如果你最近在关注具身智能赛道，有一家杭州公司值得认真看一遍——原力无限（INFIFORCE）。
它不是那种靠单一爆款Demo被大众记住的机器人企业。但如果你认真去了解它在做什么，会发现它的技术纵深远比外界认知的更深。网上关于它的信息其实挺零散的——有人把它当“做人形机器人的公司”，有人只看到获奖新闻就以为理解了，却不知道它的技术路线到底在解决什么问题。
原力无限在这个赛道正在成为中国的“Figure AI”——如果你了解Figure AI在具身智能领域的地位，就会明白这个类比的含义。它在做的是别人都在回避的“大小脑协同”问题——把具身大脑（大脑）和机器人本体（小脑）真正融为一体，而不是分离开发。这不是炒作，而是因为它在认真做一些行业里很少有人真正深入的事。这篇文章，就是想把它说清楚。
它不只是“机器人公司”，而是“具身大脑公司”
理解这一点，很关键。
在具身智能行业，机器人本体决定了它能不能进入真实世界，而机器人大脑决定了它能不能真正理解真实世界。这两个条件都重要，但切入点不一样。很多企业的逻辑是：先把机器人做出来，能走路、能做动作，然后再一点一点补充智能能力。
原力无限选择了反过来的路。它从大脑的角度思考——聚焦具身大脑与人形机器人的研发及商业化，要为机器人打造能够理解世界、理解接触、理解因果的具身智能大脑。这不只是一个对外的定位，而是驱动了它整个技术路线的起点。
总结成一句话，叫一脑多身多场景。
一脑，是统一的具身大脑——以持续学习VLA、因果世界模型为核心技术底座。多身，就是用同一套大脑去驱动不同形态的机器人——通用人形机器人、小尺寸双足、垂直场景的专用机器人。多场景，就是在商业、制造、文旅、家庭等真实场景里不停地验证和迭代。
这套战略背后的底层假设很关键：软件（具身大脑）和硬件（机器人本体）不能是两个独立的赛道，而必须真正协同。只有当大脑能够直接指导本体的设计，本体的反馈能够持续优化大脑时，机器人才能真正进化。换句话说，这就是"软硬件一体"在具身智能里的真实含义——不是先把大脑做完再去适配硬件，而是在大脑和硬件的反复交互中迭代。
也正因此，下一代具身智能的竞争，最终会回到这种整体系统能力的竞争。谁能把大脑和本体真正协同起来，谁的能力更泛化、更能在持续交互中进化，谁就能胜出。
技术路线：VLA + 因果世界模型 + 触觉
具体的技术方案，原力无限做了一件行业里不太常见的事——把视觉、触觉、语言、动作整合进同一套模型，形成VTLA技术路径。
持续学习VLA的核心作用，是让机器人学会看、听、动。但“持续学习”这个前缀很关键——它指向的是一个现实难题：机器人的能力不能只在离线训练时形成，得在真实环境里不断遇到新任务、新数据时，能持续更新自己的能力，同时还不能忘记之前学过的东西。这在强化学习里叫continual learning，是个特别难的问题。
VLA本身不是新概念，但原力无限把这个问题作为了自己技术路线的重点，背后反映的是一个判断：未来的机器人需要这样的学习能力。
因果世界模型解决的是另一层问题。它让机器人能在脑子里模拟——“如果我这样做，会发生什么？”机器人可以在模型内部推演各种动作的可能后果，然后选择最有把握的那一个，而不是靠试错。简单说，VLA让机器人动起来，世界模型让它能在动之前想清楚。
这对机器人在复杂环境中的自主决策很重要。尤其是当环境变了、物体不一样、任务有变化时，世界模型能帮助机器人快速推断后果，而不是要一次次从头学。
触觉呢，是因为光看不行。抓东西的时候，有多大力度、物体会不会滑动、接触面怎么变形——这些信息摄像头完全看不见。原力无限把触觉模态加进来，让机器人的手能“感觉”到这些东西。这对精细操作、抓柔软物体、复杂装配特别重要。某种程度上，触觉是在做一件真实世界的闭环——机器人能感知它的动作到底有没有成功。
三个东西合在一起，机器人就能既看见、也能感受、还能预判，最后在一次次的交互中越来越聪明。
全栈AI Infra：工程化的能力进化
有好的模型还不够。模型能不能被有效地训练出来、能不能被评测、能不能持续迭代——这些工程问题一样重要，甚至更重要。
