田晏林 發自 凹非寺
量子位 | 公眾號 QbitAI

過去一年，具身智能行業最熱鬧的畫面是什么？

機器人跑馬拉松、跳舞、翻跟頭，甚至在春晚整活。

熱鬧歸熱鬧，很多制造業老板真正關心的問題其實只有一個：

機器人什么時候能進工廠干活？

畢竟，跑完21公里是一回事，在汽車產線上連續工作、不出錯、不掉鏈子，是另一回事。

作為清華大學少數直接持股的具身公司，成立一年多的光象科技給出一份有點反常識的答案。

前幾天，他們正式發布了工業級自進化具身智能機器人Phi-Bot X1。

在2026 ATC展會蔚來汽車焊接上下料場景中，X1完成了連續3天、累計21.5小時上下料作業，零失誤、零中斷。

而且從模型導入到真實部署，只要一周時間就行了！

不得不說，這種工程落地速度，確實多少有點清華系的味道。

更關鍵的是，它沒有選擇行業最熱的雙足人形路線，而是從工業現場真實的需求出發，試圖打造一種新的智能生產力。

當所有人都在討論機器人能不能像人時，一個更現實的問題已經擺在面前：

具身智能，究竟該先學會像人一樣生活，還是先學會像工人一樣干活？

一臺為工廠而生的具身智能機器人

今天，如果我們把具身智能行業比作一個考場，很多公司給出的考題是「動作展示」。

光象科技考的，卻是生產力。

區別看似不大，本質完全不同。

前者關注機器人能不能完成某個動作，后者關注機器人能不能真正創造價值。

和不少企業先造機器人再尋找場景不同，光象科技思考的是「工廠到底需要什么樣的機器人？」

綜合調研后，他們發現答案無外乎4點：高精度、高節拍、高可靠、高安全。

為此，他們設計的Phi-Bot X1，從誕生開始，就瞄準真實產線。

在移動能力上，X1采用四舵輪全向底盤設計，支持橫向蟹行、斜向移動和原地回轉。

這是因為汽車工廠里，大量工位空間狹窄，傳統設備需要預留轉向空間。

而X1可以像「老司機」側方停車一樣，在有限空間內完成精準移動。

同時，它配備工業級升降腰結構，工作范圍覆蓋0～2.5米。

這意味著同一臺機器人，可以同時覆蓋低位抓取和高位操作。

移動解決的是「能不能到」，操作解決的是「能不能干」。

X1擁有27個自由度，全關節力控雙臂，并基于1kHz協同控制和實時力反饋，實現工業級柔順控制。

簡單來說，它不僅知道自己在哪里，還知道碰到了什么，以及應該用多大力氣。

拿扳手、插線束、搬零件都需要不同力度。

力控，本質上是在教機器人學會工業世界里的「分寸感」。

但要成為合格的工廠「打工人」，這樣的身體素質顯然還不夠。

X1搭載了3D激光雷達、RGBD深度相機、雙目相機和超聲波雷達。

這套感知配置，多少有點把能裝的「眼睛」都裝上了。

10mm定位精度和0.05mm末端重復定位精度，手眼都能穩穩配合。

更重要的是，這些能力都來自機器人本體，不依賴復雜外部改造。

對于制造業來說，這一點非常關鍵。

很多工廠智能化升級的成本，不是買機器人，而是花在改工廠上了。

光象的思路是，讓機器人適應工廠，而不是讓工廠去適應機器人。

在任務能力上，X1支持更換末端執行器，可以完成質檢、上料、分揀、擰緊、粘貼、插接等多種任務。

同時，雙電池的設計，它還能自己給自己換電。

參數再好看也只是參數，真正重要的是實戰的成績單。

在移動質檢場景中，X1實現車身表面100％檢測覆蓋率，效率相比非協同方案提升51％。

在焊接上下料場景中，可完成抓取、翻轉、精準對孔等復雜任務，動態位置精度達到毫米級。

而在2026ATC上海國際汽車技術及零部件展覽會上，它更是連續3天運行，累計21.5小時作業，零失誤、零中斷，成功率100％。

看來，實驗室已經裝不下Phi-Bot X1了。

從測試場走向生產線，X1等不及要「上崗」了。

Phi-Bot X1背后，是一套自我進化的物理智能體系

如果說Phi-Bot X1是前臺，那么強化學習、世界模型、數據飛輪和開發平臺，才是光象真正的底層競爭力。

因為機器人行業真正難復制的，從來不是硬件。

機械結構可以買，供應鏈可以追，參數也會刷新。

但機器人如何學習，才是核心。

目前行業主流路線是VLA，通過視覺語言模型和模仿學習，讓機器人快速掌握動作。

問題也很明顯，這更像「照貓畫虎」。

看過的動作可以完成，沒見過的任務容易失效。

而真正的智能，不只是記住答案，而是理解規律。

小孩第一次拿杯子會失敗，但經過不斷嘗試，會慢慢理解重力、摩擦力和慣性。下一次換一個陌生杯子，依然知道怎么拿。

這就是舉一反三的能力。

光象選擇押注的，正是讓機器人理解物理世界。

圍繞這一目標，光象打造了強化學習算法矩陣「Phi-RL Matrix」。

光象構建了覆蓋仿真強化學習、真機強化學習和世界模型強化學習的技術體系。

各種算法形成互補矩陣，各司其職：

• DSAC（值分布強化學習）負責精度
• DACER（多模態強化學習）負責環境適配&成功率
• MVP（均值速度場）負責動作平順
• RACS（安全強化學習）負責運行安全

