機器人前瞻（公眾號：robot_pro）
作者｜江宇
編輯｜漠影

2024年中，一場關于未來十年技術趨勢的討論，讓這對清華師兄弟再次站到了同一個起點。

一位是張濤，清華大學車輛工程博士，曾創業、后加入高德，在自動駕駛感知定位領域深耕近十年；另一位是清華大學車輛與運載學院教授李升波，長期從事自動駕駛與智能系統研究，是國內最早推動端到端自動駕駛研究的學者之一。

兩人師出同門，卻走上了不同的道路。

一個長期扎根產業一線，在互聯網和智能汽車行業經歷產品、工程和商業化的完整周期；一個堅守科研前沿，持續探索下一代智能技術的方向。

當ChatGPT引發大模型浪潮、特斯拉FSD展現出端到端智能的巨大潛力后，他們共同意識到，一個新的技術周期已經到來。

在經歷了關于技術路線、商業場景等問題的長時間討論后，他們最終將目光投向具身智能，并圍繞同一個問題展開：機器人究竟應該如何真正進入真實世界，成為生產力的一部分？

2025年4月，由清華大學車輛與運載學院和人工智能學院聯合孵化的具身智能公司光象科技正式成立。

2026年6月10日，這個問題也迎來了一個階段性答案——光象科技正式發布工業級自進化具身智能機器人Phi-Bot X1。同時，這家成立僅一年的公司已將機器人帶入蔚來等頭部車企的真實制造場景。

在與機器人前瞻等媒體的交流中，光象科技創始人兼CEO張濤也首次系統分享了其創業思考、技術路線選擇，以及對具身智能產業落地的判斷。

一、清華師兄弟攜手創業，瞄準具身智能下一個十年

在決定創業之前，張濤和李升波其實討論了很長時間，先要回答“為什么做”這個問題。

張濤提到，2024年中，行業發生的兩件事對他們觸動很大。一件是大模型的發展。另一件則是特斯拉FSD所展現出的端到端能力。

在他們看來，這背后反映的是一種新的技術范式：通過數據規模、模型規模以及數據驅動的方法獲得智能能力，并進一步將這種能力擴展到物理世界。而具身智能則將成為AI能力進入物理世界的重要載體。

在創業籌備階段，擺在張濤和李升波面前的問題并不少：做自動駕駛還是機器人？做大腦還是本體？To B還是To C？工業還是家庭？

最終，光象科技團隊決定進入具身智能賽道。

在張濤看來，如果希望機器人真正形成數據閉環，僅僅做大腦或者僅僅做本體都不夠。機器人只有進入真實場景工作，才能持續產生數據；而只有形成數據回流，模型能力才有機會不斷提升。

因此，光象科技選擇了軟硬一體化路線，希望通過機器人部署、數據積累和模型迭代形成持續循環。

二、為什么是工業場景？又為什么是汽車制造？

對于許多具身智能公司來說，家庭場景往往被視為終極目標。但光象科技沒有從這里出發，而是選擇了選擇了一條看似“吃力”，實則“更接近落地”的路。

張濤將具身智能場景拆解為兩個維度：環境和任務。環境可以分為標準環境和非標環境；任務則可以分為移動類任務和操作類任務。在這一框架下，自動駕駛、掃地機器人更多屬于標準環境下的移動任務；家庭機器人則同時面臨復雜環境理解和復雜操作能力兩項挑戰。

光象科技團隊認為，以當前技術發展階段來看，同時解決兩類問題難度過高。相比之下，工業場景擁有更成熟的標準化基礎，可以讓團隊把更多研發資源集中在操作能力突破上。

最終，汽車制造成為第一個切入點。

原因之一在于規模。

汽車是目前全球規模最大的工業產品之一，同時也是復雜度最高、標準化程度最高的制造場景之一。經過長期生產優化，汽車工廠已經形成較成熟的工藝流程和工位體系，這為機器人部署創造了條件。

另一方面，汽車制造對于機器人也提出了更高要求。

無論是生產節拍、作業精度還是穩定性，都遠高于許多普通工業場景。張濤將其形容為具身智能的“練兵場”，也是驗證和打磨通用能力的重要起點。

目前，除了汽車制造之外，光象科技也已與其他工業企業開展合作探索。

三、首款產品亮相，打造工業級自進化具身智能機器人

圍繞真實工業場景需求，光象科技交出了首款產品答卷——Phi-Bot X1。

從硬件配置來看，Phi-Bot X1搭載由3D激光雷達、RGBD深度相機、雙目相機和超聲波雷達組成的感知系統，定位精度達到10毫米，末端重復定位精度達到0.05毫米。

