离开展台，具身智能在工厂车间寻找新工位- 大数跨境

AI科技评论

2026-09-07

导读：光象科技，正在推动一个可以被验证的规模化的商业具身落地案例。

光象科技正推动具身智能在规模化商业落地中的验证案例。

作者丨齐铖湧

编辑丨董子博

具身智能赛道资本情绪生变。过去两年，演示效果可换融资，但进入 2026 年下半年，投资人开始质疑机器人从实验室走向生产车间的周期。

产业调研显示，“寒冬论”蔓延。一方面，具身智能尚未找到大模型 Scaling 的有效路径；另一方面，制造业对试错成本极度敏感。数字世界代码重构成本为零，而工厂机械臂失误可能导致停线与巨额违约金。

光象科技创始人兼 CEO 张涛表示：“若维持现状，寒冬或将在一两年内到来；但若行业能率先跑出可规模化、创造真实商业价值的落地案例，便能穿越周期。”作为清华车辆与运载学院及人工智能学院联合孵化企业，光象科技成为观察这一进程的关键样本。

流水线不需要“像人”，只需要“好用”

行业焦点曾集中于双足人形机器人，但真实汽车制造车间空间逼仄，对节拍和精度要求苛刻。务实的机器人公司往往首先对本体形态进行妥协。

以光象科技工业级自进化具身智能机器人 Phi-Bot X1 为例，其并未采用人形设计，而是高度适应工业约束：四舵轮全向底盘解决狭窄工位移动难题，工业级升降腰兼顾高低位操作，27 自由度全关节力控双臂则确保在拿扳手、插线束等场景中精准控制力度。

实战表现优于参数堆砌。在 2026 年 ATC 上海国际汽车技术及零部件展览会上，Phi-Bot X1 在蔚来汽车焊接上下料场景中，于毫米级动态精度下完成抓取、翻转及对孔任务。连续 3 天、累计 21.5 小时作业实现零失误、零中断。

让机器人适应工厂而非改造产线，是少数掌握“工业妥协”逻辑的企业能迅速进入头部车厂真机验证阶段的关键。

决定机器人处理非结构化复杂任务能力的是其“大脑”。目前落地较快的 VLA（视觉 - 语言 - 动作）路线本质为模仿学习，但在实际产线中泛化能力不足，光照或物料角度变化即可导致失效。

为赋予机器人物理常识，“世界模型”概念兴起。然而，基于视频生成的主流世界模型若在生产中实时渲染高保真预测视频，将产生灾难性算力消耗，形成沉重的“算力税”。

光象科技联合清华大学李升波教授课题组发布的第一代物理原生世界模型 Phi-WM 1.0 ActEffect 提供了工程解法。该模型不在像素层死磕，而是将预测移至“隐空间”，关注物理状态转移规律，不渲染无关背景与光线信息。

训练阶段，模型通过推演不同动作方案的后果学习物理规律；部署阶段，沉重的世界模型被移出推理链路，其理解被“蒸馏”至轻量策略权重中。机器人凭借“肌肉记忆”作业，无需每次动手前冗长推演。

实验数据显示，ActEffect 在 LIBERO 基准上平均成功率达 98.8%，在加入扰动的 LIBERO-PLUS 上达 80.3%。消融实验证明，“后果反馈”机制提供了可验证的性能增量。这一设计回应了世界模型在工程落地的成本可行性问题。

数据与工程化部署能力决定了 To B 生意的底线。人类示范视频仅记录成功路径，缺乏“反事实”对比数据。构建高保真仿真体系，让机器人在虚拟环境中低成本试错，成为拉开企业差距的关键。

部署效率是另一核心商业问题。传统模式每增加一个工位需重新采集数据并驻场训练数月，导致成本线性增长。光象科技通过打通从对象建模到代码部署的全栈闭环，已将典型工位部署时间压缩至一周左右，未来目标按“天”计算，以实现真正的规模化产品交付。

汽车制造业因工艺流程标准、容错率低且存在大量传统机械臂难以胜任的非结构化场景（如焊接上下料、移动质检），成为 Figure、优必选、光象科技等企业的共同选择。

以移动质检为例，汽车表面连续曲面检测需底盘移动与机械臂协同，契合光象科技“自主感知 + 实时决策”能力及 Phi-Bot X1 的非人形工业设计。目前，X1 已在蔚来及多家豪华品牌车厂真实产线进行严苛验证。

商业化落点在于“适度非结构化、传统自动化无法覆盖且经济价值明确”的中间地带。张涛强调，必须先通过解决具体问题建立客户信任，形成商业闭环的"1"，再叠加模型与 API 能力的"0"。

具身智能发展路径与自动驾驶历史高度相似：高举 L4 旗帜却无造血场景的公司率先出局，而绑定主机厂量产订单者成功穿越周期。光象科技核心团队拥有自动驾驶量产基因，曾主导全神经网络端到端系统研发，将“真实量产”直觉带入具身领域。

其路径清晰：先在工业受限场景打磨软硬件闭环，再向泛工业拓展，最终演进为通用智能。今年下半年，光象将在车厂展示更多真实部署成果。当热潮退去，衡量企业价值的标尺将是机器人在流水线上第一万次抓取是否依然精准稳定。