆在聚光灯下：

第一， 机器人能否自主执行完成长程任务，而非依赖预编程轨迹；

第二， 同一套基础模型，能否驱动多台不同构型的机器人协同作战，统一完成复杂任务；

第三， 数万次物理交互，能否被组织成一条持续十几小时的长程任务链，不因局部误差而中断。

这些指标不会出现在论文的基准测试排行榜上，却直接决定具身智能能否走出POC，成为客户愿意为之持续付费的生产力。

八万次决策，全程自主执行

谈论具身智能的产业落地时，一个长期困扰行业的幽灵始终挥之不去：我们在展会上看到的机器人演示，究竟有多少是模型真正的泛化能力，又有多少是精心编排的剧本？

答案往往令人沮丧。

大量炫酷的机器人演示，背后要么是预先编程的固定轨迹，要么是后台工程师在远程操控。机器人只是在重复一段被精确设定好的动作，换一个任务、换一个场景，系统就可能瞬间失灵。

积木长城最大的突破就在这里。整场15小时的拼装过程，从识别每一块积木的颜色与形状，到规划抓取姿态与放置位置，再到逐层堆叠建造成型——全部由原力灵机DM0.5基础模型自主决策、自主执行。

没有预编程的动作序列，更没有后台的遥操介入。每一次抓取和放置，都是模型在真实物理世界中独立做出的判断。

八万多块积木，意味着八万多次独立决策。

支撑这种自主性的底层能力，是模型泛化能力。积木的图纸只是最终目标，真正的难题全部藏在现场：光线不断变化，零件杂乱无章，六台机器人互相遮挡，物料位置不断偏移。这些工况，全部没有预先训练过，也无法被穷举。

DM0.5模型要做的，不是复刻一段固定程序，而是在每一个随机出现的现场状况中，实时感知、即时调整，决策下一步该拿哪块、放在哪、使多大劲。

此外，积木拼装对操作精度的要求极高。每块积木的接缝必须严丝合缝，稍有偏差，层层放大之后整个结构就会失稳垮塌。

这也是高精度操作的产业意义。在工业场景中，仍然有大量工序无法被机器自动化覆盖，必须依赖人工完成，比如微米级精密装配、柔性物料的微调、狭小空间内的缺陷返修等。

过去，这些活儿只有人手工干。而积木长城证明，一套具备开放世界泛化能力的具身模型，已经可以在真实环境中自主完成数万次高精度物理交互。

综上，自主决策和执行，是具身智能走向生产力的第一道真门槛。

一个具身大脑，指挥多副身体

长城任务的另一个关键看点，是现场6台机器人并非统一型号，4台桌面机械臂负责精细拼接，2台人形轮式机器人负责搬运与区域调度。它们背后是同一个大脑在指挥：原力灵机通用具身基础模型DM0.5。

这意味着，具身智能正在尝试走出“一机一适配”的碎片化困局。

过去，机器人的部署效果高度依赖硬件适配。换一个机型，往往意味着重新采集数据、调整训练策略，适配复杂度成为规模化部署的一大阻碍。

未来的真实场景不会只部署一种机器人，多类型机器人协同作业才是常态。如果每增加一种新机型就要重训一套模型，具身智能将永远困在高成本的小规模示范里。

跨本体泛化性正是DM0.5的核心突破之一。DM0.5在训练阶段就引入了单臂、双臂、轮式机器人、人形机器人等多类型本体数据。

模型学习的不是某一款机械臂的关节角度该如何旋转，某一类电机的力控参数，而是面向开放世界的通用的操控能力。就像一位经验丰富的厨师，换一口锅，该掌握的火候和翻炒节奏不会丢。

当然光靠基础模型还不够，原力灵机给出的解法，是一套“通用基础模型—低成本后训练框架—低成本世界模型演练—真机执行”的技术链：

• DM0.5提供通用跨本体泛化能力；
• DW0.5世界模型充当高保真虚拟仿真器，让机器人在仿真环境苦练内功；
• DFOL 2.0 通过高效的后训练框架，让模型快速学会下游任务。

这样一来，真机训练数据的需求量骤降60%，整体训练成本下降40%，甚至在消费级4090显卡上，最快18小时就能完成一个新任务的专家级微调。

借助这套完整的技术链条，从通用能力到专用能力的迁移成本，被系统性地压缩到了可规模化复制的程度。积木长城，正是这条技术链首次在公众视野下跑通全流程的体现。跨本体协同让一套模型调度多类硬件，低成本后训练让每次场景切换不再伤筋动骨。两者结合，构成具身智能从实验室演示走向产业部署的第二道真门槛。

时间，才是终极裁判

第三道门槛，也是最容易被忽视的一道——时间。

机器人行业从不缺少令人惊艳的短任务：流畅打完一套拳法，精准调出一杯鸡尾酒。但这些高光时刻都是被精心设计的“一分钟”。而真正的产线不需要一分钟的精彩，需要的是在7×24小时的连续作业中，不中断。

积木长城集中展现了当前具身智能对长程任务的探索：

首先，如何保持物理世界“长上下文”不断线。

大语言模型的长上下文，是模型读到文章后面，仍然记得前面说了什么。具身智能的长上下文要难得多。它要解决的，是“做完第5000次操作之后，还知道世界已经被自己改变成了什么样”。

拼积木是一个持续推进的物理建造过程。已经拼好的部分会改变工作区域的物理约束，后续的每一次抓取和放置，都必须基于对当前状态的准确认知。一旦系统“失忆”，整个任务链就会瞬间崩溃。

DM0.5原生支持最长60秒的记忆窗口，这让机器人在处理连续操作时能够“记得来处”。 在长城的万次级拼装中，这种记忆能力可以将数万个操作步骤组织成一条连贯、不中断的任务流。

其次，抗干扰能力确保长程任务持续进行不掉线。

物理世界不会对机器人温柔以待。在长达15小时的公开演示中，相机可能发生轻微位移，观众走动、光线变化会带来背景扰动。这些都是真实场景中必然出现的变量。

DM0.5在架构设计上为抗干扰性做了专门强化。即使遭遇相机视角骤变或人为打断，机器人仍能准确理解当前任务状态，自适应修正后续动作。对于真实产业场景，这种“被打断后还能接上”的能力，比流畅完成一次完美操作更有价值。

结语

过去两年，具身智能的叙事高度集中在惊艳Demo上。而原力灵机选择了一条更朴素的路径：去回答可靠性的问题。

原子动作能否在万次重复中不走样？一套模型能否快速低门槛适配多种本体协同作业？长程任务能否维持连续性？

积木长城，既是一次工程极限测试，也是一份公开的产业宣言。它表明，具身智能行业已开始形成一种共识：与其在百种任务上做一遍精彩演示，不如在一种任务上打通从模型能力到长程稳定交付的完整链路。

当一个系统能够连续运行十五小时且全程自主执行，具身智能才算真正拿到了进入真实生产场景的入场券。