从概念走向产线：具身智能把价值考场放在汽车工厂

在具身智能行业，行业风向正在发生明显转变。过去市场更关注人形机器人走入家庭的宏大愿景，如今，工业落地、工位适配、生产节拍、实际良品率成为行业高频讨论关键词，能不能创造真实生产力，成为衡量项目价值的重要标尺。

行业热度高涨的背后，依旧存在现实挑战。不少项目依旧依赖传统规则算法，部分创业项目硬件采购自外部供应链，算法依托开源资源，更多停留在演示展示层面。行业从业者已经开始思考行业周期风险，市场的评判标准，逐步从 “故事讲得有多精彩”，转向商业账本能不能算得通。

在此背景下，一家孵化自清华多院系的初创企业走入产业视野。团队融合学术研究与产业人才，成员来自互联网、机器人行业多家企业，采取软硬全栈自研模式，推出Phi‑WM 1.0 物理原生世界模型与工业级具身机器人Phi‑bot X1，产品已经在多家豪华品牌车企真实产线开展真机验证工作。

车企也在加码机器人赛道，多家汽车企业相继布局机器人业务。面对车企自研机器人，初创企业如何找准自身定位？企业相关负责人认为，车企布局机器人更多瞄准面向未来的通用化产品，远期看向家庭场景。而初创团队的核心立足点，是落地具备实际生产力价值的工业场景，双方业务方向存在差异，并不构成直接竞争。工业赛道市场空间充足，可以容纳不同定位的市场参与者。

行业内流传着依靠售卖模型、API 实现盈利的设想。团队判断，这套商业模式在现阶段还不具备落地土壤。想要让客户接受能力付费，前提是先把实体产品部署落地，解决现场实际问题。就如同自动驾驶，需要先保证载体本身可用，再迭代增值能力。要先完成落地这个 “1”，后续能力升级带来的商业收益才有存在基础。当下企业采用先交付基础功能、验证效果之后再迭代升级的模式开展业务。同时团队提出，只做算法大脑，或是只做硬件本体，都很难走到行业头部，软硬结合全栈能力，是落地闭环的关键。

场景选择决定了具身智能的商业化成败。使用高成本机器人去完成搬运等已有成熟低价方案的工作，很难创造增量价值。企业筛选场景设置三层标准：技术可以发挥独特价值、能够为客户带来实际增益、具备规模化复制潜力。基于这套标准，团队将重心放在汽车产线焊接上下料、移动质检这类场景。

汽车制造成为具身智能的重要试验场有多重原因。汽车制造业已经尝试过多轮自动化方案，依旧留存部分传统自动化难以妥善解决的工位；车企可以清晰核算项目投入产出，给出真实业务反馈；同时汽车行业标准化程度较高，单工厂跑通的方案，有机会复制推广到更多同类型产线。

在焊接、冲压车间，部分岗位存在安全风险，机器人可以承担工作实现人员替代；装配总装车间短期无法完全替代人工，则采用人机协同模式。机器人本体配置多重感知、力反馈装置，搭配现场安全防护举措，构建多层安全冗余，保障现场作业安全。

Phi‑bot X1 一大特点是部署效率优势，相比传统自动化方案部署效率可以实现十倍以上提升。同一台设备可以适配异构工位，完成上下料、整车曲面质检等不同任务。迁移新任务时，依托通用基座模型，主要针对策略模块做微调，借助真机强化学习完成适配，整体调试周期为周级。不同于部分方案需要百万量级样本数据，这套物理原生路线更多依靠仿真预训练，真机后训练数据仅需要十几至百小时区间，就可以完成任务适配。在移动质检场景下，机器人作业速度可以适配并优于现有产线节拍，无需大规模铺设固定摄像头、硬件基建，依靠自身感知完成检测作业。

技术路线层面，行业存在纯视频预测世界模型与物理原生模型的路线分歧。纯视频统计拟合路线，能够依托数据扩大提升效果，但想要实现近乎百分之百任务成功率，会面临幻觉问题。物理原生路线希望让模型理解底层物理因果规律，而不是单纯拟合数据映射。面对全新物体、全新工况时，可以减少重复试错成本。

面对通用大模型厂商入局的可能性，团队认为通用大模型可以作为底座，但不能直接替代面向工业具身场景定制化训练体系。仿真数据的生成逻辑、强化学习调度策略，属于较深的实践积累，很难单纯依靠模型蒸馏复制。同时当前工业任务场景中，几十亿参数规模的模型就可以满足业务需要；受高质量训练数据约束，具身模型并非参数越大效果越好。放眼长远，如果要做到高度通用的具身智能，模型规模还有进一步增长的空间。

站在 2026 年时间节点，团队也设立短期目标：迭代更新世界模型版本，持续推进产线真机部署落地，期待在2026 年底，工业具身机器人能够正式在车企产线上岗作业。