作者 | 邱曉芬

編輯 | 袁斯來

硬氪獲悉，具身智能公司「光象科技」宣布完成累計數億元天使輪融資。

最新一輪由珠海科技產業集團、興證資本、松禾資本、順禧基金、慕華科創、SeeFund、億宸資本、上市公司行云科技等頭部財投與產投深度參與，老股東零一創投、L2F光源創業者基金持續加注。

本輪資金將重點投入物理原生基座模型的研發迭代，并推進具身智能機器人在工業場景的商業化交付。

「光象科技」成立于2025年4月，是清華大學車輛與運載學院與人工智能學院聯合孵化的具身智能公司。

在團隊配置上，「光象科技」呈現出“產業+學術”的基因。公司創始人兼CEO張濤曾任高德空間感知引擎負責人，主導的技術此前已量產落地至數百萬車載終端；

聯合創始人李升波教授是強化學習與自動駕駛領域國際知名專家，發表論文250余篇，引用超30000次，連續5年入選愛思唯爾中國高被引學者。

公司團隊其他成員主要來自阿里巴巴、騰訊、華為、庫卡、極智嘉等科技與機器人企業，具備豐富的機器人全棧技術與商業化落地經驗。

技術路線的選擇上，「光象科技」選擇了一條區別于主流VLA（視覺-語言-動作）和視頻預測式世界模型的路徑。

張濤向硬氪表示，VLA路線本質上是感知與動作的映射器，依賴對人類演示數據的模仿，泛化能力有限；而視頻預測式世界模型僅聚焦于像素級預測，無法刻畫質量、慣量、摩擦等物理屬性，難以支撐通用泛化的動作生成。

在他看來，真正的物理原生智能，是在與物理世界的感知、交互、反饋、探索與約束中自主涌現的能力。因此，物理原生基座模型，必須以物理交互為首要原則，能夠從物理環境中持續學習世界規律、行為后果與任務約束。

為此，「光象科技」提出了“物理原生基座模型”的技術路線，其核心邏輯是讓模型在與物理環境的交互中自主涌現對物理規律的理解，而非單純模仿人類動作。

為支撐這一路線，公司構建了由強化學習算法矩陣Phi-RL Matrix、物理數據資產Phi-Space、通用物理智能開發平臺Phi-Arch協同，所構成的“三位一體”技術體系——

算法層面，公司自研了行業內頂尖的強化學習算法矩陣Phi-RL Matrix。不同于傳統的“看視頻學動作”，這套算法的核心邏輯是讓機器人在仿真和真實環境中通過海量試錯，自主掌握物理世界的運行規律。

數據層面，依托物理數據資產Phi-Space，「光象科技」在虛擬世界里重建了真實海量場景——利用自研的三維與物理建模技術，系統不僅能復刻真實場景的幾何形狀，還能精準模擬出質量、摩擦、形變等物理屬性。結合生成式模型，仿真場景可以實現指數級擴張，為算法訓練提供近乎無限且低成本的數據燃料。

平臺層面，通用物理智能開發平臺Phi-Arch，「光象科技」解決了技術復用的難題。具體而言，它構建了一套穩定的仿真-訓練-驗證-部署的工程體系，并將模型訓練的底層數據、算法、工具等沉淀為標準化資產，確保在技術快速更新的過程中模型持續迭代的穩定性，并讓機器人的“學習成果”可以快速遷移落地。

在打好技術基礎之后，「光象科技」也快速落地了自己的產品。

2026年6月，「光象科技」正式發布工業級自進化具身智能機器人Phi-Bot X1。這款專為工業場景設計的機器人采用四舵輪全向底盤，支持主動轉向、橫向“蟹行”、斜向移動與原地回轉，可在作業狀態下，自主鎖止以保障穩定性；升降腰結構使其垂直工作區間覆蓋0至2.5米；

據張濤介紹，Phi-Bot X1的全身具備27個自由度，全關節力控雙臂支持1kHz協同控制與實時力反饋，僅依靠本體感知即可實現10mm定位精度與0.05mm末端重復定位精度，且支持1分鐘快速換電。

與行業內常見的“先發PPT、后做產品和場景驗證”不同，「光象科技」在正式發布產品之前，其機器人已經在汽車產線完成了真實的作業驗證。

（圖源/企業）

在2026 ATC展會上，Phi-Bot X1連續三天持續運行21.5小時，完成汽車產線焊接上下料全流程作業，零失誤零中斷；

在雙孔同時對準作業中，僅依靠本體感知將動態操作精度控制在毫米級，角度精準控制在0.3°以內，動態環境下連續工作成功率100%。

依托泛化技能模型，Phi-Bot X1在移動質檢場景中相較非協同方式效率提升51%，較人工工位節拍節省25%至45%，部署周期從傳統自動化的6個月以上壓縮至周級甚至天級。

