刚成立一年就拿下车厂订单，这家清华系公司把具身智能送进真实产线

过去一年，具身智能行业最热闹的画面是什么？

机器人跑马拉松、跳舞、翻跟头，甚至在春晚整活。

热闹归热闹，很多制造业老板真正关心的问题其实只有一个：

机器人什么时候能进工厂干活？

毕竟，跑完21公里是一回事，在汽车产线上连续工作、不出错、不掉链子，是另一回事。

作为清华大学少数直接持股的具身公司，成立一年多的光象科技给出一份有点反常识的答案。

前几天，他们正式发布了工业级自进化具身智能机器人Phi-Bot X1。

在2026 ATC展会蔚来汽车焊接上下料场景中，X1完成了连续3天、累计21.5小时上下料作业，零失误、零中断。

而且从模型导入到真实部署，只要一周时间就行了！

不得不说，这种工程落地速度，确实多少有点清华系的味道。

更关键的是，它没有选择行业最热的双足人形路线，而是从工业现场真实的需求出发，试图打造一种新的智能生产力。

当所有人都在讨论机器人能不能像人时，一个更现实的问题已经摆在面前：

具身智能，究竟该先学会像人一样生活，还是先学会像工人一样干活？

一台为工厂而生的具身智能机器人

今天，如果我们把具身智能行业比作一个考场，很多公司给出的考题是「动作展示」。

光象科技考的，却是生产力。

区别看似不大，本质完全不同。

前者关注机器人能不能完成某个动作，后者关注机器人能不能真正创造价值。

和不少企业先造机器人再寻找场景不同，光象科技思考的是「工厂到底需要什么样的机器人？」

综合调研后，他们发现答案无外乎4点：高精度、高节拍、高可靠、高安全。

为此，他们设计的Phi-Bot X1，从诞生开始，就瞄准真实产线。

在移动能力上，X1采用四舵轮全向底盘设计，支持横向蟹行、斜向移动和原地回转。

这是因为汽车工厂里，大量工位空间狭窄，传统设备需要预留转向空间。

而X1可以像「老司机」侧方停车一样，在有限空间内完成精准移动。

同时，它配备工业级升降腰结构，工作范围覆盖0～2.5米。

这意味着同一台机器人，可以同时覆盖低位抓取和高位操作。

移动解决的是「能不能到」，操作解决的是「能不能干」。

X1拥有27个自由度，全关节力控双臂，并基于1kHz协同控制和实时力反馈，实现工业级柔顺控制。

简单来说，它不仅知道自己在哪里，还知道碰到了什么，以及应该用多大力气。

拿扳手、插线束、搬零件都需要不同力度。

力控，本质上是在教机器人学会工业世界里的「分寸感」。

但要成为合格的工厂「打工人」，这样的身体素质显然还不够。

X1搭载了3D激光雷达、RGBD深度相机、双目相机和超声波雷达。

这套感知配置，多少有点把能装的「眼睛」都装上了。

10mm定位精度和0.05mm末端重复定位精度，手眼都能稳稳配合。

更重要的是，这些能力都来自机器人本体，不依赖复杂外部改造。

对于制造业来说，这一点非常关键。

很多工厂智能化升级的成本，不是买机器人，而是花在改工厂上了。

光象的思路是，让机器人适应工厂，而不是让工厂去适应机器人。

在任务能力上，X1支持更换末端执行器，可以完成质检、上料、分拣、拧紧、粘贴、插接等多种任务。

同时，双电池的设计，它还能自己给自己换电。

参数再好看也只是参数，真正重要的是实战的成绩单。

在移动质检场景中，X1实现车身表面100％检测覆盖率，效率相比非协同方案提升51％。

在焊接上下料场景中，可完成抓取、翻转、精准对孔等复杂任务，动态位置精度达到毫米级。

而在2026ATC上海国际汽车技术及零部件展览会上，它更是连续3天运行，累计21.5小时作业，零失误、零中断，成功率100％。

看来，实验室已经装不下Phi-Bot X1了。

从测试场走向生产线，X1等不及要「上岗」了。

Phi-Bot X1背后，是一套自我进化的物理智能体系

如果说Phi-Bot X1是前台，那么强化学习、世界模型、数据飞轮和开发平台，才是光象真正的底层竞争力。

因为机器人行业真正难复制的，从来不是硬件。

机械结构可以买，供应链可以追，参数也会刷新。

但机器人如何学习，才是核心。

目前行业主流路线是VLA，通过视觉语言模型和模仿学习，让机器人快速掌握动作。

问题也很明显，这更像「照猫画虎」。

看过的动作可以完成，没见过的任务容易失效。

而真正的智能，不只是记住答案，而是理解规律。

小孩第一次拿杯子会失败，但经过不断尝试，会慢慢理解重力、摩擦力和惯性。下一次换一个陌生杯子，依然知道怎么拿。

这就是举一反三的能力。

光象选择押注的，正是让机器人理解物理世界。

围绕这一目标，光象打造了强化学习算法矩阵「Phi-RL Matrix」。

光象构建了覆盖仿真强化学习、真机强化学习和世界模型强化学习的技术体系。

各种算法形成互补矩阵，各司其职：

• DSAC（值分布强化学习）负责精度
• DACER（多模态强化学习）负责环境适配&成功率
• MVP（均值速度场）负责动作平顺
• RACS（安全强化学习）负责运行安全

