具身智能公司「光象科技」宣布完成累计数亿元天使轮融资。本轮由珠海科技产业集团、兴证资本、松禾资本等头部财投与产投深度参与，老股东零一创投持续加注。
资金将重点投入物理原生基座模型的研发迭代，并加速具身智能机器人在工业场景的商业化交付。
来源 | 硬氪
作者 | 邱晓芬
编辑 | 袁斯来
「光象科技」成立于 2025 年 4 月，是由清华大学车辆与运载学院与人工智能学院联合孵化的具身智能企业。公司团队呈现“产业 + 学术”双重基因：创始人兼 CEO 张涛曾任高德空间感知引擎负责人，主导技术已量产落地数百万车载终端；联合创始人李升波教授为强化学习与自动驾驶领域国际知名专家。核心成员多来自阿里巴巴、腾讯、华为及库卡、极智嘉等企业，具备丰富的全栈技术与商业化经验。
技术路线：构建“物理原生”三位一体体系
不同于主流 VLA（视觉 - 语言 - 动作）和视频预测式世界模型，「光象科技」选择了“物理原生基座模型”技术路线。张涛指出，VLA 本质是感知与动作的映射器，依赖模仿人类数据，泛化能力有限；视频预测模型仅聚焦像素级预测，无法刻画质量、惯量等物理属性。真正的物理原生智能，应是在与物理世界的交互中自主涌现对规律的理解。
为此，公司构建了由算法、数据、平台协同的“三位一体”技术体系：
算法层面：自研 Phi-RL Matrix
公司自研强化学习算法矩阵 Phi-RL Matrix。其核心逻辑摒弃了传统的“看视频学动作”，转而让机器人在仿真和真实环境中通过海量试错，自主掌握物理世界的运行规律。
数据层面：重建物理资产 Phi-Space
依托物理数据资产 Phi-Space，公司在虚拟世界重建真实海量场景。利用自研三维与物理建模技术，系统不仅复刻几何形状，更精准模拟质量、摩擦、形变等物理属性。结合生成式模型，仿真场景可实现指数级扩张，为算法训练提供低成本的数据燃料。
平台层面：通用开发平台 Phi-Arch
通用物理智能开发平台 Phi-Arch 构建了稳定的“仿真 - 训练 - 验证 - 部署”工程体系。它将底层数据、算法、工具沉淀为标准化资产，确保模型在快速迭代中的稳定性，并实现机器人“学习成果”的快速迁移落地。
产品落地：工业级机器人 Phi-Bot X1 实测验证
基于坚实的技术基础，「光象科技」于 2026 年 6 月正式发布工业级自进化具身智能机器人 Phi-Bot X1。该产品专为工业场景设计，采用四舵轮全向底盘，支持主动转向、横向“蟹行”及原地回转，作业时可自主锁止保障稳定；升降腰结构使其垂直工作区间覆盖 0 至 2.5 米。
Phi-Bot X1 全身具备 27 个自由度，全关节力控双臂支持 1kHz 协同控制与实时力反馈。仅依靠本体感知即可实现 10mm 定位精度与 0.05mm 末端重复定位精度，并支持 1 分钟快速换电。
与行业常见的"PPT 先行”不同，「光象科技」在产品发布前已完成真实的汽车产线作业验证。
在 2026 ATC 展会上，Phi-Bot X1 连续三天运行 21.5 小时，完成汽车产线焊接上下料全流程，实现零失误零中断。在双孔同时对准作业中，仅靠本体感知将动态操作精度控制在毫米级，角度误差小于 0.3°，动态环境下连续工作成功率达 100%。
数据显示，依托泛化技能模型，Phi-Bot X1 在移动质检场景中效率较非协同方式提升 51%，较人工工位节拍节省 25% 至 45%，部署周期从传统自动化的半年以上压缩至周级甚至天级。
战略规划：填补汽车制造 30% 数字化缺口
