具身智能行业的叙事正在从“走进家庭”转向“进厂”。过去一年里，融资路演中的高频词变成工位、节拍与良品率；技术路线上，越来越多团队认为VLA已接近天花板，世界模型成为新的共识方向，产业侧则有多家车企背景机器人公司接连入场。但在刚刚结束的2026世界机器人大会（WRC）上，从业者的共同观察并不乐观：多数展台机器人底层仍是规则算法，一批成立一两年的公司硬件来自供应链、算法来自开源，以演示和概念传播为主。行业寒冬是否会在一两年内到来，已成为从业者之间心照不宣的问题。
注意力随之从“谁的故事讲得好”转向“谁的账算得清”。在此背景下，成立不到一年半的清华系公司光象科技近日走到台前：其联合清华大学李升波教授课题组发布物理原生智能（Phi）第一代世界模型Phi-WM 1.0 ActEffect，首款工业级自进化具身智能机器人Phi-bot X1已在不止一家豪华品牌车厂真实产线完成产品验证，进入真机部署阶段。
光象科技孵化自清华大学三个院系，兼具车辆等工业领域积累与人工智能技术支撑；产业化团队来自阿里、腾讯、华为以及库卡、极智嘉等机器人企业，形成学术加产业的复合配置。创始人兼CEO张涛称，相比传统工业自动化方案，部署效率提升10倍以上；当前技术路线下，模型真机后训练数据只需十几到几十个小时、最多不超过100小时；经验证，Phi-bot X1在移动质检任务中检测速度比现有生产节拍快20%以上，且无需预先铺设物理设施和固定摄像头。Phi-bot X1产线实际作业表现将进一步验证上述数据。
近日，对话光象科技创始人兼CEO张涛与光象实验室首席科学家吕尧，围绕具身智能商业化落地、巨头下场后的生存空间、技术路线之争与行业周期展开交流。以下为对话实录，略有删减。
巨头下场之后
智客ZhiKer：这个时间点很微妙，前几天小鹏机器人业务完成独立融资，昨天蔚来任少卿的机器人公司也浮出水面，两家都从汽车场景生长出来。你们如何看待与他们的区别？一家初创公司凭什么活下来？
张涛：一个很大的区别是，光象仍是初创公司，规模上与他们无法相比，这一点坦率讲是这样。但光象科技有独立存在的价值：坚持自身技术路径和商业路径，做有生产力价值的事情。
此前常有人问：切入汽车场景后，如果场景方自己去做这件事怎么办？这个问题看似现实，深入思考后并不成立。以特斯拉或小鹏为例，他们做机器人并非为了在自家产线替代工人，这一定不是目的，且价值有限。如果一台机器人只能用于自己的三、四条产线，小鹏的机器人不可能用于理想的产线，也不可能用于蔚来的产线，那这件事就没有太大价值。因此其目标一定是面向通用化产品的商业化，打造完全通用的机器人，最终走向家庭服务。只有从这个角度理解才合理。若如此看，光象与他们并不存在直接竞争。
对光象科技而言，从第一天起就强调生产力价值。无论工业还是未来可能拓展的其他行业，看重的是所做的事能否推动生产力发展、提升生产效率或生产质量，这是所有工作的出发点。不同出发点会衍生出不同业务形态和产品形态，这个行业足够大，容得下不同公司。
智客ZhiKer：现在行业里有一种声音：本体不赚钱，以后靠卖模型、卖API，就像现在的编程和智能体那样。您怎么看？
张涛：本体不赚钱、靠卖技能或API，这个方向并非不认可，问题在于阶段。现在这个阶段，这个逻辑还不成立。
因为还没有向客户证明机器人到底能做什么，就说未来可以卖技能，客户很难相信。必须先建立信任，把产品部署出去。类比自动驾驶：客户买车首先是因为车本身好开、经济，而不是因为有自动驾驶；先有车，再叠加自动驾驶价值，客户才可能为升级买单。机器人也一样，第一步是先把机器人卖出去，解决客户的某个具体问题，哪怕是小问题，让客户认可并用起来；之后再叠加能力、升级版本，客户愿意为新增能力付费，商业模式才成立。没有第一步的1，后面再多的0都没有意义。
事实上，光象已经在和客户按这种方式运作：先按约定功能提供机器人，验证能力并真实落地，二期再升级能力，客户继续付费。当前更强调前面的1，先解决核心问题，再谈规模。
智客ZhiKer：光象科技给人的感觉是更偏大脑，本体只做满足落地需求的部分。一家具身智能公司只做大脑或只做本体，能生存下去吗？
吕尧：核心观点是必须软硬结合。只做大脑或只做本体，未来能够走到行业头部的机会非常小。
