具身智能賽道最近有個挺有意思的案例。

光象科技，成立剛半年，已經拿下三輪融資，累計過億。創(chuàng)始人張濤是前阿里高德技術總監(jiān)，聯(lián)創(chuàng)李升波是清華教授、AI領域頂尖學者。團隊清一色頂尖高校博士，論文引用兩萬多次，算法拿過多項國際冠軍——履歷漂亮得像是AI創(chuàng)業(yè)的標準模板。

但這家公司選的賽道，卻和當下主流聲音唱了點反調。

行業(yè)里有個流行判斷：做垂類場景的機器人公司，終將被通用機器人覆蓋。張濤不這么看。他把工業(yè)垂類機器人和通用機器人，分別比作自動駕駛的L2和L4——后者當然更性感，但前者才是能先跑起來、先賺到錢、再逐步升級的那條路。

這個類比挺準。自動駕駛喊了這么多年L4，真正大規(guī)模商用的還是L2+的輔助駕駛。機器人行業(yè)如果也走這條路，意味著要熬很長的周期，而大多數創(chuàng)業(yè)公司等不起。

光象的解法是從汽車總裝切入。這是個"標準環(huán)境+復雜操作"的場景：工廠地面平整，雙足人形機器人"翻山越嶺"的優(yōu)勢用不上，反而能耗高、定位飄；輪式機器人更省電、更精準，剛剛好。張濤算過賬，僅汽車總裝智能化就是千億市場，還能快速復制到3C、重工等其他場景。

技術上他們做了兩個關鍵選擇。一是模型結構，專門開發(fā)了面向工業(yè)操作的高平滑神經網絡，追求高精度、高可靠、高平順性；二是訓練方式，沒選更容易的模仿學習，而是硬啃強化學習——模仿學習用少量數據就能沖到90%成功率，但工業(yè)場景要的是接近100%，差那最后幾個點，就是能用和不能用的區(qū)別。

數據是具身智能的普遍痛點。光象的解法是提高仿真數據占比，靠團隊多年的高精度場景建模能力，加上工業(yè)客戶的高精數模資源，把仿真和真機的差距不斷縮小。他們還搭了個叫GOPS的平臺，把模型設計、開發(fā)、訓練、調試全部模塊化，解決規(guī)模化交付的問題。

目前光象已經完成頭部車企的首期POC驗證，從實驗室到工廠工位，用了不到一年。這個速度在工業(yè)場景里算快的——很多公司卡在"理論上可行"到"現(xiàn)場能跑"這一步，一卡就是好幾年。

投資方給的評價很一致：團隊配置"黃金"，技術底座扎實，工程落地能力強。東方富海提到他們"直面汽車總裝產線硬骨頭"，零一創(chuàng)投強調"人事匹配"，光源資本則看重"率先開啟規(guī)?；渴?的節(jié)點。

光象的路線圖分三步：垂類深耕、工業(yè)全覆蓋、通用具身?，F(xiàn)在還在第一步，但已經能看到后面的臺階怎么搭。工業(yè)場景像是一塊磨刀石——夠硬、夠痛、夠具體，能把技術磨得足夠鋒利，再往外延伸。

有個細節(jié)挺能說明問題。張濤團隊之前做過空間感知定位，在數百萬車載終端上量產過；做過自主移動機器人，全球交付5.6萬臺。這些經歷讓他們對"從Demo到量產"的距離有清醒認知。具身智能現(xiàn)在很熱，但熱的是概念，冷的是交付。光象選了一條看起來不夠酷的路，卻可能是更能走到終點的路。

據光象透露，首期POC驗證完成后，客戶現(xiàn)場的一個反饋是：機器人完成某道裝配工序的時間節(jié)拍，已經逼近老師傅的手速。