2026 年的具身智能赛道，热闹依旧。

从跑跳运动到灵巧操作，从单任务演示到多场景泛化，机器人能力不断刷新外界认知。Figure AI、Physical Intelligence、Google DeepMind 等国际玩家持续迭代具身基础模型，国内企业也在加速布局。

但随着机器人越来越灵活，一个更关键的问题开始浮现：谁真正掌握了下一代机器人的核心智能？

流畅的 Demo、亮眼的 Benchmark 成绩，能够展示机器人的部分能力，却难以完整回答它能否适应复杂环境、理解物理规律，并在未知场景中自主决策。

具身智能的竞争，正在从动作执行深入到对物理世界的理解。

最近，原力无限（INFIFORCE）联合香港大学等高校研究团队推出的两项触觉研究，为这一趋势提供了新的观察切口。

在 TACROSS 研究中，团队将单只全手触觉手套的材料成本降至 10.86 美元，整套采集系统成本下降 95.7%，数据采集效率提升至 3.5 倍。更值得关注的是，引入人类触觉数据后，机器人四项操作任务的平均成功率从 51.3% 跃升至 91.9%。

另一项研究 TacEnvelope，则让机器人利用触觉反馈优化动作策略，在USB插入、柔性物体抓取等任务中，进一步提升操作精度与执行效率。

两项研究共同指向一个问题：机器人如何从学会完成动作，进一步走向理解真实的物理交互？

事实上，拿起一颗草莓，与知道如何拿起草莓而不将其捏坏，是两种不同层次的智能。后者涉及接触、受力、形变及动作结果之间复杂的物理关系，也是当前具身智能亟待突破的关键能力。

而触觉，只是原力无限近期科研突破的一个缩影。

从AtomVLA、AIM、SAM3D、HiMem-WAM，到 AtomEgo、TACROSS 与 TacEnvelope，原力无限持续在具身基础模型、空间理解、长程记忆、真实世界数据及触觉学习等方向推出原创成果，多项研究取得具有竞争力的Benchmark成绩。

密集的科研产出背后，是这家企业对具身大脑近乎执着的投入，以及一条越来越清晰的技术路线：以因果世界模型为核心，构建能够理解物理世界、持续学习进化的具身大脑 AtomBrain。

当具身智能进入「大脑时代」，原力无限的科研野心，正在一项项原创成果中显露出来。

从视觉到触觉，机器人开始学习真实的物理世界

视觉、语言与动作模型的快速发展，让机器人逐步具备跨任务、跨物体和跨场景的泛化能力。但进入真实物理环境后，仅依赖视觉信息，仍然难以应对复杂的接触与受力变化。

以 USB 插入为例。机器人可以通过视觉识别接口位置、规划运动轨迹，但真正发生接触时，细微的位置偏差、接触角度和受力变化，都可能影响操作结果。即使成功插入，也不代表机器人能够准确控制整个接触过程。

触觉的重要性由此凸显。然而，相比视觉数据，机器人触觉数据长期面临采集成本高、规模有限、不同硬件之间难以通用等问题。

原力无限最新推出的 TACROSS，尝试同时突破触觉数据的规模化采集与跨传感器学习两大难题。

研究团队设计了一套五层压阻式全手触觉手套，覆盖约 200 平方厘米手部区域，配置 285 个感知位置，采样频率约 150Hz，单只手套的材料成本仅 10.86 美元。

在论文的对比实验中，TACROSS将整套采集系统的设备成本从约 12000 美元降至 520 美元，下降 95.7%；数据采集效率从每小时 40 条示范提升至 140 条，达到传统方案的 3.5 倍。团队最终构建了包含 183.95 小时、24913 条示范的触觉训练数据集。

但 TACROSS 更具创新性的突破，在于解决了人类触觉经验向机器人迁移的难题。

由于人手与机器人灵巧手的结构不同，触觉传感器的感知原理、信号尺度也存在差异，人类触觉数据无法直接用于机器人训练。

对此，TACROSS 提出 Contact Canonicalization（接触语义归一化）方法，将不同传感器产生的触觉信号转化为统一的接触语义，让机器人学习从接触发生、逐步施力到稳定接触和最终释放的完整过程，实现跨传感器的触觉知识迁移。

