具身智能走进工厂的最后一公里

工厂需要的自动化，既要把眼前的工序做稳，也要能跟上下一次生产的变化。

工件换了姿态、产品改了型号，原本高效的自动化就可能重新变成一道难题。具身智能的机会，就藏在这些尚未被经济解决的变化里。

但更强的模型只是起点，如果每换一个工位都要重新训练、重新集成，智能仍是一门昂贵的定制生意。

从光象科技的模型探索与工业验证出发，一个更关键的问题浮出水面：如何把“这一次做对”沉淀为“下一次也能用”的能力，让机器处理的变化越来越多，工厂为变化支付的成本越来越低？

以下为正文：

2026年8月的北京亦庄，具身智能的展示，正在从一个动作变成一段生产流程。世界机器人大会上，光象科技的Phi-Bot X1从料架抓起焊件，移动、对孔、放置；完成上下料后，它又转向移动质检工位，举起光源和视觉模块沿车门曲面扫描，再返回原位开始下一轮。

对于工厂而言，恰恰是这种“无聊”更接近生产。产线要在工件位置、来料姿态和设备状态不断变化时重复成千上万次。机器人做得像不像人可能暂时并不重要，重要的是它能否把每一次变化都转化为合格的结果。

这也是工业自动化正在跨越的一道新边界。过去，工厂通过各种设备消灭不确定性，再让机器获得速度。现在，柔性生产、多车型共线和小批量换产不断把变化重新带回现场。

具身智能的价值，不是推翻已有自动化，而是要降低机器处理变化的门槛，让过去难以自动化的复杂任务，能够以更低的工程成本被机器接管。

WRC展示了Phi-Bot X1跨工位作业的能力：同一套本体和一套自研原生端到端模型，在焊接上下料与移动质检两类异构任务之间切换。但比“一机多能”更值得讨论的是，当任务、对象和环境发生变化后，机器人如何仍将动作导向可验收的结果。

具身智能走进工厂的第一道门槛正在这里：模型不仅要知道下一步怎么做，还要理解这一步做下去，物理世界会发生什么。

先把“后果”写进模型

机器人学习，需要厘清一个误区。动作相似不等于任务正确。

如果做演示，机械臂握住零件、抬升、旋转、放下，模型能够复现相近轨迹，看上去便像是掌握了任务。但工厂更关心良率，这种差别决定了工业具身模型的难度。

现实任务是一条连续的链路，前一步的微小偏差会改变后一步的状态，误差积累到末端，代价就是报废、返工或停线。工业模型不仅要生成动作，还要把动作造成的物理变化纳入决策。

这个问题上，光象科技选择从“动作会带来什么后果”入手，实质上是把工业对结果的要求前移到模型训练中。近期，光象科技联合清华大学李升波教授课题组，推出了第一代物理原生世界模型Phi-WM 1.0 ActEffect（以下简称ActEffect）。

不过，需要区分基础模型研究与工程落地：WRC及当前工业工位使用的是光象科技自研、具备泛化能力的原生端到端模型，ActEffect则是面向通用基础模型的底层架构探索。

二者共享物理原生技术路线，分别回答当下任务如何完成，以及未来基础能力如何演进。

所谓物理原生智能，即不靠拟合“看起来对”的动作，而是让模型在和物理世界的交互中理解动作的因果，学会“做这个动作，世界会怎样变化”。光象科技的世界模型ActEffect，核心设计是把世界模型从预测器变成训练时反馈器。

如果这个目标达成，机器人不是只在推理时调用世界模型来想象未来，而是在训练阶段就让世界模型告诉它“你这个动作做下去，物理世界会变成什么样”，用后果反馈来优化策略。在训练期吃透因果规律，推理时就不需要再保留世界模型做显式循环预测，算力成本就能直接降下来。

一句话概括，VLA是“你教我，我就做”，世界模型路线是“我猜世界会变成什么样”，而光象科技的物理原生智能是“我知道做这件事会怎样，所以我这样做”。

“接管变化”才是高价值场景

对具身智能而言，高价值场景是变化频繁、结果清晰、传统自动化代价高的场景。前两项决定模型有没有用武之地，后一项决定客户愿不愿付费。

若环境本来稳定、动作可以写死，增加具身模型只会抬高复杂度。只有变化无法被夹具和程序消除，而质量、节拍和安全又可以量化，具身智能才有机会形成真正的替代价值。

要看清这条边界，需要把视线拉回工业机器人的起点。上一轮自动化革命的关键，不是机器变得聪明，而是人类把现场改造成机器能够可靠执行的世界。

1961年，工业机器人Unimate进入通用汽车工厂，按照磁鼓中预存的命令堆放滚烫的压铸件。它不理解任务，却足够可靠，因为工厂把环境和动作确定为程序。此后六十多年，工业机器人的主航道始终是先消灭变化，再追求速度。