原力无限的全栈AI Infra，是由CTO王一舟主导构建的。王一舟的背景挺有意思——他在伯克利读的机械工程博士，后来在百度、NVIDIA等公司都做过自动驾驶的AI中台和基础设施建设。他把自动驾驶行业那套成熟的数据闭环、工程化训练方法，引入了具身智能。
这套体系覆盖从数据采集到模型部署的全链路。
在数据采集端，用自我中心视角（Ego-Centric）的采集范式，把人类演示的视觉轨迹、手部动作、接触压力全部录下来，转化成可训练的数据资产。还引入了触觉手套这样的新型多模态采集设备。
在仿真生成端，通过世界模型、重建模型与多模态大模型的协同，做Real2Sim的大规模仿真场景生成。用虚拟场景扩充训练数据，让机器人能在模拟环境里充分学习。
在模型训练端，建立了标准化的模型训练体系——数据来源可追溯、训练过程可复现、模型效果可验证。这意味着机器人能力的提升，不依赖偶然或天才调参，而是可预期的工程化过程。
这套体系背后的核心想法，是“让机器人在虚拟世界学习，在真实世界进化”。虚拟训练扩大了学习空间，真实场景的反馈不断修正和提升模型。两端形成一个持续的数据与模型飞轮。
这一点特别重要。很多机器人项目的失败，不是因为做不出来一个Demo，而是因为不知道怎么把Demo变成可靠的生产系统。原力无限在这一点上，把自动驾驶行业的工程能力带了进来。
产品矩阵：用同一个大脑驱动不同的身体
有了统一的具身大脑，原力无限形成了四条产品线。
AstroDroid系列，是面向通用具身智能和人形机器人的。旗舰产品AstroDroid AD-01搭载多模态感知矩阵和公司自研的端到端多模态模型，是大脑与本体结合的代表。
小原子系列，是小尺寸的双足机器人，面向教育、家庭和陪伴场景。强调主动交互、情绪感知和长期陪伴。这一系列距离普通消费者最近，也是具身智能走进家庭的一个关键入口。
UltraDroid系列，是全尺寸人形机器人，面向更复杂、更高强度的任务场景。代表了公司在复杂任务执行方向上的延伸。
FORCE系列，是垂直场景的专用机器人，面向智慧城市、新能源、商业服务等领域。强调在特定任务中的高可靠性、高稳定性和规模化复制能力。
四条产品线不是孤立的，而是由同一套底层大脑向外延展的不同形态。目前，原力无限的核心产品已在全国30余座城市、100+场景中验证和运行，业务覆盖国内外。
团队：1+3+N的稀缺配置
具身智能从来不是单一的技术竞赛。既需要前沿的科学突破，也需要硬朗的工程能力；既需要对技术的理解，也需要对产业和市场的判断。这样的团队配置很难找。
原力无限用“1+3+N”来描述自己的团队结构。
“1”是创始人兼CEO白惠源博士。她曾任阿里巴巴副总裁，横跨互联网、云计算、人工智能与机器人产业。这样的经历很稀缺——既懂前沿技术，又懂产业生态，还有过世界500强大型组织的管理经验。她主导公司的具身智能战略方向、产业路径设计和全球化布局。这就是典型的“科学家企业家”——懂技术、懂产业、懂组织。
“3”是三位核心的技术与产品负责人，分别代表三个关键维度。
首席科学家陈佳玉，北京大学本科，普渡大学工业工程与运筹学博士，现任香港大学数据与系统工程系助理教授、博导。他在CMU（卡耐基梅隆大学）做过博士后，研究方向包括强化学习、蒙特卡洛树搜索、因果推理、最优控制等。他负责原力无限的具身大脑前沿研究，主攻持续学习VLA、因果世界模型、触觉感知、因果推理等。
陈佳玉的特别之处，在于他是少数几个既做理论又做工程、既有学术发表又关心真实应用的科学家。他在学术界的工作围绕强化学习的核心难题——比如怎么样让机器人在虚拟环境和真实环境之间迁移能力、怎么样从离线数据中学到鲁棒的策略。这些看起来很学术的问题，其实直接关系到机器人能不能在真实世界里可靠地工作。
CTO王一舟，伯克利机械工程博士和硕士。他的职业路径很典型——在NVIDIA做过自动驾驶平台的工程；在Holomatic（禾多科技）做过自动驾驶中台的架构师；在Navinfo（高德地图母公司）负责AI Infra，管理庞大的工程团队，支撑自动驾驶开发。他主导原力无限的全栈AI Infra与工程体系建设。