实验结果颇具说服力：在固定 30 条机器人示范数据的条件下，仅使用机器人数据时，四项操作任务的平均成功率为 51.3%；加入 150 条人类示范并采用完整 TACROSS 方法后，成功率跃升至 91.9%。

消融实验进一步验证了关键技术的有效性：移除人类触觉输入后，成功率下降至 73.1%；移除接触语义对齐机制后，则降至 49.4%。

这意味着，人类真实世界中的触觉经验，正在通过跨传感器学习转化为机器人的实际操作能力。

如果说 TACROSS 解决了触觉经验如何进入机器人学习体系，那么同期推出的 TacEnvelope，则进一步探索机器人如何利用触觉反馈优化自身动作。

传统强化学习通常以任务是否成功作为重要奖励依据，但在精细操作中，仅关注最终结果并不充分。机器人可能通过反复碰撞完成USB插入，也可能在损伤柔性物体后完成抓取。

TacEnvelope 提出一种基于动态触觉包络的强化学习后训练框架，从成功示范中学习合理的接触力范围，并根据机器人状态、动作与触觉历史动态生成反馈信号，让模型在训练中同时关注任务结果与接触质量。

实验显示，在 USB 插入任务中，引入 TacEnvelope 后，两套强化学习框架的成功率分别从 72.5% 提升至 85%、从 87.5% 提升至 95%，平均完成时间也分别从 19秒缩短至 12 秒、从 20 秒缩短至 13 。在柔性糕点抓取等任务中，触觉反馈同样改善了受力控制与物体保护效果。

从 TACROSS到 TacEnvelope，原力无限的两项研究形成了一个值得关注的技术组合：前者让机器人能够学习人类的真实接触经验，后者让机器人能够利用接触反馈进一步优化动作。

触觉由此开始超越传统感知模块的角色，成为机器人获取物理经验、改善操作策略的重要学习信号。

当机器人开始理解接触与受力，并利用这些信息调整行为，具身智能的竞争也正在向更深层次的物理世界理解推进。

全球具身大脑竞争，正在走向物理世界理解

过去几年，具身智能的技术竞争正在发生变化。

随着基础模型与多模态学习的发展，机器人逐渐摆脱对单任务专用程序的依赖，开始具备更加通用的任务理解与动作生成能力。但当模型进入复杂真实环境，如何协调高层推理与实时控制、提升跨场景泛化能力，以及理解动作与环境变化之间的关系，成为新的技术挑战。

围绕这些问题，全球具身智能研究逐渐形成了三种具有代表性的技术重心：分层协同与控制、大规模数据驱动的通用策略，以及世界建模与物理因果理解。

Figure AI 的 Helix、Sharpa的 CraftNet  等研究，侧重不同层次的任务推理与动作控制协同；Physical Intelligence 的 π 系列、Google DeepMind 的 Gemini Robotics 等研究，致力于通过大规模多模态训练提升任务泛化能力；而世界模型相关研究，则进一步探索机器人如何预测环境变化，理解动作干预与物理结果之间的关系。

原力无限将因果世界模型确立为具身大脑 AtomBrain 的核心技术路线，正是这一方向上具有代表性的探索之一。

三种技术重心各有侧重，也并非彼此排斥。分层控制可以引入世界模型，通用策略可以融合触觉反馈，世界建模同样需要与动作控制和数据训练相结合。

从全球技术路线的演进可以看到，具身智能的竞争正在从动作生成，进一步深入到环境理解、物理交互与自主决策。

这也意味着，单项 Benchmark 成绩或某个任务的成功率，已经不足以全面评价一颗机器人大脑的智能水平。

从当前具身基础模型、强化学习与世界模型等研究方向来看，一颗具备通用能力的机器人大脑，需要在五个关键维度上持续提升：环境与空间理解、任务规划与动作执行、长期记忆与持续学习、物理交互与多模态感知，以及世界预测与因果理解。

