社区

作者 | 肖恩

编辑 | 德新

真实仓库不会去配合机器人。

软包会塌，纸箱会变形，塑封袋的边角会翘起来。同一个商品，上午还在料箱里躺得规规矩矩，下午换了一层外包装、挤在另一个角落，机器人就要重新判断从哪里下手。

但实验室里不是这样。

实验室有干净的台面、稳定的光线、提前摆好的物体，机器人的每个动作都可以显得很流畅。但到了客户现场，评价指标很简单：能不能像人一样稳定地完成工作？

真正卡住行业的，是一个更底层的矛盾：好模型需要真实机器人数据，但真实数据只有在大规模部署中才会产生；而大规模部署，又必须依赖已经足够可靠的模型。

这就变成了一个“先有鸡还是先有蛋”的循环。

原力灵机刚刚发布的 Ferrata（飞拉达），正是为了打破这个循环。

它不是一台新的机器人，也不是一个具身大模型，而是一套面向真实场景的多智能体混合作业系统。它要做的，是让机器人先在有保护、有调度、有人兜底的状态下进入现场，稳定完成任务；再把真实作业里的成功、失败和接管，持续变成下一轮模型和系统迭代的数据。

只有在真实场景中稳定运行、持续回流数据，具身智能的数据飞轮才有可能真正转起来。

一、真实场景需要的是一套系统

要让机器人在真实场景里稳定工作，首先要面对一个问题：仓库里的任务并不是凭空出现的。

它来自订单，来自库存状态，来自仓储管理系统。系统要知道哪一个料箱已经到位，哪一个 SKU 需要被取出，当前哪个工位空闲，哪个任务优先级更高。

机器人接到的也不只是一个孤立指令，而是一组被业务系统约束过的目标。

这也是 Ferrata 发布会上反复强调的一点：它首先是一套系统，而不是某个单独的模型或硬件。

它要做的，是把这些目标拆成可以执行的任务，再判断由谁来做、什么时候做、用什么方式做。

任务执行后，成功结果和失败原因都会回流到系统里。一次失败是因为姿态问题，还是抓取方式问题，还是设备状态问题，这些信息会影响下一次任务怎么分配。

Ferrata 这个名字来自 Via Ferrata，意大利语里意为“铁索攀岩道”。在登山场景中，它指的是一套固定在岩壁上的保护系统，让攀登者能够在复杂地形中继续向前，即使出现失误，也不会直接坠落。

原力灵机借用了这个比喻，把 Ferrata 称为具身智能进入真实物理世界时的 Physical Harness。

这个词不只是“安全保护”的意思。放到业务现场里，它更像夹在业务目标和现场执行之间的一层系统机制：一边承接订单、库存状态和现场约束，另一边组织模型、硬件、调度、安全和人工接管。

Physical Harness 保护的并不只是机器人。它保护的是业务现场的连续性。

机器人可以试错，但不能让一次试错变成停线；模型可以处理复杂任务，但不能把模型失败直接扔给客户现场。

Ferrata 的价值就在于，在模型和真实物理世界之间，搭起一层可调度、可验证、可恢复的系统机制。

这和单纯卖一台机器人完全不同。

机器人解决的是执行动作。Ferrata 解决的是，一组不同形态的执行体，怎样在同一个业务现场里协同起来。

它承认真实现场里会有人，有业务系统，有自动化设备，也一定会出现异常。Ferrata 做的不是把这些东西推倒重来，而是把它们连接起来，不让具身智能变成现场里的“孤岛”。

对客户来说，最重要的也不是机器人像不像人，或者模型听起来有多先进。真正影响客户决策的，往往是另一套标准：日常作业是否足够稳定，出现异常后能否快速恢复，投入产出比是否说得清楚。只有这些问题有了答案，机器人系统才有机会进入仓库。

Ferrata 这套系统要解决的第一个问题，不是哪台机器人更强，而是现场里的不同任务，应该被怎样拆开、怎样分配，最后怎样完成。

二、多智能体分层：谁来干什么

仓库里的任务难度、频率和成本完全不同。

Ferrata 没有让一种执行体处理所有问题，而是设计了一套任务分层机制，把物流作业拆成 L1、L2、L3 三个层级。

L1 承接简单、高频、稳定的主量任务。

这类任务不需要最复杂的机器人，也不需要每一次都调用大模型。仓库里有大量重复动作，真正决定成本的，往往正是这些看起来普通的任务。它们如果能由高性价比基础硬件稳定完成，系统的效率和经济性才先站得住。

