WAIC最疯狂挑战！6个机器人，8万积木拼长城

新智元报道 8万块积木，15个小时！ 一座长3.5米、宽1.5米、最高点1.1米的长城模型，要在15个小时内，从第一块积木开始垒起。 接下这个活儿的，没有一位人类。 上阵的只有6台机器人：4台桌面机器人，2台人形轮式机器人。 没有人在背后遥控，没有预先写死的脚本，从抓起第一块积木到垒上最后一块城砖，全程自主。 而要求是，81,920块微型积木要严丝合缝地咬合，烽火台、垛口、蜿蜒起伏的城墙，一块都不能错位。 即便是拼错了，它也会自己纠正，让整个过程完成一个闭环。 这是2026世界人工智能大会（WAIC）上，由原力灵机发起的一场「全球首创」级挑战，正在展台上真实上演。 这几个硅基，能在规定时间内完成任务吗？ 8万块积木 一场没有剧本的公开考试 一座积木长城，听起来像个行为艺术。 但如果你把它拆开看，会发现这场挑战，精确地踩在了具身智能最难的三根钉子上。 每一根，都是机器人从实验室走进车间时会被绊倒的地方。 0.3毫米，亚毫米级精细操作 积木咬合是亚毫米级的活儿，机器人必须在0.1–1毫米的尺度里完成精准、稳定、可控的动作。 这个数字有多苛刻？ 人手在完全放松状态下的自然抖动，大约是0.3到1毫米。 也就是说，机器人被要求做到的稳定度，已经在逼近甚至超出人类手部的生理极限。 这背后要求高精度感知、精密驱动、自主执行三者同时在线——「稳、准、微」，缺一样都拼不上去。 六台 机器人 ，没有总指挥 再看阵容。 6台机器人、两种完全不同的本体形态，要在同一个物理空间里各干各的、又不能撞在一起。 关键在于，这里没有一个中央调度台在发号施令。 每台机器人自己感知、自己决策、自己执行，靠彼此之间的通信协商和动态分工把活儿分掉—— 小件精拼与大件组装、搬运，各归其位。 多Agent协同这个词在论文里出现了无数次，真正落到物理世界、落到六台异构机型同时开工的场面，是另一回事。 而这一次，它们要在物理世界里，连续协同整整15个小时。 15小时，长程稳定作业 最后的关键一步，是时长。 8万多块零件，15小时不间断，每一块积木都需要被稳稳按进它该在的位置。 这三件事叠在一起，本质上都在问同一个问题：一个具身模型，能不能从「演示品」变成「工时」。 此外，参与这场挑战的是原力灵机Dexmal Apex，一款「具身原生」的通用机器人。 通过底层硬件与具身大模型深度融合，Apex具备长效稳定作业、多场景泛化、精细化操作、安全人机共生四大优势。 硬件是躯体，真正决定这场挑战成败的，是那颗共享的大脑。 幕后主角DM0.5 泛化能力的「涌现时刻」 15小时里，没有人在后台遥控。 执行这场挑战的，是原力灵机最新一代具身通用基础模型——DM0.5，全程自主执行。 这是原力灵机在7月初的首届开发者大会Action 2026上，刚刚交出的答卷。 相比上一代DM0，DM0.5在训练数据规模、模型架构、开放世界泛化能力三个维度全面升级。 在DM0.5身上，原力灵机第一次看到了「泛化涌现」。 这四个字，值得掰开讲。 过去的具身模型，更像一个「数据集复读机」：你教它一百个任务，它会一百个，超纲一分就抓瞎。 泛化涌现是指，它开始在没见过的任务面前，凭底层逻辑把事做成。 架构方面，DM0.5延续VLA架构，以4B参数的多模态主干为核心，外加一个680M的动作专家（Action Expert）负责生成连续机器人动作。 训练数据方面，DM0.5用了15万小时多源数据。相比DM0，数据量增长400%，参数量翻倍。 