褪去家用幻想，具身智能的主战场是工厂

这两天，美国具身智能公司Skild AI对外发布了一个模型S1，引发关注。

它最大的变化是，教机器人干新活不用重新微调模型，只要给它看一段人类示范视频，就能直接照着学，官方展示的任务最长超过10分钟，包括煎饼翻面、手冲咖啡、给植物换盆等此前没训练过的任务。

Skild公布的数据显示，在训练里从没出现过的任务上，上下文演示提示拿到66%的单步成功率，同样数据同样架构的语言指令提示只有9%。据悉，Skild已经获得英伟达、三星、软银、富士康等机构投资，估值已超过940亿元人民币。

在此之前，具身智能龙头Generalist发布GEN-1.5模型，其“物理提示”可以在不更新任何参数的情况下让机器人学会人类的动作和任务。

这意味着，具身智能机器人已经告别了“遥操数采”再训练模型的时期，它们已经具备“看一次示范就能学会一项新任务”的能力，可以像人类一样学习理解世界。

红杉资本合伙人Julien Bek直言，如今已经迎来了机器人的ChatGPT时刻。

红杉资本投资人Stephanie Zhan则认为，目前世界模型已经达到GPT-3水平，通用机器人智能时代才刚刚开始。

而对于中国公司来说，这件事更大的价值点在于，机器人的ChatGPT时刻已经到来，世界模型技术突飞猛进，下一步就是如何加速推动具身智能与世界模型技术的场景落地。

在8月25日光象科技技术开放日上，光象科技联合清华大学李升波教授课题组正式发布物理原生世界模型Phi-WM 1.0 ActEffect（简称ActEffect）。

作为其“物理原生智能”（Phi）技术路线的首个模型化落地成果，ActEffect的核心创新在于将世界模型转变为“训练时反馈器”，让机器人学会“动作会带来什么后果”。

今年WRC（2026世界机器人大会）上，光象科技的工业级自进化具身智能机器人Phi-Bot X1，连续5天、累计36小时完成了的焊接上下料与移动质检双工位自主循环作业，验证了物理原生智能从单一任务向多任务的泛化性。

这证明了一件事：当前具身智能的落地故事，不在家庭当中，而是在工厂。

光象科技创始人兼CEO张涛告诉智能纪元AGI，理想的方案是，自动化设备与具身机器人进行组合，其中自动化设备约占六成，具身智能机器人约占三成，所以核心任务在于充分释放这30%具身智能机器人的潜力，形成完备系统，助力工业体系达到整体最优状态。

“从去年6月份开始，我们就与国内外非常顶尖的制造企业，尤其是汽车整车制造企业，建立了非常紧密的深度合作。”张涛表示，做工业，就要选具身智能真正能发挥价值、甚至把价值最大化的场景去投入。

技术：在动作交互中涌现物理原生智能

进入2026年，所有做具身智能的人都意识到一件事：数据很重要。

Skild AI 联合创始人兼 CEO、前卡内基梅隆大学（CMU）教授Deepak Pathak（迪帕克·帕塔克）认为，机器人学本质上是一个数据问题。

英伟达CEO黄仁勋谈到机器人和物理AI时也直言：“The biggest problem is data（最大的问题是数据）”。

那么，如何做好物理AI数据的采集和应用？

对此，光象实验室首席科学家吕尧认为，既然已经拥有人类可以理解的物理信号，例如位姿、速度、力等，就不需要仅仅依赖数据让模型从零开始自行学习这些状态的作用和转移规律。可以把人类在长期实践过程用数学公式总结刻画的系统模型和物理规律等经验知识，直接嵌入模型，驱动机器人拥有物理原生智能大脑。

“相当于站在人类已经总结压缩的经验知识之上，再进一步通过数据驱动的方式，将物理世界看得更清，将物理规律学得更准。”吕尧表示，要真正学会物理世界的状态转移，需要海量动作干预引起的状态转移信号，并通过反事实结果比较习得动作与未来状态之间的因果关系，而仿真是目前唯一可以大规模、可控地快速生产此类数据的方式，其生成效率比真实采集高10倍，甚至百倍。

而如果从数据往上看模型层，当前最热的就是世界模型路线，所有的物理AI数据公司都开始服务于世界模型公司。

但无论是VLA，还是世界模型，两条路线各自存在瓶颈。

VLA模型只学会了模拟示范动作，世界模型则停留在“预测未来像什么”，并未建立起对“动作带来什么物理后果”的理解。

机器人真正需要的，是理解“因为什么动作才能实现可预期的未来”。

图灵奖得主、中国科学院院士姚期智在2025年底指出，当前具身智能方法多依赖模仿，缺乏可解释的世界表征能力和因果理解能力，未来应将推理、规划、控制置于同一闭环框架中；而今年4月，美国具身智能公司Generalist AI发布新一代模型GEN-1，明确将其定位为“专为物理交互场景而原生构建的基础模型”。