只做大脑，很难找到真实行业切入口，也难以快速形成商业闭环让公司先活下来；只做本体，在硬件供应体系中很容易被其他供应商冲击。如果没有从大脑到整机运控再到完整服务闭环的能力，任何一个环节都可能被快速替代。因此，光象科技在具身大脑和本体层面均完全自研，打通全栈开发能力。
车厂的账本
智客ZhiKer：您之前并不看好进工厂做简单搬运，后来却选择汽车焊接上下料、移动质检这些场景。为什么用昂贵机器人搬箱子是伪命题？
张涛：并非刻意追求与别人不同，更希望做正确的事，而不是做不一样的事；所做的事情一定是因为认为它对才去做。
以工厂场景为例，过去很多人做机器人搬运箱子，之所以不做，是担心做完之后发现其实没有价值——并非对场景方没有价值，而是行业里已经存在更便宜、更简单、更成熟的方案，没有必要用一台昂贵的机器人去做这件事。因此选择工业场景时，一定要找具身智能能够发挥价值、并且有可能最大化其价值的地方。
第二，一定选择做真实的事情，而不是做演示性的事情。所谓真实的事情，是指场景方认可，并且从经济价值、质量价值或社会价值角度认为对他们有实际增益，才会去做。第三，这件事一定要具备规模化潜力。综合这几点，场景选择上设置了一定门槛，所以目前并没有把场景铺得特别广。
智客ZhiKer：一台机器人怎么在车厂快速上岗？从上下料切换到质检，需要重新训练吗？
张涛：快速上岗是Phi-bot X1的核心卖点之一，这种优势很大程度上体现在集成部署效率上。目前已经实现相比传统方案提升10倍以上的部署效率，未来有望达到百倍以上。
在今年WRC上，光象实际演示了一身多能：通过一套本体和一套模型适配完全不同的异构工位，按场景真实要求完成工作。现场展示的是一个来自新能源汽车主机厂焊接车间的上下料工位，料件、料架和滑台均为工厂产线的真实设备；同一台机器人、同一套模型，还能执行汽车表面的移动质检，现场展示的是两个车门，实际场景中需要对完整整车的所有复杂曲面进行检测，无论车辆停在何处，机器人都要自主识别对象、规划移动轨迹、完成整体检测。
吕尧：光象有一个面向X1构型的通用基座模型，具备X1构型相关的动力学和世界理解能力。迁移到不同任务时，后训练和部署调试时间约几周，包括模型训练和上机适配，主要对策略模块进行微调，核心是在真实环境做真机强化学习。
智客ZhiKer：为什么汽车产线是具身智能的第一个考场？
张涛：场景选择的逻辑可以归纳为几点。第一，所选场景必须具备足够落地价值，使用具身智能机器人必须能够相较于传统工业自动化方案或工业AI方案展现明显优势。如果某个场景要求极致效率，大概率更适合传统自动化；具身智能机器人不是用来替代传统工业机械臂或自动化方案的，而是在传统方案难以胜任的地方体现价值。
选择汽车制造，首先是因为汽车产线长期升级过程中，行业已尝试几乎所有自动化和智能化方案，但仍有部分场景未被有效解决，这些场景正是具身智能天然的验证场和价值发挥地。其次，在汽车制造领域更容易从客户处获得真实需求和价值反馈，客户能够清晰计算投入产出，并深入讨论应用和部署方式。第三，汽车制造经过长期迭代，标准化程度非常高，意味着在某一车厂、某一工位完成的案例，能够较快迁移到其他工厂的类似工位，有利于未来规模化推广。
关于人机配合，目前主要存在两类环境。一类是冲压线、焊接线等环境，现状是人与自动化设备配合，但存在信息孤岛；自动化设备可以无限重复，而人会疲劳，这种人机配合对人天然不友好，部分场景还存在灼伤、安全及有毒有害风险。在这些环境中，部署具身智能机器人的目的就是替代人，实现无人化。另一类是装配、总装等环境，目前仍需要大量人工，很多工作现有技术难以解决。在尚不能完全替代人工的阶段，部分场景确实需要人机协同，前提是保证任务完成的同时不影响其他工位工作，并确保人员和设备安全。为此，Phi-bot X1的设计重点强化了协同安全能力，包括本体多冗余感知、机械臂力反馈等，并与场景方共同增加现场安全措施，通过两到三重安全冗余，确保机器人上产线时真正安全。
智客ZhiKer：别的路线要100万量级的数据，你们只要100小时？
张涛：这取决于所采用的技术路径。如果采用完全由数据驱动、依靠拟合的方案，数据量级确实可能需要达到100万甚至更高。但目前光象并未完全采用这一路径，前期先通过仿真和真机进行预训练，再在真机环境中进行后训练，这样对真机后训练数据量的要求明显降低。目前来看，所需数据规模大约在十几个小时到几十个小时，最多不超过100小时。
