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，可如果你真跑去问那些制造业的老板们，他们关心的事情其实特别实：

跑完21公里是一回事，但在汽车产线上连续干一天的活儿，不出错、不掉链子，那完全是另一码事。

有意思的是，就在这片喧嚣中，一家成立才一年多的公司——

，给出了一份颇有些反常识的答卷。作为清华大学的具身智能公司，前几天，他们正式发布了。

在2026 ATC展会蔚来汽车的焊接上下料场景中，X1完成了

的上下料作业，零失误、零中断。关键是，从模型导入到真实部署落地，只用了时间。这种工程落地的速度，确实带着点清华系的传统艺能。

更关键的是，光象没有跟风押注眼下最火的双足人形路线，而是从工厂的

，试图打造一种。就在所有人都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了台面：

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

如果要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」。而光象科技选择的考题，是「生产力」。

这两者的区别看起来不大，本质上却天差地别。前者关心的是机器人能不能把某个酷炫的动作做出来，后者关心的是

。

不同于不少企业先造个机器人再去找场景的做法，光象科技思考的起点非常朴素——「工厂到底需要什么样的机器人？」

综合一番调研下来，答案被归结为4点：

。

所以，他们设计的Phi-Bot X1，从出生那一刻起，目标就是真实产线。

在移动能力上，X1采用了

设计，支持横向蟹行、斜向移动和原地回转。之所以这么设计，原因很简单——汽车工厂里大量工位空间极其狭窄，传统AGV需要预留很大一块转向空间。而X1就像个老司机侧方停车一样，能在极其有限的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，

。这意味着一台机器人可以同时干低位抓取和高位操作两种活儿。

移动解决的问题是「能不能到」，操作解决的问题才是「能不能干」。

X1拥有

，全关节双臂，并基于1kHz协同控制和实时力反馈，实现了工业级的柔顺控制。说人话就是，它不光知道自己身在何处，还能感知到自己碰到了什么，以及该用多大的劲儿去干活。

拿扳手、插线束、搬零件，需要的是完全不同的力度。力控技术本质上是在教机器人学会工业世界里最珍贵的「

」。

但要成为一名合格的工厂“打工人”，光有好身体还不够。X1身上搭载了3D激光雷达、RGBD深度相机、双目相机和超声波雷达，这一套感知配置，几乎是能装的“眼睛”都给它装上了。配合上10mm的定位精度和0.05mm的末端重复定位精度，手眼配合相当稳当。

更重要的一点是，这些能力都来自机器人本体，不依赖复杂的外部环境改造。对于制造业来说这很关键——很多时候工厂智能化升级的昂贵成本不是花在卖机器人上，而是花在改造工厂上了。光象的思路很清楚，

，而不是反过来让工厂去适应机器人。

在任务能力上，X1

，可以完成质检、上料、分拣、拧紧、粘贴、插接等多种任务。双电池的设计，甚至让它能自己给自己换电。

参数再好看，没有实战成绩单也是白搭。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

。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，。真正让人印象深刻的是2026ATC展会上的那场实战——运行，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，才是光象真正的压箱底竞争力。因为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），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。但这个方案的短板也很明显——它更像是在“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，而是要理解背后运行的规律。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

。

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

。

这个矩阵构建了一个覆盖

强化学习、强化学习和强化学习的完整技术体系。各种算法形成了互补矩阵，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了。

过去几年，大家都在拼命收集数据。但到今天，越来越多的企业开始思考如何

。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——。它更像是一座机器人的训练营，机器人每天都在里面重复同样的动作，跌倒了站起来，失败了重新尝试，直到把某个技能练成“肌肉记忆”。等真正进入工厂时，它已经不再是个新手了。

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

。

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、部署与迭代的效率明显上了一个台阶。据说光象计划在未来将部署时间进一步缩短到

。

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

，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，

。因为它，冲压、焊装、涂装、总装等各个环节里，包含了大量不同类型的工作任务。同时，它又，工艺流程明确，质量要求统一，可以形成规模化的复制效应。

对机器人来说，这就像一场高难度考试。但只要通过了，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。

相比行业之前热衷讨论机器人能不能完成某个单独的动作，今天越来越多人开始关注另一个问题：机器人能不能

？能不能从？能不能从？

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

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，而是机器人所掌握的技能。

张涛为团队规划了一条更长期的发展路径：

。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，不光在于产品本身，还有它的团队。

因为它的“含华量”确实太高了，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

阶段。而这恰恰是光象团队的优势所在。

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

，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，已经在广汽、东风、滴滴等企业落地应用。

直观感觉，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

。

光象的

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产生的产物。

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：

。

光象科技正在回答一个比“机器人长什么样”更重要的问题——

。Phi-Bot X1更像是一个入口，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的生产世界，在真实的任务中去学习，在真实的需求中去进化。

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。