在验证商业化可行性后，「光象科技」计划快速拓展落地规模。张涛判断，汽车产业现有技术手段已解决大部分问题，具身机器人应聚焦机械臂和 PLC 无法解决的 30% 数字化缺口，如存在灼伤风险的焊接上下料、需灵活调整视角的尾线质检，以及对工人身体负担较重的高低位装配等。
目前，公司已围绕汽车制造中的典型高价值工位完成真实场景验证，并与多家国内外头部车企达成合作。张涛预计，国内汽车产线机器人市场规模约 1000 亿元，公司计划先深耕汽车场景，再用 3 到 5 年时间向更广泛的工业场景延伸。
深度访谈：对话光象科技 CEO 张涛
硬氪：此前多家具身智能公司尝试进入汽车场景未果，行业甚至出现“汽车场景被证伪”的声音，你们为何反向选择聚焦汽车？
张涛：机器人进汽车场景绝非证伪，而是“没准备好”。早期进入者多先讲故事再适配产品，缺乏对场景工艺的認知。例如某国际豪华车企合作的人形公司，因双足方案行走震动导致工件掉落率高达 80%，最终被迫挂载 AGV 才勉强跑通，这本质是本体设计未匹配场景需求。
汽车制造是工业新技术的试验场，现有技术能解决的问题早已被自动化覆盖，具身机器人恰恰应去啃那些“遗留的 30% 数字化缺口”。
硬氪：汽车场景里，具身机器人的核心切入点是什么？
张涛：不是替代已成熟的 90% 机械臂工位，而是解决三大类“自动化盲区”：一是职业健康风险场景，如焊接上下料的灼伤风险、高低位装配对脊柱的损伤；二是质量一致性场景，如尾线质检中固定摄像头无法灵活调整角度的问题；三是柔性生产场景，如多车型混线时的动态调整需求。我们的 Phi-Bot X1 已在焊接上下料和移动质检中证明了其效率优势。
硬氪：你们所谓的“物理原生”，和目前主流的 VLA、世界模型有什么区别？
张涛：VLA 本质是“动作映射”，依赖拟合人类演示数据，换任务或传感器位置需重训，泛化性弱。世界模型主要做像素层面的预测，对物理规律及因果关系的认知有限。我们的物理原生模型核心是通过物理交互让机器人自主掌握因果规律。例如在上下料对孔场景中，不需要采集海量调整数据，而是让机器人在高保真仿真里并行试错，自主学会调整策略。一台显卡可虚拟千台机器人同步迭代，成本远低于真机采数。
硬氪：如何看待车企自研机器人？会与你们产生竞争吗？
张涛：车企若以“进自己产线”为目标自研机器人，商业逻辑不成立。单一车企产线数量有限，方案难以跨厂复用，数据无法流通。特斯拉、小鹏等做机器人更可能奔向 C 端家庭场景，与我们 B 端工业定位互补。车企优势在制造与渠道，但具身智能需要技术范式变革，传统 Tier1 供应模式很难长出核心算法能力。
硬氪：光象的硬件是自研吗？未来硬件会成为壁垒吗？
张涛：前期采用“自研设计 + 外部供应商 OEM 集成”模式，后续逐步收回核心硬件能力。但长期看，随着中国供应链成熟，硬件会快速平权，并非终极壁垒。
硬氪：未来会做 To C 吗？上市计划是什么节奏？
张涛：To C 至少 3-5 年后再考虑。上市虽有规划，但不是现阶段核心目标。当前重心是打磨产品与场景落地。我们更关注售出机器人的活跃使用率，因为只有真实场景的持续反馈才能形成产品闭环，这才是具身公司的核心竞争力。
硬氪：如何看行业当前阶段？是否存在泡沫？
张涛：2026 年是从“看 demo"转向“看落地”的拐点。未来 1-2 年，落地数据将决定行业走向。当前确实存在“假落地”现象，但最终会回归商业本质。我们不追求短期高估值，公司成立初期花费大量时间调研工艺，坚持让机器人先在产线干活再发布产品。具身智能是长赛道，第一年是否高调并不重要。
