光象科技不追仿生不炫技，先把机器人送进汽车产线｜松禾Portfolio
发表于：2026-07-06
来源：
具身智能赛道火了两年，融资额屡创新高，机器人翻跟头、跑马拉松的视频刷遍朋友圈。但一个尖锐的问题始终悬而未决：这些机器人，什么时候能真正进厂干活？光象科技给出了一个不一样的答案。这家成立仅一年的清华系公司，没有选择行业最热的双足人形路线，而是直接把轮式双臂机器人送进了蔚来等头部车企的真实产线。2026年6月，光象科技正式发布工业级自进化具身智能机器人Phi-Bot X1——在ATC展会蔚来汽车焊接上下料场景中，它连续3天、累计21.5小时作业，零失误、零中断，成功率100%。围绕真实工业场景需求，光象科技交出了首款产品答卷——工业级自进化具身智能机器人Phi-Bot X1。与展示型机器人不同，Phi-Bot X1从设计之初便围绕真实工业任务展开，目标是直接进入产线创造价值。从硬件配置来看，Phi-Bot X1搭载由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10mm，末端重复定位精度达到0.05mm。移动部分采用四舵轮全向底盘，可实现横移、斜向移动和原地转向等动作，适应汽车工厂中大量狭窄工位的作业需求。为了覆盖更多工位，其升降腰结构可将作业范围扩展至0至2.5米，同一台机器人即可兼顾低位抓取与高位操作。机器人拥有27个自由度和全关节力控双臂，基于1kHz协同控制和实时力反馈实现工业级柔顺控制，并支持1分钟快速换电。在任务层面，依托可更换末端执行器、泛化技能库和高效真机后训练能力，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，该机器人部署周期可缩短至周级甚至天级。团队已经在多个汽车制造场景进行验证。在移动质检场景中，机器人能够完成覆盖式车身表面检测，实现100%检测覆盖率，相比非协同检测方式整体效率提升51%，相较人工工位节拍可缩短25%至45%。在焊接上料场景中，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，动态位置精度达到毫米级，角度控制精度达到0.3°以内。今年4月完成整机集成后，Phi-Bot X1很快进入真实产线工位场景验证。在2026 ATC展会现场，机器人连续完成21.5小时上下料作业，期间未出现中断，成功率100%。目前，光象科技已与蔚来等多家头部车企开展合作探索，并持续推进机器人进入真实汽车工位。为什么选择汽车制造作为第一站？张涛将具身智能场景拆解为两个维度：环境和任务。环境可以分为标准环境和非标环境，任务则可以分为移动类任务和操作类任务。在这一框架下，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突破上。汽车制造又是其中规模最大、复杂度最高、标准化程度最高的场景，仅总装环节的智能化就存在千亿级市场。经过长期生产优化，汽车工厂已形成较成熟的工艺流程和工位体系，为机器人部署创造了条件。同时，汽车制造对生产节拍、作业精度和稳定性的要求远高于许多普通工业场景——张涛将其形容为具身智能的“练兵场”，也是验证和打磨通用能力的重要起点。目前，除了汽车制造之外，光象科技也已与其他工业企业开展合作探索。对于未来的工业现场，张涛的判断是：自动化设备、具身智能机器人和人工将协同工作，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。光象科技的“含华量”在具身智能行业里堪称独一档——清华大学车辆与运载学院和人工智能学院联合孵化，并获清华大学官方正式占股。两位创始人师出同门，却走上了不同的道路，最终在具身智能的命题下重新会师。创始人张涛，清华大学车辆工程博士、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。他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，成果落地长城汽车量产自动驾驶系统，在十余家头部车企实现规模应用，累计量产终端数百万级。一个从产品、工程到商业化完整周期都趟过的产业老兵。