移動部分采用四舵輪全向底盤，可實現橫移、斜向移動和原地轉向等動作。為了覆蓋更多工位，其升降腰結構可將作業范圍擴展至0至2.5米。機器人擁有27個自由度和全關節力控雙臂，并支持1分鐘快速換電。

在任務層面，依托可更換末端執行器、泛化技能庫和高效真機后訓練能力，Phi-Bot X1能夠完成質檢、上料、分揀、擰緊、粘貼、插接等多種工業任務。

相比傳統工業自動化方案動輒數月的集成周期，該機器人部署周期可縮短至周級甚至天級。

目前，團隊已經在多個汽車制造場景進行驗證。

在移動質檢場景中，機器人能夠完成覆蓋式車身表面檢測，實現100%檢測覆蓋率。相比非協同檢測方式，整體效率提升51%；相較人工工位，節拍可縮短25%至45%。

在焊接上料場景中，機器人能夠完成抓取、移動、翻轉、精準對孔和放置等工序。在雙孔同時對準任務中，其動態位置精度達到毫米級，角度控制精度達到0.3°以內。

今年4月完成整機集成后，Phi-Bot X1很快進入真實產線工位場景驗證。在2026 ATC展會現場，機器人連續完成21.5小時上下料作業，期間未出現中斷，成功率100%。

目前，光象科技已與蔚來等多家頭部車企開展合作探索，并持續推進機器人進入真實汽車工位。與展示型機器人不同，Phi-Bot X1從設計之初便圍繞真實工業任務展開，目標是直接進入產線創造價值。

四、強化學習、自進化與產業共建，一家工業具身創企的長期布局

除了機器人本體，光象科技對技術路線的選擇也比較明確：機器人進入工廠只是第一步，真正重要的是如何持續成長。

當前具身智能行業主流方案大多基于模仿學習，通過大量示范數據訓練模型。而光象科技則將強化學習視為未來的重要方向。

張濤認為，如果具身智能最終需要覆蓋數百甚至上千種任務，僅依靠人工采集示范數據，很難支撐模型持續擴展。相比之下，強化學習能夠通過試錯和反饋不斷優化策略，更有機會提升泛化能力。

圍繞這一思路，光象科技圍繞仿真強化學習、真機強化學習和世界模型強化學習持續布局。

為此，光象科技構建了三位一體的技術體系：

• Phi-RL Matrix：覆蓋DSAC、DACER等自研強化學習算法矩陣。
• Phi-Space：基于3D空間物理資產建模和高保真仿真的高效數據體系。
• Phi-Arch：覆蓋從數據生成到模型部署全流程的物理智能開發平臺。

在團隊看來，機器人進入工廠并不是終點。更重要的是讓機器人持續工作，并從真實任務中不斷積累數據。這些數據會被用于模型訓練，再反過來提升機器人能力，并擴展到更多場景和任務。

同時，光象科技將車企等客戶視為場景合作伙伴。張濤稱，合作通常分為幾個階段：首先，共同篩選高價值、易規模化的工位需求；其次，在實驗室和真實產線進行迭代驗證；最后，在正式產線上協同作業，評估效果。

對于未來的工業現場，張濤的判斷是：自動化設備、具身智能機器人和人工將協同工作，三者的比例可能是60%-70%的自動化設備，30%的具身智能機器人，再加10%的人。機器人的價值在于其在復雜操作、柔性生產和泛化能力上的獨特優勢。

結語：當機器人真正走進產線之后

過去兩年，具身智能行業展示了越來越多令人印象深刻的能力。本體越來越靈活，運動能力持續提升，模型能力也在快速進步。

與此同時，行業也在尋找另一個問題的答案：機器人什么時候能夠真正成為生產力。

對于這個問題，不同企業給出了不同選擇。有人從家庭切入，有人從服務場景切入，也有人選擇進入工業現場。

光象科技選擇的是后一條路。從汽車制造出發，讓機器人先在真實工位完成真實任務，再通過持續的數據積累和模型迭代不斷提升能力。

這條路并不輕松，卻能夠讓技術、場景與商業價值形成更緊密的連接。而這，或許正是具身智能邁向規模化落地的重要一步。