过去这一年，要是问具身智能圈最热闹的画面是什么？

恐怕没有人会绕开机器人跑马拉松、跳舞、翻跟头，甚至在春晚节目上整活这么几个名场面。

热闹是真热闹，但如果你去问制造业老板，他们更关心的是一件很实际的事：

这机器人，到底什么时候能正经进工厂干点活？

跑完21公里是一回事，但在汽车产线上连续干一天活，不出错、不掉链子，是另一回事。

就在这片喧嚣中，一家成立才一年多的公司——光象科技，给出了一份有些反常识的答卷。

作为清华大学少数直接持股的具身智能公司，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展会蔚来汽车的焊接上下料场景中，X1完成了连续3天、累计21.5小时的上下料作业，零失误、零中断。

更关键的是，从模型导入到真实部署落地，只用了一周时间。

这种工程落地速度，确实带着点清华系的传统艺能。

更值得注意的是，光象没有跟风押注眼下最火的双足人形路线。

他们是从工厂的真实需求出发，试图打造一种新的智能生产力。

当所有人都在关注机器人能不能更像人的时候，一个更现实的问题已经摆上台面：

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

如果把现在的具身智能行业比作一个考场，很多公司拿到的考题是「动作展示」，而光象科技选择的是「生产力」。

看起来只是方向不同，本质上却差别很大。

前者关心机器人能不能做出酷炫动作，后者关心的是机器人能不能在产线上给企业创造实实在在的价值。

不同于不少企业先造机器人、再找场景，光象科技的起点很直接：

工厂到底需要什么样的机器人？

综合调研后，答案被归结为4点：

• 高精度
• 高节拍
• 高可靠
• 高安全

所以，Phi-Bot X1从设计之初，目标就是真实产线。

移动能力：先解决“能不能到”

在移动能力上，X1采用了四舵轮全向底盘设计，支持横向蟹行、斜向移动和原地回转。

这样设计的原因很简单：汽车工厂里很多工位空间非常狭窄，传统AGV往往需要预留较大的转向空间。

而X1像老司机侧方停车一样，能在有限空间里完成精准位移。

同时，它还配备了一个工业级升降腰结构，工作范围覆盖0～2.5米。

这意味着一台机器人可以同时完成低位抓取和高位操作。

移动解决的是“能不能到”，操作解决的才是“能不能干”。

操作能力：关键在“分寸感”

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，实现了工业级柔顺控制。

说得直白一点，它不仅知道自己在哪，还能感知碰到了什么，以及该用多大力去干活。

拿扳手、插线束、搬零件，需要的力度完全不同。

力控技术本质上是在教机器人学会工业世界里最珍贵的“分寸感”。

感知能力：让手眼配合更稳定

要成为合格的工厂“打工人”，只有好身体还不够。

X1搭载了3D激光雷达、RGBD深度相机、双目相机和超声波雷达，感知配置非常完整。

配合10mm的定位精度和0.05mm的末端重复定位精度，它的手眼协同能力相当稳定。

更重要的是，这些能力都来自机器人本体，不依赖复杂的外部环境改造。

这对制造业非常关键。很多时候，工厂智能化升级的高成本，不是花在买机器人上，而是花在改造工厂上。

光象的思路很明确：让机器人去适应工厂，而不是让工厂去适应机器人。

任务能力：面向真实工业作业

在任务能力上，X1支持更换末端执行器。

它可以完成质检、上料、分拣、拧紧、粘贴、插接等多种任务。

双电池设计，甚至让它能自己给自己换电。

参数再好看，没有实战成绩单也没有意义。

• 在移动质检场景中，X1实现了车身表面100%检测覆盖率，效率比非协同方案提升了51%
• 在焊接上下料场景中，它能完成抓取、翻转、精准对孔等复杂任务，动态位置精度达到毫米级
• 在2026ATC展会上，X1连续3天运行，累计21.5小时作业，零失误、零中断，成功率100%

看起来，实验室已经装不下Phi-Bot X1了。

从测试场走向生产线，X1已经等不及要“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是站在前台的明星，那么强化学习、世界模型、数据飞轮和开发平台，才是光象真正的核心竞争力。

