光象机器人进厂后，具身智能竞争开始从演示走向真实产线

光象科技把工业级自进化具身智能机器人 Phi-Bot X1 推到真实产线后，AI行业里一个长期被反复讨论的问题终于变得更具体：智能体不只是坐在屏幕里回答问题，也开始走向焊接、搬运、巡检、野外监测和汽车座舱这些需要感知、行动与持续适应的场景。它在蔚来焊接场景连续作业21.5小时零失误，一周即可完成部署，并已拿到头部车企订单，这类信息比单纯的参数榜单更能说明“物理AI”正在进入验证阶段。

同一批重点资讯里，大晓机器的世界模型 Kairos 登顶具身智能榜单，OriginFlow 围绕物理交互数据完成密集融资，Jiuwen Symbiosis 试图给 Agent 装上感知和行动能力，宇树 G1 改装机器人 Pemba 甚至把测试场景推向高海拔山地。它们共同指向一个变化：下一阶段AI竞争不只看模型会不会说、会不会写代码，而要看它能不能在真实环境里稳定做事。

机器人走进产线

光象科技的案例值得放在开头，是因为它绕开了很多“概念发布”的空转，直接把具身智能放进工厂生产环境。工厂不是演示厅，焊接场景里有节拍、误差、安全、设备协同和质量追溯要求，机器人连续作业21.5小时零失误，意味着系统不仅要识别目标，还要理解工序、控制动作、处理扰动，并在较长时间里维持稳定性。

更关键的是“一周部署”。如果机器人每进一个工厂都要漫长定制、人工调参和工程师驻场，商业化速度会被服务成本吞掉。光象科技强调工业级自进化，本质是在解决机器人落地里的老问题：环境变化太多、任务边界太碎、训练数据太贵。只有部署成本降下来，具身智能才可能从样板间走向批量复制。

世界模型成为新底座

大晓机器完成天使+轮融资，并披露自主研发的世界模型 Kairos 在多个具身智能榜单中表现领先，这让“世界模型”从视频生成和仿真概念进一步靠近机器人控制。机器人要在物理世界里行动，不能只识别画面里的物体，还要预测动作之后环境会怎么变化、物体会不会滑落、人会不会靠近、路径是否安全。

这也是为什么小参数模型超过大参数模型会引起关注。4B 参数如果能在具身任务上超过更大的模型，说明机器人场景并不总是追求通用语言能力最大化，而是追求空间理解、时序预测、动作规划和反馈闭环的效率。对企业来说，这类底座如果能跑得更便宜、更稳定，就会直接影响机器人能否进入仓储、制造、巡检和服务场景。

数据比模型更稀缺

OriginFlow（渊澈太初）由清华00后博士生创办，短时间内完成多轮融资，核心卖点是 NeuroScale 数据采集范式，为机器人采集物理交互数据。这个方向看起来没有模型发布那么热闹，却可能是具身智能能否规模化的关键。语言模型可以吃网页、代码和文档，机器人却需要真实接触、真实失败和真实反馈。

抓取一个杯子、插上一根线、绕开一个临时出现的人，这些动作背后都有大量隐含变量：摩擦力、重量、光照、遮挡、材质、机械臂误差、传感器噪声。没有足够高质量的交互数据，模型就很容易在实验室里表现漂亮，到现场就失灵。资本追逐这类数据公司，说明行业已经意识到，具身智能不是只靠更大模型就能解决的题。

Agent开始长出身体

openJiuwen 社区开源 Jiuwen Symbiosis，把目标定义为给 physical AI 构建共生架构，让 AI 具备感知和行动能力，并适配端云协同与国产计算生态。这个思路和近期 Loop Engineering、业务自进化、终端智能体等讨论可以连起来看：行业正在从“人写提示词让模型回答”转向“系统自己感知任务、规划动作、执行并反馈”。

当 Agent 长出身体，问题也会变得更复杂。屏幕里的智能体答错了，通常是修改文案或重跑任务；工厂、车辆、机器人里的智能体一旦动作错误，可能带来设备损坏、生产中断甚至安全风险。因此，物理AI需要的不只是更聪明，还要可控、可回滚、可审计，最好能在边缘端保持足够低延迟，避免关键动作完全依赖远程云端。

从汽车到高山

AIVA 团队提出搭载原生全域 Agent AI 的 AI 汽车，首款量产车 AIVA ME7 计划亮相，把物理AI放进智能座舱和移动空间。汽车是一个天然的复杂智能体入口：它有传感器、有执行器、有用户长期习惯，也有导航、娱乐、驾驶辅助和车内控制。AI如果能真正理解车内外环境，就不再只是语音助手，而可能成为车辆决策与服务编排层。

宇树改装版 G1 机器人 Pemba 已登顶厄瓜多尔钦博拉索火山，并计划挑战更高海拔环境，虽然这类新闻带有明显的展示意味，但它提醒行业，机器人正在从平整地面走向更复杂地形。高海拔、低温、强风、崎岖路面和监管限制，都是现实世界给机器人的压力测试。相比舞台表演，这类野外任务更能暴露续航、控制、结构和环境适应能力。

商业化不等于炫技

具身智能热起来后，最容易出现的问题是把融资、榜单和演示视频误当成落地结果。真正的商业化要回答几个很朴素的问题：客户愿不愿意付费，机器人能不能稳定工作，维护成本是否低于替代方案，系统出错时由谁负责，以及数据和安全边界如何管理。没有这些答案，任何“新物种”叙事都只能停在发布会上。

从最新重点资讯看，物理AI已经出现几条更清晰的路线：工厂机器人先在高价值工序里验证可靠性，世界模型补上预测与规划能力，数据公司解决交互样本稀缺，汽车把 Agent 放进移动场景，开源社区和云生态则负责降低开发门槛。下一步谁能胜出，未必取决于谁的口号最大，而取决于谁能把模型、数据、硬件和工程交付拧成一个稳定系统。

AI竞争进入执行层

这轮具身智能升温，也和模型行业的另一条主线形成对照。OpenRouter、OrcaRouter 这类多模型路由在降低推理成本，FuseSearch-4B、Kimi K2.7 Code 在压缩代码任务成本，微软提出 Token 资本概念，说明软件侧AI正在追求更便宜、更可控的执行系统。物理AI则把同样的问题搬到现实世界：每一次动作都有成本，每一次错误都可能变成现场事故。

因此，具身智能真正值得关注的不是“机器人像不像人”，而是它能不能成为产业里的可靠劳动力和可靠设备层。无论是汽车工厂里的焊接机器人，还是高山环境里的监测机器人，或者车内持续陪伴用户的全域 Agent，AI都在从“生成内容”走向“承担动作”。这一步一旦走稳，AI行业的竞争中心就会从聊天框继续外溢到产线、道路、设备和城市空间。