雖然控制效果的問題解決了，卻繞不開強化學習的核心瓶頸：大規模真機試錯，成本太高。

過去幾年，大家都在拼命收集數據。但今天，越來越多企業開始思考如何高效率生產數據。

光象基于高保真場景建模和生成式規模化擴增，提出數據「Phi-Space」。

它更像一座機器人訓練營。

在這里，機器人每天都在重復同樣的動作訓練。

跌倒了再站起來，失敗了重新嘗試，直到把某個技能練成「肌肉記憶」。

等進入真實工廠時，它已經不再是一個新手。這是強化學習真正發揮價值的地方。

機器人不再依賴人類示范，而是在仿真環境中自主探索，逐步形成自己的「物理直覺」。

算法、數據有了，還不夠。

工業客戶更關心多久能上線、多久能創造價值。

Phi-Bot X1目前能夠在一周時間部署完畢。

這背后，全仰仗光象打造的全鏈路開發平臺「Phi-Arch」。

它貫通數據生成、模型訓練、參數優化和部署上線全過程。

而且，從對象建模、環境建模、任務轉化，到網絡構建、優化求解、參數調教、代碼部署和控制器集成，「Phi-Arch」能形成完整閉環。

有了這個平臺，模型開發、部署與迭代效率明顯提升。

據說光象計劃將部署時間縮短到以天為單位。

一個持續運轉的數據飛輪也就此形成：

機器人工作，產生數據；數據訓練模型；模型回到機器人，再繼續工作和學習。

這是光象定義的「自進化機器人」。

從這個角度看，Phi-Bot X1只是冰山露出水面的部分。

水面之下，這套不斷學習、不斷成長的物理智能體系，才是大boss。

工業具身智能，正在進入規模化落地前夜

雖然剛成立一年多，光象已與蔚來等頭部車企展開合作。

為什么汽車工廠是光象的第一站？

在光象科技創始人兼CEO張濤看來，汽車制造是具身智能最適合成長的訓練場。

因為它足夠復雜。沖壓、焊裝、涂裝、總裝等環節，包含大量不同任務。

同時，它又足夠標準。工藝流程明確，質量要求統一，可以形成規模復制。

對于機器人來說，這是一場高難度考試，但通過之后，機器人獲得的不只是一個技能，而是一整套工業世界能力。

相比行業之前熱衷討論機器人能不能完成某個動作。

今天，越來越多人開始關注另一個問題：

機器人能不能在100個工位成功100次；能不能從1家工廠復制到10家工廠；能不能從一個任務擴展成一類任務。

汽車產業，恰好提供了這樣的驗證環境。

接下來，這套能力可以進一步遷移到汽車零部件、工程機械、軌道交通、船舶制造、3C電子等更多制造場景。

這些行業雖然不同，但背后都有大量相似的工業任務。

從這個角度看，光象真正想復制的，不是機器人本身，而是機器人的技能。

就像汽車工廠不是光象的終點，工業場景也不是。

張濤規劃了一條更長期發展路徑：先工業，再商業服務，最后進入家庭。

只不過，進入家庭場景的產品形態，張濤認為目前還沒有標準答案。

最終取決于機器人需要為家庭提供什么樣的價值。

清華工業基因+AI基因

前幾天，我和光象科技的朋友閑聊，發現這家公司有意思的地方，不只是產品，還有團隊。

因為它的「含華量」太高了，是清華大學車輛與運載學院和人工智能學院聯合孵化的。

這并非簡單的履歷加分。

具身智能發展到今天，一個越來越明顯的趨勢正在出現：行業開始從拼模型，進入拼工程階段。

而這恰恰是光象團隊的優勢所在。

創始人張濤，就是一個典型例子。

他是清華大學博士、米蘭理工大學博士后，曾擔任阿里巴巴高德地圖技術總監和空間感知引擎負責人，長期從事空間感知、多傳感器融合等領域研究。

其帶領團隊研發的定位感知技術，連續三年獲得國際定位大賽冠軍。

相關成果落地長城汽車量產自動駕駛系統，并在十余家頭部車企實現規模應用，累計量產終端達到數百萬級。

另一位聯合創始人李升波，是清華大學人工智能學院教授，長期從事自動駕駛與具身智能研究。

其主導研發的iDrive系統，被認為是國內最早的全神經網絡端到端自動駕駛系統之一，已經在廣汽、東風、滴滴等企業落地應用。

直觀感覺，這家公司自帶濃厚的清華自動駕駛基因。

而自動駕駛恰恰是中國最早經歷過大模型、強化學習、仿真訓練、世界模型等技術驗證的行業之一。

今天，當具身智能進入同樣的發展階段時，這些經驗開始產生遷移價值。

光象的股東陣容同樣頗具產業特色。

埃夫特、L2F、東方富海等產業資本，均參與其中。

某種意義上說，這并不是一家單純的機器人公司，更像是工業、AI和產業資源共同交匯后的產物。

One more thing

過去兩年，具身智能行業最熱的關鍵詞是人形機器人。

但未來幾年，更重要的關鍵詞或許會變成另一件事：智能生產力。

光象科技正在回答一個「比機器人長什么樣」更重要的問題，那就是「機器人如何成為生產工具」。

Phi-Bot X1此時更像一個入口。

一個連接機器人、工業場景和數據閉環的入口。

它讓機器人第一次有機會進入真實生產世界，在真實任務中學習，在真實需求中進化。

當然，進入產線之后，挑戰才剛剛開始。

畢竟對于工業機器人來說，短暫運行不是難點，長期可靠運行才是。