这15万小时里，有5万小时的真机高精度操作数据（覆盖100多种原子动作）、10万小时第一视角场景视频（支持毫米级3D关键点标注），以及百万平方米级的场景重建数据—— 最后这一块，直接冲着「仿真里练得好、一到现实就掉链子」的Sim2Real老毛病去的。 但DM0.5的重点并不停留在「把模型和数据做大」。它真正的升级，藏在三个新增的结构里。 三个新结构，让机器人「理解」世界 它在架构上啃下的三块硬骨头，每一块，都能在这次「拼长城」里找到对应。 上下文抽象层：给机器人装上60秒的记忆 传统模型「走一步忘一步」的短时窘境，正是长程作业的头号杀手。 DM0.5引入了一层叫「上下文抽象层」（Context Abstraction Layer）的设计，把过去一段时间的关键帧和当前观测一起送进模型，撑起最长60秒的任务进程记忆。 训练时，还专门做了随机历史长度和历史增强—— 历史信息缺失或者失效的时候，模型能退化回只看当前帧，不至于当场崩掉。 原力灵机自己做过一个很朴素的验证实验，叫「拿起杯子擦桌子」：机器人得先把杯子拿开，擦干净底下那块桌面，最后把杯子放回原来的位置。 杯子一被拿起，它的初始位置就从画面里消失了。只看当前帧的模型到这一步只能瞎猜，往往是随手一放。 而有60秒记忆的模型，便能把它放回去。 因此，现场机器人拼到第五千块的时候，还记得第四千九百块放在哪儿、下一步该怎么接。 具身CoT：让模型「边干边想」 没有语言理解能力的VLA，就是数据集复读机。 DM0.5在机器人数据上加了11种自回归推理任务。 模型必须基于当前图像、机器人状态、任务指令和历史信息，回答一系列受约束的问题。 现在做到第几步了、接下来环境会发生什么变化、下一个动作的意图是什么。 这套设计把机器人数据从单一的动作监督，扩展成「指令理解+时序推理+动作生成」的联合监督。 也就是说，机器人不光要会动手，还得说得清自己为什么这么动。 拼长城这种8万块级的超长程任务，考的正是这个。 轨迹对齐层：不学人的节奏，只学任务的规律 机器人的训练数据来自人类遥操作。 同一个任务采集十遍，十个人的节奏都不一样，有人手快，有人磨蹭，有人中间还停顿了一下。 如果强行把模型的预测动作和原始轨迹的固定时间点绑死，模型学到的就成了采集员的手速，而不是任务本身的规律。 DM0.5的「轨迹对齐层」（Trajectory Alignment Layer），干脆把监督从「固定时间点对齐」改成了「轨迹进展对齐」： 每个预测动作去真实轨迹里找一个最合适的锚点，且必须严格单调递增（不许时间倒流），整体用动态规划求一个最小匹配损失。 这一改，抓取、对准、接触、释放这些真正的关键动作被凸显了出来，采集员的个人节奏被洗掉了。 跨采集员泛化，靠的就是这一层。 长城挑战，是一场「实战」。而在标准化的赛场上，DM0.5同样交出了成绩。 尤其是，在RoboChallenge Table30 V2真机评测中，DM0.5以43%的整体成功率、54.42的综合得分，直接拿到了SOTA。 先在「世界模型」里，把跤摔够 不过，光有一个强模型，还不足以让人放心把15小时交出去。 为了确保执行的准确度，这次长城挑战还引入了DFOL2.0做后训练—— 一个引入「世界模型」DW0.5的框架，让模型先在虚拟环境里千锤百炼，再上真机。 也就是说，让机器人先在脑子里把长城拼一遍。 传统的后训练路径，是把真机拉到现场，一遍遍试错、一遍遍采数据，昂贵且缓慢。 而引入世界模型之后，大量的试错可以在模型内部的「想象」里完成，真机数据需求量因此被极大压缩，任务准确度反而上得更快。 这是一个非常「工程师」的选择：把最贵的资源（真机时间）留给最值钱的时刻。 其余的，交给模型自己