清华系具身智能进厂造车：部署效率提升10倍

过去一年，具身智能行业的叙事重心发生显著位移：创业团队从畅想「人形机器人走进家庭」，全面转向「进厂打工」。工位、节拍与良品率等工业指标，取代了单纯的通用概念展示。

技术路径同样在经历换挡。曾被寄予厚望的 VLA 方案被普遍认为触碰到了天花板，世界模型正成为新共识。与此同时，车企背景的研发团队接连入局，但行业基本面依然严峻——多数展台上的机器人仍依赖底层规则算法，由供应链硬件拼凑开源代码支撑，声量虽大却缺乏落地账本。

行业的注意力正在转向真实的生产力价值。清华系具身智能公司光象科技联合清华大学李升波教授课题组，发布了物理原生智能第一代世界模型 Phi-WM 1.0 ActEffect，其工业级自进化机器人 Phi-bot X1 已在多家豪华汽车品牌的真实产线完成验证并进入真机部署阶段。

巨头下场后的生存逻辑

面对主机厂自研机器人的竞争疑虑，光象科技创始人兼 CEO 张涛指出，车企打造通用机器人的终局多面向家庭消费级市场，并非仅服务于自有几条单一产线，初创企业与车企并不存在直接冲突。在商业模式上，脱离硬件单卖算法或 API 在现阶段难以立足：必须先交付可靠的本体软硬一体方案帮客户解决实际痛点，后续的功能订阅与升级才能成立。

首席科学家吕尧认为，只做大脑难以找到行业切口并形成闭环，只做本体则极易被成熟供应链替代，打通大脑、整机运控到服务链路的全栈能力是核心壁垒。

车厂产线的价值账本

具身智能切入制造业，关键在于算清经济账。光象科技避开了已有成熟低成本方案的简单搬运工序，选择切入汽车焊接上下料与移动质检等传统自动化难以高效解决的高痛点环节。

• 一身多能与快速部署：基于统一通用基座模型，机器人能够通过动力学理解适配不同异构工位。在焊接上下料与全车复杂曲面移动质检之间切换，仅需针对策略模块进行数周真机微调，整体产线部署效率相较传统自动化提升 10 倍以上。
• 摆脱预设基础设施：在移动质检任务中，Phi-bot X1 能够自主识别目标并规划轨迹，检测速度较既有节拍提速 20% 以上，且完全无需提前铺设滑轨、固定摄像头或边缘计算单元。

理解物理因果，走出纯拟合死胡同

针对行业内纯视频预测的世界模型方案，吕尧指出，统计拟合虽能利用 Scaling law 快速提效，但缺乏物理规律与结构约束，在工业场景无法克服 99% 到 100% 之间的长尾幻觉问题。

光象科技采用物理原生模型：前期依托高保真仿真环境低成本生成大规模反事实与动作干预信号，后期在真实环境中进行强化学习后训练。这种方案摆脱了百万级真实数据的强依赖，仅需十几个到几十个小时的真机数据即可完成策略收敛，同时保持了算力与商业成本的可控。

目前，具身智能模型参数规模多在 5B 左右。吕尧表示，受制于真实世界高质量数据的匹配门槛，盲目推高参数并不经济。随着物理交互信号复杂度的提升，长期来看具身基础模型有望超越语言模型的容量极限，但在当下工业制造场景，精准掌握物理定律与因果推断才是落地的核心护城河。