创业一年，这对清华师兄弟，把机器人送进蔚来工厂

时间拨回到2024年中，一场关于未来十年技术趋势的深度讨论，让一对清华师兄弟再次站在了同一个起点上。

一位是

，清华大学车辆工程博士，创业后加入高德，在自动驾驶感知定位领域深耕了近十年；另一位是清华大学车辆与运载学院教授，长期从事自动驾驶与智能系统研究，也是国内最早推动端到端自动驾驶研究的学者之一。

两人师出同门，但后来各自选择了不同的路。

一个长期扎根

，在互联网和智能汽车行业完整经历了产品、工程和商业化的周期；另一个则坚守，持续探索下一代智能技术的方向。

当

掀起大模型浪潮、展现出端到端智能的巨大潜力后，两人都敏锐地意识到：一个新的技术周期，已经来了。

经过长时间的技术路线和商业场景讨论，他们最终将目光锁定在具身智能，并围绕同一个核心问题展开：

2025年4月，由清华大学车辆与运载学院和人工智能学院联合孵化的

正式成立。

2026年6月10日，这个问题迎来了一个阶段性的答案——

。与此同时，这家成立刚满一年的公司，已经将机器人带入了等头部车企的真实制造场景。

在与等媒体的交流中，

首次系统分享了创业思考、技术路线选择，以及对具身智能产业落地的判断。

清华师兄弟的十年之约：瞄准具身智能的下一个十年

在决定创业之前，张涛和李升波其实讨论了很长时间，必须先回答“为什么做”这个问题。

张涛提到，2024年中，行业发生的两件事对他们触动很大。一件是大模型的迅猛发展。另一件则是特斯拉FSD所展现出的端到端能力。

在他们看来，这背后反映的是一种新的技术范式：

，并将这种能力扩展到物理世界。而具身智能，正是AI能力进入物理世界的重要载体。

创业筹备阶段，摆在张涛和李升波面前的问题并不少：做自动驾驶还是机器人？做大脑还是本体？To B还是To C？工业还是家庭？

最终，团队决定进入具身智能赛道。

张涛的判断是：如果希望机器人真正形成数据闭环，

。机器人只有进入，才能持续产生数据；只有形成数据回流，模型能力才有机会不断提升。

因此，光象科技选择了

路线，希望通过机器人部署、数据积累和模型迭代，构建一个持续循环的成长飞轮。

为什么是工业场景？又为什么是汽车制造？

对于很多具身智能公司来说，家庭场景往往是终极目标。但光象科技没有从那里出发，而是选择了一条看似“吃力”，实则“更接近落地”的路。

张涛将具身智能场景拆解为两个维度：

。环境分为标准环境和非标环境；任务则分为移动类和操作类。在这一框架下，自动驾驶、扫地机器人更多属于标准环境下的移动任务；而家庭机器人，则需要同时面对复杂环境理解和复杂操作能力的双重挑战。

团队认为，以当前技术发展阶段来看，同时解决两类问题，难度实在太高。相比之下，工业场景拥有更成熟的标准化基础，可以让团队把更多研发资源集中在操作能力的突破上。

。

原因之一在于

。

汽车是目前全球规模最大的工业产品之一，同时也是复杂度最高、标准化程度最高的制造场景之一。经过长期的生产优化，汽车工厂已经形成了相当成熟的工艺流程和工位体系，这为机器人部署创造了条件。

。

无论是生产节拍、作业精度还是稳定性，都远远高于许多普通工业场景。张涛将之形容为具身智能的“

”，也是验证和打磨通用能力的重要起点。

目前，除了汽车制造，光象科技也已经与其他

展开了合作探索。

首款产品亮相：工业级自进化具身智能机器人Phi-Bot X1

围绕真实工业场景的需求，光象科技交出了首款产品的答卷——

。

从硬件配置来看，Phi-Bot X1搭载了由3D激光雷达、RGBD深度相机、双目相机和超声波雷达组成的感知系统，定位精度达到10毫米，末端重复定位精度达到0.05毫米。