这五项能力相互关联，共同决定机器人在复杂环境中的表现。任务执行需要空间理解与物理感知的支撑，长程任务依赖记忆与持续学习，而面对未知环境时，世界预测与因果理解则可能成为提升决策可靠性的关键。

由此，具身大脑的竞争正在从单项模型性能，走向对系统性智能能力的综合考验。

对于希望构建通用具身大脑的企业而言，真正的挑战，是能否在多个关键能力方向上持续取得原创突破，并将不同研究成果转化为相互支撑的技术积累。

这也为观察原力无限提供了一个新的视角。

当行业仍在探索具身大脑的能力边界时，原力无限已经围绕具身基础模型、空间理解、长程记忆、触觉学习等方向持续推出原创研究成果，并以因果世界模型确立了鲜明的技术主线。

这家企业的科研实力，究竟已经走到了哪一步？

从「科研狂魔」到具身大脑头部企业，原力无限的底气何在？

如果说触觉研究展现了原力无限在物理交互领域的最新突破，那么将其科研成果放在一起观察，更能看出这家公司的技术实力。

从具身基础模型、空间理解到长程记忆、第一人称数据学习，原力无限已经围绕具身大脑的多个关键能力方向形成持续的原创科研产出，并在国际 Benchmark 和真实机器人实验中取得了一系列具有竞争力的成绩。

AtomVLA 在 LIBERO 基准测试中取得 97.0% 的平均成功率，相关研究被 IROS 2026 接收；AIM 在 RoboTwin 2.0 基准测试中取得 93.1% 的平均成功率；SAM3D 在 LIBERO 基准测试中达到 99.1%，在 CALVIN 基准测试中取得 4.11 的平均任务完成长度。

在真实世界经验学习方面，AtomEgo 基于约 2659 小时数据展开研究，通过渐进式具身对齐，将真机任务成功率从 32.86% 提升至 51.43%。最新的 TACROSS 与 TacEnvelope，则进一步将研究拓展至跨传感器触觉学习和触觉反馈驱动的策略优化。

注：不同论文采用的实验任务、数据条件和评价指标存在差异，相关成绩不构成跨模型直接排名。

密集的科研成果背后，是原力无限持续强化的科研组织能力。

公司首席科学家陈佳玉长期深耕强化学习、世界模型与具身智能，CTO 王一舟拥有自动驾驶算法、AI 基础设施与数据闭环的长期研发及工程实践经验。由他们带领的研发团队硕博占比超过 75%，成员来自清华大学、北京大学、香港大学、卡内基梅隆大学、新加坡国立大学、哈尔滨工业大学等国内外高校。

从原创算法、基础模型到真实世界数据与工程体系，这支兼具学术研究和产业实践能力的团队，正在成为原力无限持续产出科研成果的重要支撑。

但相比论文数量和 Benchmark 成绩，更值得关注的是原力无限的技术选择。

从AtomVLA 的任务执行与未来状态预测，到 AIM、SAM3D 的空间理解，再到 HiMem-WAM 的长程记忆，以及 AtomEgo、TACROSS 等对真实世界经验的学习，原力无限的科研布局逐渐形成一条清晰的主线：围绕物理世界理解，构建能够持续学习、持续进化的具身大脑。

而这条主线的核心，正是因果世界模型。

在具身智能研究中，世界模型通过学习环境状态及其变化规律，预测动作可能产生的结果，并为机器人规划与决策提供依据。

但预测未来，并不必然意味着理解因果。

例如，机器人可以通过大量示范学会将杯子放到桌面上，也可以预测杯子最终停留的位置。但当桌面倾斜、接触位置改变，或者杯子受到外力干扰时，模型能否判断哪些因素真正影响了结果，并据此调整动作？

这正是物理世界理解需要进一步解决的问题。

相比侧重环境动态预测的世界模型，因果世界模型进一步关注动作干预与结果之间的关系，探索机器人如何理解物理交互背后的因果机制，并利用这种理解进行预测、规划与决策。

原力无限是全球首个提出以因果世界模型作为具身大脑核心技术路线的公司。 围绕这一方向，原力无限将因果建模、物理世界理解与持续学习作为 AtomBrain 的重要研究目标，探索机器人如何从真实交互中学习动作、接触、环境变化与结果之间的关系。