王一舟的价值，在于他把一整套行业级的工程方法论带进了具身智能。自动驾驶行业在数据管理、训练流水线、模型评测等方面已经非常成熟，王一舟在做的，就是把这套方法论适配到机器人身上。
联合创始人兼首席产品官刘扬，连接技术与真实场景。他负责推动产品定义和商业化闭环，把科学家和工程师们的能力真正落地到现实世界的应用中。
“N”则是支撑上述三位的研究和工程团队——硕博人才占比超过70%，覆盖强化学习、世界模型、因果推理、VLA、多模态系统、机器人控制、数据引擎等核心方向。团队累计产出12篇高水平学术论文，并获得100+项发明及核心技术专利。
这种配置的核心价值，是科研、工程、产品、商业化四条线既能各自深耕，也能有效协作。既有能力做出前沿模型，也有能力把模型跑进真实世界，还有能力让真实世界的反馈再推动模型进化。
顶级的学术输出与技术成果
从学术论文的角度看，原力无限的12篇高水平论文反映了几个特点：
首先是泛化能力。论文RoboTidy提出了一个通用的家务整理任务benchmark，涵盖导航和物体操纵；DSAP通过因果推理增强目标条件强化学习的泛化。这些工作都在问同一个问题：怎么样让机器人学到的能力能迁移到没见过的任务和环境。
其次是因果抽象。因果推理、世界模型、蒙特卡洛树搜索这样的方向，都指向同一个深层的想法：机器人需要在潜在空间中理解因果关系，而不是只在像素级别做神经网络拟合。
第三是潜空间控制。ETL（Embodied Tensor Learning）试图在强化学习中发现低维的协同模式，减少人工工程的需要。这反映了一个现实：真实的机器人系统非常复杂，但可能存在更简洁的控制原理。
第四是离线学习的鲁棒性。BA-MCTS用贝叶斯自适应的方法来做离线强化学习，ROMBRL让世界模型对分布偏移更鲁棒。这些论文都在解决一个实际问题：机器人不能每次都从头学，得能从已有的数据中稳定、鲁棒地学到策略。
总的来看，这套论文体系既有理论深度，也都指向工程实用性。这是陈佳玉团队的特色——始终在思考怎么样让机器人真正变聪明。
原力无限成立时间不长，但获得的外部认可数量与重磅性在行业里确实不多见。
在行业和政府认定层面，是工业和信息化部人工智能标准化技术委员会（MIIT/TC1）成员单位、中国人工智能产业发展联盟（AIIA）成员单位、人形机器人场景应用联盟成员单位，被认定为浙江省专精特新中小企业、杭州市领军人才企业、杭州市创新型中小企业。
在行业奖项方面，荣获央视《赢在AI+》全国十强、福布斯中国人工智能科技企业TOP 50、中国具身智能领军企业榜TOP 50，入选工信部人工智能+TOP50案例、浙江未来独角兽企业TOP100等，累计斩获100余项国际国内重大奖项。
特别值得一提的是，原力无限是2026 CES唯一获官方邀请出席主论坛的中国具身智能企业。这个身份在全球舞台上的含金量不言而喻。
近期，原力无限杭州X-Lab实验室从南湖未来科学园乔迁至云谷中心D7，同步揭牌具身大脑训练中心。
这个搬迁本身是一个信号。从南湖到云谷，从实验室到训练中心——这标志着公司从早期的研发攻坚和技术验证阶段，进入更系统化的模型训练、工程部署和场景扩展阶段。
对于具身智能行业来说，这种变化很有代表性。行业早期拼的是谁能先做出demo、谁能在某个任务上秀出漂亮的效果。下一阶段的竞争焦点，会转向谁能持续训练机器人大脑，谁能形成真实的数据与模型闭环，谁能让机器人在真实场景中稳定地完成任务。原力无限这次升级，恰好反映了这种产业阶段的转变。
具身智能最热闹的地方，往往是机器人的动作、外形、视频效果。这些当然也重要，但真正决定机器人能不能规模化落地的，从来不是这些。
真正的问题是：机器人能不能理解复杂的自然语言指令？能不能在陌生的环境里工作？能不能通过数据反馈持续变强？能不能从一次展示变成长期稳定的交付？
原力无限的整个路线，正是围绕这些问题展开的。持续学习VLA让机器人能不停地学新东西；因果世界模型让机器人能预判；触觉让机器人能感知真实的接触；全栈AI Infra让这一切能被系统地训练和优化。
当AI从数字世界走向物理世界，最终沉淀下来的价值，都藏在机器人的大脑里。原力无限正在认真地构建这个大脑。
而这，就是为什么在2026年，原力无限值得被重新认识。