L2 处理复杂任务。

异形件、软包、姿态不稳定的物体，都是传统自动化容易碰到边界的地方。物体可能变形、被遮挡，摆放姿态也不会完全重复。机器人不能只照着固定路径做动作，还要判断目标、空间、抓取点，失败后再调整策略。这里才轮到具身模型和更强硬件上场。

L3 留给长尾任务。

多次失败、高风险确认和系统没见过的异常，需要人工兜底和远程接管。人没有被排除在系统外，而是变成这套系统里的保护层。接管完成后，处理过程也会被记录下来，成为后续模型和调度策略改进的数据。

比如一件软包装商品被送到拣选工位。它外形不规则，在料箱里的角度也不好。系统如果判断它仍属于稳定任务，基础硬件可以直接完成抓取和放置。

如果第一次抓取失败，或者包装姿态不适合基础设备处理，任务会转向 L2。具身模型重新判断抓取点，机器人调整动作路径，用更适合的方式处理这个软包。

如果多次失败，或者涉及高风险确认，任务进入 L3，由远程操作员接管。

任务从哪个层级开始，什么时候升级，什么时候让人接管，都由系统来决定。

这种设计也给模型留出了成长空间。具身模型不必从第一天就处理所有任务。它可以先进入传统自动化处理不好、但边界相对清楚的环节，在真实作业里积累成功、失败、重试和接管样本。

对客户来说，系统今天就能先跑起来；对模型来说，真实场景也在持续提供新的优化数据。

三、DM 模型与 Real Time：让机器人跟上节拍

在Ferrata 的系统能力里，模型仍然很重要。

Ferrata 的优势之一，是 DM 系列模型。其中，DM0 是一个 2.4B 参数的具身原生 VLA 大模型。

行业内普遍做法是用开源大模型做一些适配，但 DM0 是从训练一开始就把物理世界里的数据放进来。除了多模态互联网信息，DM0 还融合了驾驶行为、机器人操作、导航等具身场景数据，并在预训练阶段混合抓取、导航、全身控制等任务。

这让它不只会“看懂”物体，还会学习物体、空间和动作之间的关系。

在 Ferrata 里，DM 系列模型主要支撑 L2 层的复杂任务。

软包会变形，异形件不好抓，商品可能被遮挡，也可能以系统没见过的姿态躺在料箱里。传统自动化擅长固定位置、固定形态、固定路径，一旦物体状态变化太多，就无法处理。

DM 系列模型要解决的，就是这些不确定性。

它要判断目标在哪里，周围空间能不能通过，从哪里抓更稳。对仓储拣选来说，这些能力决定了系统能否稳定处理那些传统自动化难以覆盖的复杂物品。

DM0 的评测成绩也给这套能力提供了一个参照。

在 RoboChallenge 的 Table30 真机评测中，DM0 的平均成功率达到 62.00%。Table30 考察的是桌面级真实机器人操作任务。按照公开榜单数据，DM0 当时领先第二名接近 10 个百分点。

模型判断出来后，并不等于机器人能把活干完了。

判断要转成动作，动作还要跟得上现场节拍。仓库不是实验室，机器人不能慢慢想完再动。在连续拣选流程里，每一次额外的等待都会拉低整体处理效率。一个动作慢几秒，在 demo 里看起来不明显，但当处理规模扩大到每天上万件商品时，这些时间损耗最终都会累积成实实在在的运营成本。

Ferrata Realtime 解决的就是这个问题。

如果把 DM 模型看成负责理解和决策的大脑，Ferrata Realtime 更像负责即时反应和运动协调的小脑。它要做的，是把模型判断尽快转成机器人动作，并且让动作在执行过程中不断被修正。

VLA 模型的推理链路很长，从视觉编码、语言理解到动作生成，中间有大量计算步骤。Realtime的关键思路是减少推理过程里的额外开销，把视觉编码器、语言模型和动作模块拆成更适合高效执行的计算单元，再用加速推理实现把延迟降下来。

30Hz 多视角 VLA 频率和最高 480Hz 轨迹频率，正是这种实时执行能力的体现。

30Hz 对应的是机器人持续更新视觉信息和动作判断的节奏；480Hz 对应的是更底层的轨迹输出和动作修正。前者让机器人在运动过程中持续获取环境变化，后者让它在执行过程中实时优化动作轨迹。放到拣选现场里，这意味着机器人不是先想完再动，而是在连续作业里边看、边判断、边修正轨迹。