联合创始人李升波，清华大学人工智能学院教授、博导，自动驾驶与具身智能机器人领域顶尖专家。发表论文250余篇，引用超30000次，斩获国内外学术最佳论文奖12次，连续5年入选爱思唯尔中国高被引学者。他主导研发的iDrive系统，是国内最早的全神经网络端到端自动驾驶系统之一，已在广汽、东风、滴滴等企业部署应用。一位持续探索下一代智能技术方向的学术引擎。2024年中，大模型浪潮与端到端自动驾驶展现出的潜力，让这对清华师兄弟共同意识到：AI能力进入物理世界的技术窗口已经打开。在经历了关于技术路线、商业场景等问题的长时间讨论后，他们选择了软硬一体化路线——机器人只有进入真实场景工作，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。核心技术团队100%拥有清华、浙大等顶尖高校博士学历，覆盖强化学习、视觉感知、最优控制等具身智能全栈技术领域，斩获CVPR IMC挑战赛金牌、自动驾驶Argoverse双数据集榜单冠军等顶级荣誉。一个值得注意的细节：这家公司自带浓厚的清华自动驾驶基因。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。当具身智能进入同样的发展阶段时，这些经验正在产生迁移价值。正是这支兼具自动驾驶工程落地与强化学习前沿研究的团队，构建了光象科技真正的技术护城河——一套让机器人持续进化的物理智能体系。当前行业主流方案基于模仿学习，通过大量示范数据训练模型，让机器人“照猫画虎”——看过的动作能完成，没见过的任务容易失效。光象科技选择强化学习路线，原因很直接：如果具身智能最终需要覆盖数百甚至上千种任务，仅靠人工采集示范数据，很难支撑模型持续扩展。强化学习让机器人通过试错和反馈不断优化策略，更有机会实现举一反三的泛化能力。- Phi-RL Matrix——自研强化学习算法矩阵，覆盖仿真强化学习、真机强化学习和世界模型强化学习。DSAC负责精度，DACER负责环境适配与成功率，MVP负责动作平顺，RACS负责运行安全，各算法形成互补矩阵。其中DSAC-T算法达到行业SOTA水平，无需手动调参即可适配不同工业任务；SMONET是业内首个面向工业平滑控制的通用神经网络结构，保障高精度与高平顺性。
- Phi-Space——高效数据体系。强化学习的核心瓶颈是真机试错成本太高，光象通过3D空间物理资产高精度建模、高保真仿真场景生成和生成式规模化扩增，让机器人在仿真环境中自主探索、形成“物理直觉”，等进入真实工厂时已不再是新手。仿真数据的量级可以实现指数级扩增，这是真机数据采集无法企及的。
- Phi-Arch——物理智能开发平台，贯通数据生成、模型训练、参数优化和部署上线全过程，从对象建模到控制器集成形成完整闭环。有了这个平台，模型开发、部署与迭代效率明显提升，部署时间有望进一步缩短到以天为单位。
一个持续运转的数据飞轮就此形成：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”。也正因为如此，光象真正想复制的不是机器人本身，而是机器人的技能——从汽车制造验证的能力，可以迁移到汽车零部件、工程机械、轨道交通、3C电子等更多场景。张涛规划的长期路径清晰而务实：先工业，再商业服务，最后进入家庭。垂类深耕、工业全覆盖、通用具身，渐进式逼近真正意义上的通用具身智能。光象计划未来3年内进入至少10家汽车制造厂商，部署逾千台智能机器人。股东阵容同样体现产业纵深——IDG资本、东方富海联合领投，埃夫特、零一创投、达泰资本、光源L2F创业者基金跟投，产业资本与财务资本的组合，为技术落地提供了场景与资源支撑。具身智能的下半场，拼的不是“像不像人”，而是“能不能替人干活”。松禾资本长风团队看重这一波真正从实验室走向工业现场的落地浪潮。光象科技是这个方向上最务实的团队之一：不追仿生不炫技，直接锚定汽车产线的“硬骨头”，用强化学习让机器人在真实工位上自主进化。成立一年即通过头部车企POC验证、发布工业级自进化机器人Phi-Bot X1，证明了他们不是在做“展示品”，而是在打磨“生产力工具”。松禾资本长风基金坚定看好光象这种从工业真实场景切入、渐进式迈向通用具身智能的扎实路径。
