当具身智能行业还在密集PoC、卷demo、拼概念时，原力灵机抢先给出了自己的答案：Picking。这家公司刚刚宣布，通过股权并购方式完成与物流机器人公司Atomix的合并，同时获得智谱、阶跃星辰、商汤、阿里等头部大模型公司的集体押注。这不是一次普通的融资，而是中国AI界对具身智能落地路径的一次罕见共识——Picking，就是具身智能的Coding。

为什么是Picking？回到大模型的逻辑原点，Coding之所以成为基石，是因为它提供了可规模化训练和验证的闭环，让模型能力持续迭代。Anthropic正是在这一原子任务上建立了技术优势，资本市场也给出了高估值认可。具身智能同样需要一个基础性的原子任务，而Picking恰好满足四层约束：高频，能持续产生数据；真实，补全仿真缺失的物理细节；可验证，成功与失败可被系统记录；可迁移，不局限单一封闭场景。全球物流仓库每天产生上亿次真实抓取动作，Picking作为最高频、最核心的动作，自然成为数据汇集的核心入口。

原力灵机创始人唐文斌指出，Picking的优势远不止于此。机器人将包裹从A点移到B点，成败清晰可判，即便存在瑕疵也可细分为抓取失败、掉落、放置偏差等类型，反馈信号越清楚，模型越容易改进。更重要的是，Picking能向其他任务迁移：一次顺利抓取串联起感知预判、运动决策、伺服控制与全链路反馈，其本质——手眼协调、力控与空间理解——覆盖了绝大多数操作任务的底层基础。只要模型吃透多工况下灵活抓放的逻辑，分拣装箱、居家劳作、精密装配乃至更多开放环境作业，都能沿此衍生拓展。

但Picking该从哪里开始？物流，尤其是消费品仓储和分拣，恰好卡在绝佳平衡点。海量网购订单催生几十万种SKU，包裹形态五花八门，流水线全天候运转，抓取需求高频稳定；更关键的是，劳动力缺口真实存在，客户有痛点、有预算。这一逻辑已在全球范围内被验证：Skild AI、Physical Intelligence、Figure AI等海外玩家早早锚定仓储，依托真实分拣场景快速积累数据。原力灵机与Atomix的合并，正是将自研的DM0具身原生大模型与成熟的物流场景结合，通过多源数据联合训练、跨机型通用预训练技术，把散落在各地仓库、不同机型机械臂上的零散抓取数据，凝练为通用性更强的实操能力。这步棋的战略纵深在于：当行业还在争论第一落地场景时，原力灵机已经用一次合并和一轮顶级资方阵容，给出了从数据飞轮到商业闭环的完整答案。