更重要的是，得益于 Realtime 的优化，DM0 大模型在单消费级 GPU 上就可以运行，推理延迟极低，作业节拍媲美人工。

DM 模型和 Realtime 技术互相配合，前者解决“怎么做”，后者解决“能不能跟上节拍”。两者合在一起，Ferrata 才能让机器人在真实作业里跟上人工操作的节奏。

四、经济飞轮为数据飞轮买单

前面解决的是机器人如何进入真实场景。

但对具身智能来说，进入现场还只是第一步。数据飞轮要转起来，必须有持续大规模的真实作业，数据才能长期、高频、稳定的回流。

这就引出了另一个问题：客户为什么愿意持续部署？Ferrata 讲“经济飞轮”，就是为了回答这个问题。

它落到物流仓储，并不是一个简单的自动化改造项目，而是一套面向中小件商品的货到机器人拆零拣选系统。和传统 AGV 方案相比，它更强调固定工位上的机器人作业，通过货物流转和系统调度完成拣选任务，再由机器人和具身系统完成单品拣选。它的价值也不只在自动化硬件本身，更在于能不能构建一套可规模复制的商业模型。

这个飞轮要转起来，有两个前提。

一个是系统的可靠性。

作为一套部署在真实仓库里的系统，Ferrata 必须具备完整的故障安全与异常恢复机制，确保 7×24 小时持续稳定运行。否则，客户很难把真实业务流程交给它。

这里的关键，是系统级冗余。

仓库现场会出现各种异常：料箱卡住、条码识别失败、机器人作业失败，甚至某个工位临时不可用。Ferrata 需要提前考虑这些情况，通过冗余设计和故障隔离，避免单点问题扩散成整条流程的停摆。

具体到异常恢复，它主要有两层机制。

第一层是任务无缝切换。当机器人因为异常情况作业失败时，系统支持秒级任务切换，把任务送到下一工位或下一处理层级继续执行。订单不会因为某一个环节卡住就停在那里，整个履约流程也能保持连续。

第二层是远程遥操接管。遇到机器暂时处理不了的异常，远程操作员可以直接介入处理。这种方式既能解决现场问题，也能降低运维响应时间。

相比模型参数和性能指标，这些能力并不显眼，但对客户而言却是更现实的考量。只有系统足够稳定可靠，客户才愿意把真实业务交给它来运行。

另一个前提是回报确定性。

自动化系统要把投入变成可计算的收益。Ferrata 给出的账本主要分成三块：效率、成本和部署扩展。

效率上，Ferrata 的坪效比传统模式提升超过 200%，拣选效率提升 3 倍以上；即使和主流 AGV 方案相比，也保持 30% 到 50% 的领先。

成本上，重点是单件拣选成本。Ferrata 给出的目标是单件拣选成本降低 40% 到 60%，多数客户投资回报期控制在 18 个月以内。

部署上，传统自动化常常要以月为单位推进，Ferrata 给出的目标是两周部署，同时支持 7×24 小时作业和后续灵活扩展。

仓库不是统一模板，这些数字最终还要在客户现场验证。但至少说明，Ferrata 想建立的是一套可复制的商业模型：先用明确的效率和成本收益证明价值，再推动客户从试点走向更大规模的应用。

经济飞轮跑通后，还有一层隐性收益。

Ferrata 每处理一个商品，都会积累对特定行业和特定场景的理解。同时，系统通过持续学习特定行业的 SKU 特性、库存波动规律和作业峰值模式，逐步从单纯执行任务，走向更高层面的判断。随着处理量增长，它对复杂商品的处理也会越来越熟练。

系统稳定性和经济账的确定性，先打消客户持续投入的疑虑。让经济飞轮为数据买单，再用数据飞轮反哺模型能力。

五、结语

当今的具身智能行业，很容易被 demo 吸引。

机器人会不会叠衣服，会不会洗碗，会不会完成一个高难度的动作，这些往往更容易成为行业关注的焦点。

但到了真实作业环境里，客户要的从来不是某个孤立能力。

仓库今天是靠一套系统在运转，只是这套系统里还有大量人力。Ferrata 想做的，是用更高程度的自动化，把模型、硬件、调度、安全和人工接管重新组织起来，接管原来由人完成的部分工作，并让这些真实作业持续沉淀为数据。

动作吸引眼球，系统创造价值；而数据飞轮，也必须建立在真实业务持续运行的基础之上。