标题：对话原力灵机周而进：2.4B模型够用，具身原生是关键

正文：
一个专注于具身智能的公司推出了仅2.4B参数的模型DM0，远低于行业标杆如π 0（33亿参数）和π 0.6（50亿参数）。这家公司认为，2.4B足够支撑实时处理三视角728×728画面，推理延迟仅60毫秒，并通过强化学习在真机上不断进化。

DM0被称为“首个具身原生大模型”，由原力灵机推出，背后操盘手是合伙人周而进。他在AI领域已深耕13年，早在2013年就以实习生身份拿下ICCV自然环境人脸关键点定位比赛冠军。如今，他与昔日旷视同事范浩强、汪天才共同创业，目标是打造具身智能。

主流具身模型多采用VLM+Action Head方案，即大模型负责识别逻辑，动作头负责执行。但周而进认为这是“外挂式”方法，原力灵机追求的是从数据采集到控制结构都源自物理世界的“具身原生”路线。DM0通过多源、多任务训练，将感知、推理、控制整合为闭环，结合空间推理思维链（Spatial CoT），实现具身智能的内生化。

DM0的训练分为三个阶段：
1. VLM Train：从零构建具身原生模型，融合互联网、智驾和具身多传感数据，理解物理环境。
2. VLA Pre-Train：通过多任务、多机型训练和空间推理思维链，让具身能力涌现。
3. VLA Post-Train：针对特定场景适配优化。

此外，团队还发布了开源框架Dexbotic 2.0和量产工作流DFOL，目标是实现操作与导航、模仿学习与强化学习的统一。

周而进强调“全身全时全域”数据采集的重要性，覆盖底盘移动、躯干协调及传感器反馈，确保模型能应对物理世界的无限长尾问题。他认为，精细动作的前提是精细感知，因此高分辨率输入至关重要。

物流场景被选为落地起点，因其标准化程度高、可复制性强，且能快速形成数据闭环。未来，团队计划逐步拓展至ToB场景，最终迈向家庭等ToC领域。

关于世界模型，周而进认为其核心在于预测动作结果，而非直接输出策略。它帮助模型模拟物理反馈，提升泛化能力。

对于终极目标，周而进提出“机器人拥有社会身份”的愿景，例如具备独立支付能力。这需要解决信用体系、责任追溯等问题，使机器人成为社会化接口。

原力灵机团队分工明确：唐文斌负责商业与资源整合，周而进与汪天才主攻基模训练，范浩强专注软硬件协同。他们相信，具身智能的未来在于场景驱动与技术闭环。

DM0技术报告：https://dexmal.com/DM0_Tech_Report.pdf