这些来自学术与产业界的信号表明，具身智能需要走向对物理世界的因果理解，在物理交互中涌现原生智能。

吕尧指出，必须学习到客观的物理规律，才能真正实现通用具身智能。我们提出的物理原生智能Phi，是以物理交互为首要原则，持续学习世界的底层运转规律、动作导致的行为后果，以及物理准则和安全约束，完成复杂任务并实现闭环自进化的通用智能。

他指出，Phi 不是给所有机器人套一套固定方程，而是让数据驱动的模型尊重物理世界的运行逻辑。Phi 从世界模型、数据结构和训练算法三个层面展开，并由三个基本特征贯穿：状态解耦表征、时序因果驱动和物理定律约束。

ActEffect作为物理原生智能技术路线的首个模型化落地成果，其核心贡献是把世界模型从“推理时的规划器”，变成“训练时的反馈器”，也就是用世界模型做“训练时后果反馈”。

简单来说，具身智能机器人并不是只在信息空间处理语言或图像的静态 AI，而是会执行动作并改变环境的智能体，动作是引起环境变化的原因。

而环境转移得到的状态是相应的结果，因此必须要遵守“时序因果驱动”的要求，才能让机器人理解物理世界中客观存在的状态转移规律，从而直接生成面向任务目标最优的动作序列。

ActEffect仅在训练时使用世界模型评估动作后果，部署时直接删掉世界模型，推理无额外开销。这是因为ActEffect模型在训练阶段通过后果反馈让动作策略自然学会了“某个动作会带来什么变化”，所以在推理阶段无需保留世界模型进行显式循环预测。

ActEffect将世界模型移出推理链路，意味着推理算力成本不随训练成本线性增长，这为ActEffect的规模化应用提供了经济可行性。

ActEffect能够一次性生成三个精细程度不同的动作方案，分别预测每个方案可能带来的结果，通过比较筛选出最优方案。同时，依次优化动作方案，避免虚假改进，即要求精调方案的预测结果必须优于粗调方案，粗调方案必须优于初始方案。而且，通过技术机制确保精调方案的改进来自自身优化，而非通过拉低其他方案的评估结果来实现。

此外，结果的预测过程仅引入物理世界的客观观测和动作方案，不引入以语言描述为代表的任务目标信息，这是因为动作引发的物理状态转移仅由客观的物理规律决定，不应依赖于任务目标。

ActEffect在LIBERO、LIBERO-PLUS和RoboCasa-GR1三项国际通用机器人操作基准测试中，分别取得了98.8%、80.3%和67.5%的平均成功率。

吕尧表示，这是物理原生世界模型从理论机制走向通用操作能力的一项重要验证。

产业：汽车是机器人的最佳练兵场

如果说世界模型技术证明了公司的核心能力，那么机器人最终比拼的则是工程化能力和产业落地。

“我们认为当前正处于具身智能面向场景落地的元年，已初步显现出产品市场契合（PMF）的趋势。从落地节奏来看，最早可实现真实部署并具备规模化复制潜力的场景，大概率将以封闭向半封闭场景为起点。此类场景的价值不仅在于其相对可控的复杂度，更在于其中存在明确的用户需求与业务痛点，且与当前具身智能的技术成熟度高度匹配。”张涛表示。

而光象科技首先选择的，是汽车场景。

张涛直言，在确定进入工业场景之前，光象科技对汽车制造、3C电子制造、芯片制造、重型机械制造以及矿山类场景都做了调研。最终，他们选择汽车制造作为第一个切入点。

张涛给出了几个核心理由。

第一，汽车是目前最大规模、复杂程度最高的规模化工业品之一，除汽车之外很难找到第二个如此大规模且成熟度如此高的场景；

第二，汽车产线经过大量生产优化，具备非常好的一致性和标准化，即在一个工位3到5米长的空间完成相对集中的任务，既能实现规模化部署，又能快速验证价值。

但汽车制造同样是严苛的考场。

“品控要求高、时间节拍要求高、效率要求高。”张涛说，这对机器人落地而言是最好的“练兵场”。当机器人能够符合完整的产线节拍、性能和品质要求时，意味着它已经具备了非常强大的基础能力，再泛化到其他类似场景，就是顺理成章的事。

光象科技团队脱胎于清华大学车辆与运载学院、人工智能学院及人工智能产业研究院的科技成果转化项目。

公开信息显示，截至2026年7月，光象科技已完成累计数亿元天使轮融资。IDG资本、东方富海、埃夫特、零一创投、光源L2F创业者基金、珠海科技产业集团等头部财投与头部产投深度参与。

目前，光象科技已在汽车制造真实场景完成焊接上料、移动质检等典型高价值工位的验证，并与多家国内外头部汽车企业达成商业合作。

例如，在上下料这一场景中，光象科技认为具身智能机器人真正具备价值的切入方式是面向高度多样化的工件形态展开系统性攻关。在汽车零部件、整车及各类制造过程中，待处理的零件形状各异，包括长条形件、小型异形件，表面形态复杂多变，存在凹凸不平的情况；操作方式上，部分零件需单手抓取，部分需双手协同；物料在料框中的姿态亦无定式，存在正放、反放、叠放等多种情形。

