2024年初，光象科技团队启动技术预研，聚焦工业场景的具身智能落地，方向明确：让机器人首先在汽车产线上“干活”。2025年4月，光象科技有限公司在北京正式成立。

这个选择在当时并非主流。当时具身智能赛道初热，多数团队涌向家庭服务、餐厅送餐等C端场景，描绘“机器人进千家万户”的图景；光象却逆向而行，扎进工业腹地。

“工业场景看起来结构化程度高、环境可控，但实际上对精度、可靠性、效率的要求远超演示环境。”创始人张涛说，“质检、搬运、拧紧、涂胶、插接、打结、上料，每一项都有明确且细致的技术标准，并不存在所谓的简单普工岗位。”

PART 01

看似简单的汽车上料，为何难倒传统工业机器人？

在张涛看来，具身智能进工厂，首先要过的是“认知关”。很多人以为汽车工厂的操作是重复性的、标准化的，机器人只需要学会一个动作、反复执行就够了。但真实情况远比这复杂。

以汽车制造产线的上料工序为例，料筐里的零件呈随机堆叠，没有固定朝向；放置时要保证零件精准对准口位，定位销钉需要毫米级配合，还有旋转精度要求；整个节拍要求在几十秒内完成。任何一个环节出现偏差，就意味着产线停机。

这些工序过去很难自动化，不是因为技术含量低，而是因为对工人来说“非常不友好”，劳累、有毒有害、高度重复。传统工业AI时代，每个改造方案都是零碎的点，面对新场景需要全新方案，硬件定制、软件集成、现场调试，整套流程走下来半年过去了。

具身智能的价值正在于此：一套泛化能力足够强的系统，可以在不同工位、不同工件形态下灵活执行任务，而不是每换一个场景就推倒重来。

“工业客户关心的就是成本、效率、质量。具身机器人可不可以在这三个核心维度上至少解决其中一个维度的问题，只要这件事情说得通，客户就愿意使用。”张涛说。

PART 02

连续作业21.5小时零故障！Phi-Bot X1攻克产线难题

2026年，光象科技在ATC展会上完成了一次关键验证。在展会现场，光象科技与某车企联合展示了焊接上料工位。旗下机器人产品Phi-Bot X1进行真机演示，连续3天、持续21.5小时执行上下料全流程作业，零失误、零中断。现场使用的是客户真实料筐、料架与工装，并非专门为演示搭建的受控环境。

这次演示验证了Phi-Bot X1的几项核心能力：在动态环境下的连续工作100%成功率；与产线节拍的实时协同；以及在真实工业场景中维持操作一致性的能力。

张涛事后解释这个工位的难度：“首先是识别，料筐里的零件呈随机堆叠；第二是放置，要保证零件对准口位与定位销钉做到毫米级配合，还需要有旋转精度要求；第三是速度，整个节拍要求在几十秒内完成。”

这三点，识别、放置、速度，恰好对应了具身智能在工业场景落地的三个核心卡点。现有方案能否稳定地处理零件随机摆放带来的感知不确定性？能否在毫米级精度要求下保持一致性？能否把单次操作时间压缩到符合产线节拍的范围内？

ATC展会之后，这次21.5小时的连续演示成为光象科技机器人工业场景落地能力的重要依据。张涛也坦率地说，下一步目标是把连续工作时间延伸到一个月、两个月，甚至半年，而这些才是真正进入产线量产阶段需要达到的可靠性标准。

“可靠性确实非常重要，今天绝大部分机器人的可靠性都还没有达到工业级标准，这也是我们接下来真正进入产线之后需要面对的比较重要的挑战。”张涛说。

PART 03

光象科技的技术体系：让机器人自我进化

Phi-Bot X1能在展会上交出这份答卷，背后是光象科技在技术体系上的系统性投入。光象科技构建了算法、数据、平台三位一体的技术架构，核心逻辑是让机器人具备持续自我进化的能力，而不是针对每个工位单独调优。

算法层面光象科技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。依托自研的值分布强化学习算法DSAC、多模态强化学习算法DACER等算法矩阵，Phi-Bot X1能够在复杂工业任务中实现更高精度、更高成功率和更平滑的动作控制。

数据层面光象科技构建了高效率、低成本的数据飞轮。通过3D空间物理资产高精度建模、高保真仿真场景生成和大模型生成式扩展，持续积累工业场景中的高价值数据资产。张涛透露，目前仿真数据用得比真实数据多，而且多很多，这是在真实工业数据获取成本高、周期长背景下的现实选择，也是当前阶段能快速扩充数据规模的路径。