移动部分采用四舵轮全向底盘，可以实现横移、斜向移动和原地转向等动作。为了覆盖更多工位，其升降腰结构将作业范围扩展到了0至2.5米。机器人拥有27个自由度和全关节力控双臂，并支持1分钟快速换电。

在任务层面，依托可更换的末端执行器、泛化技能库和高效的真机后训练能力，Phi-Bot X1能够完成质检、上料、分拣、拧紧、粘贴、插接等多种工业任务。

相比传统工业自动化方案动辄数月的集成周期，

。

目前，团队已经在多个

场景进行了验证。

，机器人能够完成覆盖式的车身表面检测，实现100%的检测覆盖率。相比非协同检测方式，整体效率提升51%；相较人工工位，节拍缩短了25%至45%。

，机器人能够完成抓取、移动、翻转、精准对孔和放置等工序。在双孔同时对准任务中，其动态位置精度达到毫米级，角度控制精度在0.3°以内。

今年4月完成整机集成后，Phi-Bot X1很快就进入了真实产线的工位场景进行验证。在2026 ATC展会现场，机器人连续完成了

的上下料作业，期间没有出现任何中断，。

目前，光象科技已与蔚来等多家头部车企开展了合作探索，并持续推进机器人进入真实汽车工位。与那些展示型机器人不同，Phi-Bot X1从设计之初就围绕着真实工业任务展开，目标就是直接进入产线，创造价值。

强化学习、自进化与产业共建：一家工业具身创企的长期布局

除了机器人本体，光象科技对技术路线的选择也很明确：机器人进入工厂只是第一步，真正重要的，是它如何持续成长。

当前具身智能行业的主流方案大多基于模仿学习，通过大量示范数据来训练模型。而光象科技则将

视为未来的核心方向。

张涛的判断是：如果具身智能最终需要覆盖数百甚至上千种任务，只靠人工采集示范数据，很难支撑模型的持续扩展。相比之下，强化学习能够通过试错和反馈不断优化策略，更有机会提升泛化能力。

围绕这个思路，光象科技在仿真强化学习、真机强化学习和世界模型强化学习三个方向持续布局。

• Phi-RL Matrix
  ：覆盖DSAC、DACER等自研强化学习算法矩阵。

• Phi-Space
  ：基于3D空间物理资产建模和高保真仿真的高效数据体系。

• Phi-Arch
  ：覆盖从数据生成到模型部署全流程的物理智能开发平台。

在团队看来，机器人进入工厂并不是终点。更关键的是让它持续工作，并从真实任务中不断积累数据。这些数据会被用于模型训练，再反过来提升机器人能力，并扩展到更多场景和任务。

与此同时，

。张涛介绍，合作通常分为几个阶段：首先，共同筛选高价值、容易规模化的工位需求；其次，在实验室和真实产线进行迭代验证；最后，在正式产线上协同作业，评估效果。

对于未来的工业现场，张涛的判断是：

，三者的比例可能是60%-70%的自动化设备，30%的具身智能机器人，再加10%的人。机器人的核心价值，在于其在复杂操作、柔性生产和泛化能力上的独特优势。

结语：当机器人真正走进产线之后

过去两年，具身智能行业展示了越来越多令人印象深刻的能力。本体越来越灵活，运动能力持续提升，模型能力也在快速进步。

与此同时，行业也在寻找另一个问题的答案：机器人什么时候才能真正成为生产力。

对于这个问题，不同企业给出了不同的选择。有人从家庭切入，有人从服务场景切入，也有人选择直接进入工业现场。

光象科技选择了后者。从汽车制造出发，让机器人先在真实的工位上完成真实的任务，再通过持续的数据积累和模型迭代，不断提升能力。

这条路并不轻松，却能够让技术、场景与商业价值形成更紧密的连接。而这，或许正是具身智能迈向规模化落地的一个重要方向。