此外，部分工序还涉及抓取过程中的倒手、换手等精细动作。能够以高效可靠的方式，用具身智能手段系统性解决上述复杂问题，就是具身智能泛化能力的体现。

张涛表示，光象科技当前核心工作聚焦于两个层面：

其一，构建一套物理原生的基座模型——物理原生世界模型，旨在使模型能够真正认知物理世界的运行规律，并具备类似人类的多场景泛化行为能力。

其二，推动技术从实验室走向产业，切实转化为生产力。始终将生产力提升作为核心导向，坚持模型与机器人本体的软硬件协同开发与真实场景部署，面向工业环境实现实质性落地。

“具身智能机器人从首台部署到后续批量化落地，部署周期、数据需求与工程人力成本必将是逐步收敛优化的。”张涛认为，以传统工业AI或自动化方案完成上下料操作为例，不计成本，集成周期通常以月甚至数月计。而采用具身方案，当前技术能力下至少可压缩至周级，更有望缩减至天级乃至更短。效率的收敛是可预期的，当前实践已印证这一趋势。若效率提升达到10倍乃至百倍，具身智能的真正价值便得以彰显。

然而当前，机器人在汽车场景的落地已俨然成为一片“红海”。

8月下旬，小鹏汽车宣布旗下机器人业务完成首轮超 9 亿美元融资，投后估值超63亿美元（约430亿元），创下国内具身智能行业单轮私募融资纪录。本轮由 IDG 资本领投、高榕创投参投，腾讯、阿里巴巴两家战略投资者入局。

商业化路径上，小鹏集团董事长何小鹏透露，IRON人形机器人将于2026年底进入规模量产，率先在公司门店和园区落地；2027年正式面向零售、服务行业客户发售，实现海内外规模化交付，月产能可按需提升至数千台。

几乎同时，蔚来汽车 CEO 李斌在智驾全员会上宣布，蔚来高级副总裁、智能驾驶负责人任少卿已创立物理 AI 基础模型与具身智能独立公司，蔚来将战略投资并开展合作，任少卿同时继续担任蔚来智能驾驶业务负责人。

但值得注意的是，在具身智能和机器人行业看来，整车厂下场做具身智能，似乎并不构成真正的市场竞争威胁。

一年多前，优必选CEO周剑就直言，汽车公司当前利润较低，很难拿出10亿、20亿去进行大规模研发，因此并不认为汽车公司是其太大的竞争对手。

“有一个很重要的问题，客户是否可以接受它的成本？上次奔驰的董事会主席和董事会成员也来到优必选交流，目前来看欧美的人力成本比中国贵更多。所以他们认为一款 40-50 万元人民币的人形机器人是完全可以接受的，大概是两年的投入产出比，而且人形机器人有很多优势，例如在电量允许的情况下，它可以24小时工作。”周剑称。

对此，张涛对智能纪元AGI等指出，这一问题本身并不成立。其核心逻辑在于，特斯拉、小鹏等整车厂做机器人的真实目的并非替代自家产线工人，如果仅服务于自有三四条产线的机器人，无法跨车企复用，是缺乏规模化价值的。整车厂的目标必然是打造通用化机器人产品，最终走向家庭服务市场。

在张涛看来，光象科技从一开始就聚焦工业场景的生产力价值，因此两者在商业化路径上并不存在直接竞争。无论是工业还是未来可能拓展的其他行业，光象科技看重的是所做的事情能够推动生产力发展，提升生产效率或生产质量，或者为生产力的终极形态提供价值。

“因为我们坚持自己的技术路径和商业路径，做有生产力价值的事情。”光象科技追求的是在选定的场景中将泛化能力打磨到极致，实现终局目标与阶段性成果的有机统一。

说到底，这一轮具身智能和世界模型真正让人兴奋的，不是又一个模型刷了榜，而是机器人终于开始“懂”场景了，开始理解动作和后果之间那根看不见的因果线。

这根线一旦连上，机器人就不再是个高级复读机，而是一个真正能在物理世界里做决策的智能体。

但技术突破是一回事，把技术变成钱是另一回事。光象科技不追“家庭”那个最性感的故事，而是扎进汽车产线最脏最累的工位，把这件事做到极致。

机器人最终好不好用，不是看发布会，不是看运动会表演，而是看产线上那台机器人能不能连续稳定作业不出错。

最后想说的是，具身智能行业现在最缺的不是声量，是耐心。

人人都在等“机器人的 GPT 时刻”，技术上已经达到，但真正到产线上，从“能演示”到真正客户认可的“能上岗”，中间还有很长的路要走。

©本文为原创内容

未经授权，禁止转载