成立仅17个月的清华系公司光象科技近日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，其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的真实产线完成产品验证，进入真机部署阶段。光象科技创始人兼CEO张涛表示，相比传统工业自动化方案，公司部署效率提升10倍以上；模型进行真机后训练所需数据仅十几到几十个小时、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。

光象科技孵化自清华大学三个院系，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。公司选择汽车制造作为首个落地场景，张涛解释称，汽车产线长期升级中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，这些正是具身智能的验证场；同时车企客户能清晰计算投入产出，且汽车制造标准化程度高，某一工位案例可较快迁移到其他工厂类似工位，有利于规模化推广。

在场景选择上，光象科技刻意避开简单搬运。张涛认为，行业里已存在更便宜、更简单、更成熟的方案，用昂贵机器人搬箱子没有价值。公司聚焦焊接上下料、移动质检等传统方案难以胜任的环节。在今年世界机器人大会（WRC）上，光象演示了一身多能：同一台机器人、同一套模型适配完全不同的异构工位，现场展示的是来自新能源汽车主机厂焊接车间的上下料工位，料件、料架和滑台均为真实产线设备；同一机器人还能执行汽车表面移动质检。

技术路线上，光象科技押注物理原生世界模型。光象实验室首席科学家吕尧指出，纯视频预测型方案虽能受益于数据规模法则，但仅靠统计拟合学习输入输出映射，缺乏物理规律或结构约束，性能从99%到100%之间的幻觉率问题难以解决。张涛用扔东西类比：传统方法需要大量数据反复拟合，而理解牛顿定律、万有引力等底层物理规律后，换新物体可快速适应。吕尧补充，公司路线更依赖低成本、快速生成的仿真数据，对真机数据需求比传统模仿方案少很多，综合成本可能打平甚至更低，算力方面内部验证处于可覆盖状态。

面对小鹏、蔚来等车企背景机器人公司接连下场，张涛认为双方不存在直接竞争。他判断，特斯拉或小鹏做机器人并非为了在自家产线替代工人，而是面向通用化产品商业化，最终走向家庭服务；光象科技则从生产力价值出发，做能提升生产效率或质量的事情。对于本体不赚钱、靠卖模型或API的行业声音，张涛表示方向认可但阶段未到，必须先建立信任、把产品部署出去，类比自动驾驶——先有车，再叠加自动驾驶价值，客户才可能为升级买单。

在数据与模型规模上，吕尧透露公司模型参数为4.6B，当前规模已能覆盖工业相关能力。他指出，当前具身模型普遍做不大，数据是限制因素之一，数据与参数的匹配比例约为2.7；长远看基础模型规模会持续增大，物理世界信号比语言世界更复杂，实现通用泛在的具身智能基础模型，参数量有可能需要超越当前语言模型量级。关于护城河，吕尧认为仿真数据的职能存在很深know-how，强化学习过程与监督学习有本质区别，蒸馏难以复现训练算法。

商业化节奏上，张涛表示Phi-bot X1已在多家汽车制造工厂真实产线进行最后应用部署，相信到今年年底会看到这些机器人正式上岗并展现良好效果；模型迭代速度较快，下一个版本可能很快面世。在行业从「谁的故事讲得好」转向「谁的账算得清」的当下，光象科技能否用产线实际作业表现验证其部署效率与数据成本优势，将成为具身智能进厂叙事的关键观察点。