（圖源/企業）

在初步驗證商業化落地可行性之后，「光象科技」未來將快速拓展落地規模。

張濤向硬氪判斷，汽車產業百年的自動化歷程中，凡是現有技術手段能解決的問題早已被解決，具身機器人應當去啃“機械臂和PLC解決不了”的30%數字化缺口，比如存在灼傷風險的焊接上下料、需要靈活調整視角且一致性要求高的尾線質檢，以及對工人頸椎腰椎不友好的高/中/低工位裝配等等。

目前，「光象科技」已圍繞汽車制造中的上下料、質檢等典型高價值工位完成真實場景驗證，并與多家國內外頭部汽車企業達成商業合作。

張濤向硬氪預計，國內汽車產線機器人市場規模約1000億元，公司計劃先做深汽車場景，再用3到5年時間向更廣泛的工業場景延伸。

以下是硬氪與張濤的訪談（略經摘編）：

硬氪：此前多家具身智能公司嘗試進入汽車場景未果，行業甚至出現“汽車場景被證偽”的聲音，你們為何反向選擇聚焦汽車？

張濤：機器人進汽車場景絕非證偽，而是“沒準備好”。早期進入汽車場景的公司大多先講故事再適配產品，對場景工藝缺乏認知。以某國際豪華汽車廠商為例，之前合作的某人形公司采用雙足+靈巧手方案做焊接上料，因行走震動導致工件掉落率80%，最終被迫掛載AGV才勉強跑通——這本質是本體設計未匹配場景需求。

汽車制造是工業新技術最早的試驗場，PLC、機械臂、AI質檢均起源于此，且現有技術能解決的問題早已被自動化覆蓋，具身機器人恰恰該做那些“遺留的30%數字化缺口”。

硬氪：汽車場景里，具身機器人的核心切入點是什么？

張濤：不是替代已成熟的90%機械臂工位，而是解決三大類“自動化盲區”：一是職業健康風險場景，如焊接上下料的灼傷風險、高/中/低工位裝配對頸椎腰椎的損傷；

二是質量一致性場景，如尾線質檢，固定攝像頭無法靈活調整角度，AI質檢召回率不足；

三是柔性生產場景（如多車型混線時的動態調整需求）。我們的Phi-Bot X1已實現焊接上下料連續21.5小時零失誤，移動質檢效率較人工提升25%-45%。

硬氪：你們所謂的“物理原生”，和目前主流的VLA、世界模型有什么區別？

張濤：VLA本質是“動作映射”——在預訓練VLM后嫁接動作專家，通過擬合人類演示數據學習，換任務、換傳感器位置就要重訓，泛化性弱。世界模型主要是做像素層面的世界預測，對于背后的物理規律，尤其是世界變化與行為的因果關系認知有限。我們的物理原生模型核心是通過物理交互讓機器人自主掌握物理因果規律。

比如，在上下料對孔場景中，不需要采集海量“放歪了怎么調整”的數據，而是讓機器人在高保真仿真里并行試錯，自主學會“卡住時往哪個方向調整能對齊”。一臺顯卡可虛擬1000臺機器人同步迭代，成本遠低于真機采數據。

硬氪：如何看待車企自研機器人？會與你們產生競爭嗎？

張濤：車企自研機器人若以“進自己產線”為目標，商業邏輯不成立。一家車企的產線數有限，做出來的方案別的車企也不會用，數據無法跨廠流通。

特斯拉、小鵬做機器人更可能奔向C端家庭場景，與我們的B端工業定位是互補關系。車企的優勢在制造與渠道，但具身智能需要技術范式的變革，傳統Tier1供應模式很難長出核心算法能力——參考自動駕駛，多數車企自研效果并不理想。

硬氪：光象的硬件是自研嗎？未來硬件會成為壁壘嗎？

張濤：前期采用“自研設計+外部供應商OEM集成”模式，后續逐步收回核心硬件能力。但長期看，中國供應鏈成熟后硬件會快速平權。

硬氪：未來會做To C嗎？上市計劃是什么節奏？

張濤：To C至少3-5年后再考慮。上市有規劃，但不是現階段核心目標，當前重心是打磨產品與場景落地。我們更關注賣出去的機器人有多少在活躍使用，因為只有真實場景的持續反饋，才能形成產品閉環，這才是具身公司的核心競爭力。

硬氪：如何行業當前處于什么階段？是否存在泡沫？

張濤：2026年是從“看demo”轉向“看落地”的拐點。接下來1-2年，落地數據將決定行業走向。當前確實存在“假落地”現象，但最終會回歸商業本質。

我們不追求短期高估值，公司2025年4月才正式成立，前期花兩三個月泡在車廠調研工藝，讓機器人先在產線干起活再來發布產品。具身智能是一個10年、20年的賽道，第一年是否高調并不重要。

首頁圖源 | 企業供圖

排版｜范馨雅

歡迎交流