平台层面光象科技自研了物理智能开发平台Phi-Arch，覆盖训练数据生成、具身智能模型构建、训练调优以及集成部署全流程。依托Phi-Arch平台，机器人能够实现从对象建模、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的完整闭环，显著提升具身智能模型的开发、部署与迭代效率。

这套体系带来的直接结果，是部署周期的压缩。从签约到产线跑通，光象科技目前从预训练模型到真实上产线的部署过程大约一周。张涛表示，通过持续的平台能力升级，预期未来能把这个周期进一步缩短到以天为量级。

PART 04

从测试到上岗：车企产线接纳机器人的流程

从展会演示到真正的产线部署，中间还有相当长的路要走。张涛把这个过程拆解成几个阶段。

第一阶段是场景筛选。不是所有工位都适合现阶段的具身机器人，选择的核心标准是：这个工位的价值足够大，对机器人的要求在当前技术能力范围之内，同时客户有合作意愿。

第二阶段是迭代开发。先在实验室模拟核心工作，做充分验证，再与客户合作进行真实测试产线的验证。

第三阶段才是正式进入产线。这个阶段涉及车厂的深度配合，与现有生产节奏协调，在不打扰现有生产环境的前提下，与其他产线工人和设备做好协同。

张涛说，合作的车厂目前都有明确的商业化合同和订单在推进，光象科技正在与多家车企推进商业化合同，部分机器人已进入产线验证阶段。在合作模式上，不同客户选择的路径不同：有的是提供场景测试验证后再做大规模应用；有的通过技术合作方式推进落地；还有的把自己的研发团队也投入进来，共同探索新方案。

在商业模式上，光象科技目前处于开放探索状态，整机销售、机器人租赁、工具平台服务都在尝试。张涛说：“我们更关注机器人到底产生了什么价值，是不是真的被用起来，而不仅仅是卖出去多少台。”

PART 05

成本与可靠性，决定具身智能落地上限

任何新技术进工厂，都绕不开成本问题。张涛对此给出了一个务实的回答：“今天与客户讨论的方式是具身机器人上产线时可以接近人工的水平，包括工作性能和成本。更优的水平一定会出现，但更重要的是机器人能不能真的解决问题，如果达不到要求的性能指标，再便宜也没有用。”

这个表述背后有一个清醒的判断：在当前阶段，证明“能干活”比证明“便宜”更重要。只有真正规模化部署，产生实际价值，才能回收数据，形成数据闭环，进一步提升模型能力，降低成本，扩大应用范围。

可靠性则是另一个必须直面的挑战。张涛坦承，今天绝大部分具身机器人的可靠性还没有达到工业级标准。光象科技正在建立从零部件选型测试、整机测试方案，到面向客户交付的全流程质量体系，但“产业链的成熟需要时间和周期”。

从产业节奏来看，张涛认为，具身智能在硬件层面面临的约束正在快速改善，中国工业基础和供应链成熟度为这个方向提供了充分的底层支撑。真正的挑战不在于硬件能不能做出来，而在于如何在真实产线环境中实现长期可靠性、长期成本优化和长期可维护性。

对于行业热度和融资环境，张涛保持清醒认知。他承认资本正在向头部聚集，投资人越来越挑剔，但光象科技坚持自身节奏，“不因行业热度而盲目跟风或改变计划”。

张涛判断，具身智能是长期赛道，虽然现在看起来很热，但相对于未来可能产生的价值，当前的投入并不算高“所以不认为存在严重泡沫”。他认为行业未来会经历波峰波谷，这是必然的，“市场前景虽大，但路要一步步走。对光象科技而言，重要的是把技术和产品做扎实，与客户在真实场景中验证价值”。

PART 06

结语与未来

在具身智能从概念验证迈向规模部署的窗口期，那些在真实产线环境中经受住考验的机器人，或许比展示厅里“跑得快”“跳得高”的机器人，更接近这个行业的终局。

光象科技选择的路径可能不是最快的，但正在用工业场景的严苛标准，验证具身智能落地的可行性。

张涛说：“只有真正规模化的部署，产生实际价值，才有可能回收数据，实现数据闭环。把能够解决真实问题的机器人造出来、规模部署，在真实场景中干活，再回收数据，沉淀更多数据，训练更强大的模型，扩展应用范围，这可能是唯一的路径。”