以物体抓取为例，当物体发生滑落时，机器人需要判断问题来自接触位置、施力方式，还是物体材质与运动状态。具备可靠因果理解能力的模型，有望进一步推演不同动作可能产生的结果，并据此调整操作策略。

这种能力的价值，在于提升机器人面对陌生物体、复杂任务和异常情况时的适应能力。

从这一角度看，原力无限持续推进的空间理解、长程记忆、触觉学习与第一人称经验研究，都与其因果世界模型路线形成了技术互补。

空间理解帮助机器人建立环境与交互关系，触觉提供真实接触和受力信息，长程记忆支持历史经验利用，而第一人称数据则不断拓展模型学习物理世界的经验来源。

这些研究共同服务于一个目标：让机器人理解动作为什么产生某种结果，并将这种理解转化为新的决策能力。

对于原力无限而言，因果世界模型由此成为其具身大脑 AtomBrain 最鲜明的技术辨识度，也构成了其在国内具身大脑竞争中的差异化优势。

因果世界模型的研究，需要大量真实、完整、可对齐的物理交互数据，也需要通过复杂环境中的实际操作不断验证。

这意味着，具身大脑的长期竞争力，既取决于模型的原创能力，也取决于真实世界经验能否持续、高效地转化为新的模型能力。

围绕这一目标，原力无限构建了 DataGrid 全栈 AI Infra，覆盖第一人称数据采集、真机遥操作、数据质检清洗、自动化标注、模型训练与真实环境验证等环节，为具身大脑的持续迭代提供数据与工程支撑。

从 AtomEgo 探索人类第一人称经验学习，到 TACROSS 实现跨传感器触觉知识迁移，再到 TacEnvelope 利用真实接触反馈优化机器人策略，原力无限正在从不同技术方向探索真实世界经验的有效利用。

与此同时，原力无限已形成多形态机器人产品体系，业务覆盖全国 30 余座城市、 100 余个真实场景。不同本体与真实任务，为模型提供了更加丰富的应用环境和验证条件。

由此，原力无限逐步建立起以具身大脑 AtomBrain 为核心、DataGrid 全栈 AI Infra 为支撑、多形态机器人与真实场景为验证基础的完整技术体系。

从原创科研到数据基础设施，再到真实场景验证，这套体系的价值在于形成持续迭代的能力，让机器人能够不断从物理世界获取经验，并通过模型训练与反馈获得新的智能。

当具身智能竞争逐渐深入到「大脑」，真正决定企业长期技术竞争力的，将是原创科研的深度，以及将真实世界经验转化为模型能力的效率。

从密集的科研论文、具有竞争力的 Benchmark 成绩，到因果世界模型的原创技术路线与全栈 AI Infra 布局，原力无限已经形成较为完整的具身大脑研发体系，也正在确立其作为国内具身大脑头部企业的技术地位。

真正的领先，往往需要一点耐心

具身智能是一个很容易让人兴奋的行业。新的模型、新的机器人、新的技术突破，几乎每天都在发生。热闹之中，人们也越来越容易被那些看得见的进步吸引。

但科研有自己的节奏。

一篇论文的背后，可能是几个月甚至更长时间的反复实验；一项看似微小的能力提升，也可能需要解决一连串此前无人回答的问题。尤其是具身智能，距离真正意义上的通用智能，还有太多难题需要一一攻克。

也正因如此，原力无限身上那股近乎执拗的科研劲头，才显得有些特别。

它让人看到，在这场争分夺秒的技术竞赛中，仍然有人愿意沉下心来，去研究那些足够基础、足够困难，也足够重要的问题。

当然，今天的科研成果还远不足以决定明天的行业格局。具身智能的许多技术路线仍在探索之中，谁能最终走得更远，时间会给出答案。

但至少有一点值得期待：当越来越多中国企业开始有能力提出自己的科学问题、坚持自己的技术判断，并在全球前沿研究中拿出真正有分量的成果时，中国具身智能产业的故事，也就有了更多值得书写的可能。

而原力无限，正在成为这个故事里一个值得持续关注的名字。