虽然控制效果的问题解决了，却绕不开强化学习的核心瓶颈：大规模真机试错，成本太高。

过去几年，大家都在拼命收集数据。但今天，越来越多企业开始思考如何高效率生产数据。

光象基于高保真场景建模和生成式规模化扩增，提出数据「Phi-Space」。

它更像一座机器人训练营。

在这里，机器人每天都在重复同样的动作训练。

跌倒了再站起来，失败了重新尝试，直到把某个技能练成「肌肉记忆」。

等进入真实工厂时，它已经不再是一个新手。这是强化学习真正发挥价值的地方。

机器人不再依赖人类示范，而是在仿真环境中自主探索，逐步形成自己的「物理直觉」。

算法、数据有了，还不够。

工业客户更关心多久能上线、多久能创造价值。

Phi-Bot X1目前能够在一周时间部署完毕。

这背后，全仰仗光象打造的全链路开发平台「Phi-Arch」。

它贯通数据生成、模型训练、参数优化和部署上线全过程。

而且，从对象建模、环境建模、任务转化，到网络构建、优化求解、参数调教、代码部署和控制器集成，「Phi-Arch」能形成完整闭环。

有了这个平台，模型开发、部署与迭代效率明显提升。

据说光象计划将部署时间缩短到以天为单位。

一个持续运转的数据飞轮也就此形成：

机器人工作，产生数据；数据训练模型；模型回到机器人，再继续工作和学习。

这是光象定义的「自进化机器人」。

从这个角度看，Phi-Bot X1只是冰山露出水面的部分。

水面之下，这套不断学习、不断成长的物理智能体系，才是大boss。

工业具身智能，正在进入规模化落地前夜

虽然刚成立一年多，光象已与蔚来等头部车企展开合作。

为什么汽车工厂是光象的第一站？

在光象科技创始人兼CEO张涛看来，汽车制造是具身智能最适合成长的训练场。

因为它足够复杂。冲压、焊装、涂装、总装等环节，包含大量不同任务。

同时，它又足够标准。工艺流程明确，质量要求统一，可以形成规模复制。

对于机器人来说，这是一场高难度考试，但通过之后，机器人获得的不只是一个技能，而是一整套工业世界能力。

相比行业之前热衷讨论机器人能不能完成某个动作。

今天，越来越多人开始关注另一个问题：

机器人能不能在100个工位成功100次；能不能从1家工厂复制到10家工厂；能不能从一个任务扩展成一类任务。

汽车产业，恰好提供了这样的验证环境。

接下来，这套能力可以进一步迁移到汽车零部件、工程机械、轨道交通、船舶制造、3C电子等更多制造场景。

这些行业虽然不同，但背后都有大量相似的工业任务。

从这个角度看，光象真正想复制的，不是机器人本身，而是机器人的技能。

就像汽车工厂不是光象的终点，工业场景也不是。

张涛规划了一条更长期发展路径：先工业，再商业服务，最后进入家庭。

只不过，进入家庭场景的产品形态，张涛认为目前还没有标准答案。

最终取决于机器人需要为家庭提供什么样的价值。

清华工业基因+AI基因

前几天，我和光象科技的朋友闲聊，发现这家公司有意思的地方，不只是产品，还有团队。

因为它的「含华量」太高了，是清华大学车辆与运载学院和人工智能学院联合孵化的。

这并非简单的履历加分。

具身智能发展到今天，一个越来越明显的趋势正在出现：行业开始从拼模型，进入拼工程阶段。

而这恰恰是光象团队的优势所在。

创始人张涛，就是一个典型例子。

他是清华大学博士、米兰理工大学博士后，曾担任阿里巴巴高德地图技术总监和空间感知引擎负责人，长期从事空间感知、多传感器融合等领域研究。

其带领团队研发的定位感知技术，连续三年获得国际定位大赛冠军。

相关成果落地长城汽车量产自动驾驶系统，并在十余家头部车企实现规模应用，累计量产终端达到数百万级。

另一位联合创始人李升波，是清华大学人工智能学院教授，长期从事自动驾驶与具身智能研究。

其主导研发的iDrive系统，被认为是国内最早的全神经网络端到端自动驾驶系统之一，已经在广汽、东风、滴滴等企业落地应用。

直观感觉，这家公司自带浓厚的清华自动驾驶基因。

而自动驾驶恰恰是中国最早经历过大模型、强化学习、仿真训练、世界模型等技术验证的行业之一。

今天，当具身智能进入同样的发展阶段时，这些经验开始产生迁移价值。

光象的股东阵容同样颇具产业特色。

埃夫特、L2F、东方富海等产业资本，均参与其中。

某种意义上说，这并不是一家单纯的机器人公司，更像是工业、AI和产业资源共同交汇后的产物。

One more thing

过去两年，具身智能行业最热的关键词是人形机器人。

但未来几年，更重要的关键词或许会变成另一件事：智能生产力。

光象科技正在回答一个「比机器人长什么样」更重要的问题，那就是「机器人如何成为生产工具」。

Phi-Bot X1此时更像一个入口。

一个连接机器人、工业场景和数据闭环的入口。

它让机器人第一次有机会进入真实生产世界，在真实任务中学习，在真实需求中进化。

当然，进入产线之后，挑战才刚刚开始。

毕竟对于工业机器人来说，短暂运行不是难点，长期可靠运行才是。

文章来自于"量子位"，作者 "田晏林"。