具身智能领域正在出现一个值得关注的结构性变化：模型公司开始将自身积累的通用能力，以API和托管服务的形式开放给外部开发者。10月，Physical Intelligence（PI）开放模型API测试，开发者可上传自有机器人数据在平台微调模型，并通过云端推理驱动机器人。PI披露的案例显示，一家开发双臂机器人Axol的公司Almond借助该服务迭代四天，使机器人开始为自身装配所需的垫块去毛刺。同月，Dream Labs推出Dream API，将机器人模型推理按作业时长计费，并提供面向开发者数据的模型微调服务。国内方面，11月3日，原力灵机升级Dexmal MaaS，将重点放在模型进入具体场景所需的后训练环节，开发者可在同一平台完成数据上传、模型训练与部署，并根据真机执行中的失败持续改进。
这一轮开放动作的共同前提，是部分具身基础模型已开始具备跨本体迁移和一定范围内的新任务适应能力。过去，教机器人完成一个新任务通常意味着围绕特定硬件开发算法、采集数据并反复调试；而基础模型从多任务训练中积累的物理世界知识与操作经验，使开发者有机会将新增投入集中在自有机器人和具体任务上。一个基模能够支持的本体与场景越多，作为公共服务提供的价值就越大。原力灵机展示的DM0.5具备抓取、推动、放置、叠放等零样本操作能力，可根据颜色、形状和大小区分物体，并支持序列指令与原生记忆，为任务从单个动作延伸到连续操作提供基础。同时，该模型将多本体适配、原生记忆以及对光照、相机变化和外界干扰的鲁棒性纳入能力设计，这些特性与开放服务直接相关：外部用户的机器人、工作环境和操作流程各不相同，模型只有能够承接一定程度的变化，共享基础能力才具备实际意义。
另一个推动开放的因素来自模型计算需求与机器人本体之间的张力。将推理放在端侧是直观选择，但持续理解环境、记忆交互过程、判断下一步动作，对模型提出的要求不断提高，本体的功耗、散热、续航和成本都会限制算力配置，云端或现场服务器因此有理由长期参与。远程推理能否成立，关键在于网络传输、模型计算与动作执行的衔接安排。PI公布的实时动作分块研究，探索的是让模型计算与动作执行重叠，降低推理延迟对连续作业的影响。原力灵机MaaS则将云端模型推理与本地动作执行连接：机器人上传相机图像和当前状态，模型预测后续动作，再交由本地控制程序执行；配套的DexOS Lite提供推理循环、多步动作执行和请求重试等能力，减少开发者自行衔接这些环节的工作。
不过，接入模型之后的工作才刚开始。不同具身API能帮用户走多远，差别可能很大。最基础的影响条件是基础模型的跨本体能力：机械臂活动范围、夹爪结构、相机位置发生变化后，模型已有的操作经验能否继续发挥作用，决定了开发者是在已有能力上做适配，还是接近重新教一台机器人干活。Dream Labs将跨本体零样本能力作为Dream-1的重要卖点，目前主要面向双臂平行夹爪机器人，表现也受本体运动学和控制系统影响；公司同时提供FaaS微调服务，在其公布的跨本体仿真评估中，微调提升了多数受测机器人的语言指令跟随得分，但并非所有本体都获得提升。对使用者而言，硬件被列入支持范围之后，仍需验证模型在自身任务上的效果。
模型适应新的身体之后，还要继续适应现场。以把鸡蛋放进蛋托为例，模型可能已具备抓取和放置能力，但鸡蛋滑动、蛋托被碰偏导致第一次抓取落空后，机器人能否调整动作把任务接着做完，这类情况不一定出现在最初的示范中，却会在实际运行里反复发生。这意味着，具身API的价值不仅取决于模型在演示视频中的表现，更取决于其在真实作业中的容错与恢复能力。从行业分工看，本体厂商提供身体、模型公司提供基础能力、开发者围绕场景构建应用，这一早已被讨论的设想正开始变成可试用、可适配、可购买的服务。具身模型公司的竞争，也由此从场景落地宣示，延伸到外部开发者能否基于其能力做出可用应用这一更实际的维度。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