这条道路极其成功。在固定工位和大批量生产中，传统机械臂依旧更快、更便宜，具身机器人若只搬标准纸箱，不过是用复杂方案争夺简单问题。

机会藏在高自动化率没有抹平的变化成本里。

此前，这类变化长期由人承担，不只因为机器人不够灵活，还因为重新编程、夹具和系统集成本身很贵。所谓柔性，首先需要算的就是工程账。

这正是光象科技从焊接上下料和移动质检切入的原因。前者要在无序中识别工件，自主完成抓取、翻转和精确对孔，后者要规划轨迹并沿复杂曲面检测。一个改变物体状态，一个读取物体状态，却都要求机器在无人逐步提示时处理变化。

光象科技的策略是先选择变化成本高且结果可验证的任务。焊接上下料用抓取成功率、对孔精度、节拍和连续运行衡量；移动质检用覆盖率、漏检率和效率衡量。两个场景把模型置于不同的因果链中，且结果能够很容易用良率、停机时间等测量。

本体侧，Phi-Bot X1以27个自由度、全关节力控双臂、四舵轮全向底盘和可替换末端执行器穿行于狭窄通道，末端重复定位能力达到0.05毫米。这也说明，模型理解了变化，底盘、腰部、双臂与末端仍要在统一控制下把结果落到现实世界。

基于此，能够走进工厂“接管变化”的具身智能，需要有极强的软硬件综合理解能力。

光象科技争夺的并非传统机械臂已经擅长的确定性工位，而是自动化边界外那一圈高价值变化：危险、枯燥、质量敏感，又因品类和姿态变化而长期依赖人工。它不必接管所有变化，只需把其中一部分原本不经济的变化转化为可复制的机器能力，产业价值就会出现。

这构成光象科技的第二层优势：物理原生模型理解变化，工业级本体兑现动作，真实工业场景提供反馈。

如何打造一条下降的成本曲线

目前的具身模型路径，意味着巨大的前置成本：数据采集、仿真、模型训练、适配和验证，相当一部分发生在机器人创造产值以前。具身智能则因此要让它们能够在更长运行时间和更多次使用场景中摊薄成本。

要把这类能力从样机变成产能，关键不是再证明一次“能做”，而是让第十个工位比第一个工位更便宜。具身智能的成本曲线至少要同时下降三次：数据获取成本下降，场景适配成本下降，单台机器运行成本下降。若每进入一个工位都要重新采数、重新训练、重新集成，模型再通用，商业上仍是一门项目制生意。

沿着这本账，光象科技的技术组合提供了一个参考思路。

其中，仿真产生失败、干预和反事实数据，让模型先在虚拟环境试错；其次，ActEffect把世界模型放在训练期，让策略提前吸收后果；接下来，Phi-Bot X1与可替换末端把智能带到不同场景中；最后，真实产线再反馈偏差和异常。

模型、数据、本体和场景不是四条并列产品线，而是一条降低现实试错成本的闭环。

工业具身智能的规模化，不会简单复制消费电子的出货逻辑。真正可复用的单位，是经过验证的任务能力：识别某类扰动、完成某段流程、在某一质量边界内自动恢复。

每沉淀一个能力模块，下一工位所需的新增数据、训练和调试就应减少。于是，企业就逐渐积累了一套不断压缩边际交付成本的能力库。

光象科技提出，传统自动化以月计的集成周期，具身方案未来有望收敛至周级甚至天级。

把世界模型移出推理链路, 这意味着，计算量更大的后果预测与策略优化主要发生在训练阶段，部署端不必让世界模型参与每一次动作的实时推理。机器人每增加一台，现场算力、延迟和能耗都进入总拥有成本，把昂贵思考集中在可复用的训练阶段，才有机会避免推理成本随部署规模膨胀。

成本曲线还取决于责任链是否闭合。工业现场的失败很少只属于模型，光象科技同时覆盖数据、模型、平台与本体，使现场问题能够沿同一条链路回溯，即使有故障，也能够转化为下一轮训练和部署的公共资产。

全栈的好处也在于，传统机器人项目出了问题，模型公司、硬件厂商和集成商往往需要划分责任，全栈路线却很难把问题推给下一个环节。

这是一件负担更重的事情，但也因此更接近客户愿意付费的东西——不只是机器人所有权，还有可以兜底的产能。

尾声

从Unimate走进通用汽车产线算起，工业机器人与工厂之间一直存在一份旧契约。人先用程序、夹具和围栏消灭变化，机器再用速度与精度偿还投资。

具身智能真正要改写的，正是这份契约。它不是给机械臂增加一个更聪明的界面，而是让机器开始承担那些无法被事先写尽的判断，并对判断造成的物理结果负责。

沿着这个尺度看，光象科技提供了一种值得观察的产业样本：把对物理后果的理解写进模型，把复杂变化交给软硬件系统共同处理，再用真实产线检验能力能否复用、成本能否下降、责任能否闭环。

WRC的灯光终会熄灭，机器人还要回到充满噪声、油污、反光和节拍压力的工厂。那里没有掌声，只有良率、节拍与成本。具身智能真正的产业化，发生在它把一次次现场变化沉淀为可复用能力之后。

当工厂不必再为每一种变化重新编程、改造夹具、重做一套自动化，智能才算真正改变了工业的成本结构。