以移动质检为例，经验证，机器人不仅能够满足检测条件，检测速度比现有工业生产节拍快20%以上；最大优势在于不需要预先铺设大量物理设施，也无需部署固定摄像头或边缘计算单元，机器人自身即可独立完成所有检测工作。
吕尧：数据成本是可控的。该路线更依赖低成本、快速生成的仿真数据，对真机数据的需求比传统模仿方案少很多，仿真生成可以低成本补足动作对比信号。综合下来，商业上成本可能打平甚至更低。算力方面，根据目前情况不会带来非常大的增量，内部验证显示处于可覆盖状态，成本变化不大，训练结果可能好很多。
路线之争：预测下一帧，还是理解因果
智客ZhiKer：纯视频预测的世界模型路线，最终会卡在哪里？
吕尧：纯视频预测型方案并非无法产生效果，核心优势在于能够较好受益于数据规模法则（scaling law），数据越多，性能通常会越好。但真正要达到最终100%的成功率，将是其最后的瓶颈。如果仅通过纯统计拟合方式学习输入与输出之间的映射关系，中间缺乏物理规律或结构约束，那么性能从99%到100%之间的幻觉率问题将难以解决。
张涛：可以用更直观的方式解释。比如往筐里扔东西，扔一个轻的或重的苹果、一个球，或者其他形状不规则的物体，10个不同的东西，经过10次训练后最终都能扔进去；但如果出现第11个、第50个、第100个、第101个没见过的东西，可能就需要再试几次。
传统方法需要大量数据，不断学习、拟合、调整姿态和动作，最终能达到较好效果，这当然能做到，但问题在于路径有多长、效率有多低。底层物理规律的意义在于：如果告诉存在牛顿定律、万有引力，结合不同形状和重量，可能就不需要反复尝试那么多次，换一个新物体后可以很快适应并达到预期效果。这是做物理原生模型的核心目标：真正在底层理解世界规律，而不是依靠不断的数据输入和尝试来拟合结果。
智客ZhiKer：如果OpenAI这样的通用大模型厂商在下一轮迭代时采用类似方法，覆盖你们的性能怎么办？世界模型能当护城河吗？会不会被蒸馏学走？
吕尧：首先需要明确通用大模型的定义。现有通用大模型是一个模型覆盖不同领域和行业，学到的是通用知识，但不一定面向具身领域的核心需求，也没有按照具身模型所需的模型结构、训练方式和数据职能进行学习。通用大模型可以提供一个很好的具身模型底座，但如果认为一个通用大模型通过某种训练方式就能直接替代光象在具身领域的训练方法和优势，这中间仍有很大壁垒。
护城河尤其在于数据，仿真数据的职能存在很深的know-how。如何使用高保真仿真资产大规模生成训练所需的反事实与动作干预信号，如何通过强化学习算法利用这些信号完成对世界转移规律的学习，是重要护城河之一。
蒸馏可以把模型能力带走，但训练算法通过蒸馏和反向蒸馏难以复现。因为强化学习过程与监督学习有本质区别，尤其是如何调度不同并行仿真环境、如何调度不同质量探索信号，是无法通过模型蒸馏实现的。
智客ZhiKer：目前具身模型的参数规模大多小于5B，光象的模型是4.6B，有些小模型效果反而优于更大的模型。为什么当前具身模型做不大？未来通用泛化需要千亿甚至万亿参数吗？
吕尧：当前模型规模已经能够覆盖目前重点关注的工业相关能力，例如刚体对象及相关操作，这一任务范围内模型规模足够。当前具身模型普遍做不大，数据是限制因素之一。Scaling law不仅体现在数据层面，也体现在模型层面：模型能力要充分发挥，需要匹配相应量级的数据。此前有研究显示，数据与参数的匹配比例约为2.7，如果没有足够数据将模型喂饱，就没有必要将模型做得过大。
从长远看，基础模型规模一定会持续增大。物理世界需要处理的信号比语言世界更复杂，理解难度更高，要实现真正通用泛在的具身智能基础模型，模型参数量有可能需要超越当前语言模型的量级。不过，现有大语言模型虽然整体规模很大，主要依靠MoE架构实现，单个专家模型的规模仍有上限，大约在百亿到千亿级别。
智客ZhiKer：最后一个问题，今年年底，光象科技有哪些具体目标？
张涛：多项工作都在稳步推进。模型层面，迭代速度较快，大家可能会看到下一个版本。商业化方面，暂时不便透露详细数据，但可以说明的是Phi-bot X1机器人目前已在多家汽车制造工厂的真实产线上进行最后的应用部署。到今年年底，会看到这些机器人正式上岗，并展现出良好效果。