因为在机器人行业里，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，参数也可以刷。

但机器人如何学习，这才是核心。

目前行业的主流路线是VLA（视觉-语言-动作模型）。

这种方法通过视觉语言模型和模仿学习，让机器人快速学会某个动作。

但它的短板也很明显：更像是在“照猫画虎”。

看过的动作可以完成，但遇到没见过的任务，就很容易失灵。

真正的智能，不应该只是记住标准答案，而是要理解背后的运行规律。

这就像一个小孩子第一次拿杯子可能会失败，但经过不断尝试和探索，他会慢慢理解重力、摩擦力和惯性这些物理规律。

下次换一个完全陌生的杯子，他依然知道该怎么拿。

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这件事。

围绕这个目标，他们打造了一个强化学习算法矩阵「Phi-RL Matrix」。

这个矩阵构建了一个覆盖仿真强化学习、真机强化学习和世界模型强化学习的完整技术体系。

不同算法形成互补矩阵，各司其职：

• DSAC（值分布强化学习）负责精度的把控
• DACER（多模态强化学习）负责环境适配和成功率的提升
• MVP（均值速度场）负责保证动作的平顺
• RACS（安全强化学习）负责整个运行过程的安全

控制效果的问题解决了，但强化学习还有一个核心瓶颈：

大规模在真机上进行试错的成本实在太高。

过去几年，大家都在拼命收集数据。

但到今天，越来越多企业开始思考如何高效率地生产数据。

光象基于高保真场景建模和生成式规模化扩增，提出了一个数据方案——「Phi-Space」。

它更像是一座机器人的训练营。

机器人每天都在里面重复动作，跌倒了站起来，失败了重新尝试，直到把某项技能练成“肌肉记忆”。

等真正进入工厂时，它已经不再是个新手。

算法和数据都有了，还不够。

工业客户最关心的问题永远是：多久能上线？多久能创造价值？

Phi-Bot X1目前能做到一周内完成部署。

这背后，靠的是光象搭建的全链路开发平台「Phi-Arch」。

这个平台贯通了数据生成、模型训练、参数优化和部署上线的全过程。

从对象建模到环境建模，从任务转化到网络构建，再到优化求解、参数调教、代码部署和控制器集成，形成了一整套完整闭环。

有了这个平台，模型开发、部署与迭代效率明显提升。

据说光象计划未来将部署时间进一步缩短到以天为单位。

一个持续运转的数据飞轮也因此形成：

• 机器人工作产生数据
• 数据训练出更好的模型
• 模型再回到机器人身上，让它继续工作与学习

这就是光象定义的「自进化机器人」。

从这个角度看，Phi-Bot X1只是冰山露出水面的那个尖角。

在水面之下，这套不断学习、不断成长的物理智能体系，才是真正的大boss。

工业具身智能，正在进入规模化落地前夜

虽然成立才一年多，光象已经与蔚来等头部车企展开了合作。

为什么汽车工厂会成为光象的第一站？

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。

• 足够复杂：冲压、焊装、涂装、总装等环节里，包含大量不同类型的工作任务
• 足够标准：工艺流程明确，质量要求统一，可以形成规模化复制效应

对机器人来说，这像一场高难度考试。

但只要通过，机器人获得的不只是一个技能，而是一整套适应工业世界的能力。

相比过去行业热衷讨论机器人能不能完成某个单独动作，今天越来越多人开始关注另外几个更关键的问题：

• 机器人能不能在100个工位里成功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，这套能力还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，而是机器人掌握的技能。

张涛为团队规划了一条更长期的发展路径：先工业，再商业服务，最后进入家庭。

至于进入家庭场景的机器人应该长什么样，他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

前几天和光象科技的朋友闲聊，发现这家公司有意思的地方，不只在产品本身，也在团队。

因为它的“含华量”确实很高，是清华大学车辆与运载学院和人工智能学院联合孵化的。

这不只是一个简单的履历加分项。

具身智能发展到今天，一个越来越明显的趋势正在出现：

行业正在从“拼模型”阶段，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。

他带领团队研发的定位感知技术，连续三年拿下国际定位大赛冠军，相关成果落地在长城汽车的量产自动驾驶系统上，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。

他主导研发的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。

直观来看，这家公司身上带着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规模大模型、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，这些经验开始产生宝贵的迁移价值。

光象的股东阵容也颇具产业特色，埃夫特、L2F、东方富海等产业资本都参与其中。

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，“人形机器人”一直是具身智能行业最热的关键词。

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——「机器人如何成为生产工具」。

Phi-Bot X1更像是一个入口，是连接机器人、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的生产世界，在真实任务中学习，在真实需求中进化。

当然，进入产线之后，真正的挑战才刚刚开始。

毕竟对工业机器人来说，短暂的惊艳亮相不是难点，长期可靠的稳定运行才是。