光象科技获数亿元天使轮融资，研发物理原生基座模型

背景

随着人工智能从感知智能向决策智能与行动智能演进，物理世界的智能交互成为下一阶段的核心挑战。传统大语言模型和视觉模型多基于互联网文本与图像数据训练，缺乏对物理规律（如重力、摩擦、动力学）的主动理解与实时推理能力。与此同时，具身智能机器人产业正处于从“预设程序执行”向“自主泛化行为”转型的关键期。光象科技作为清华大学联合孵化的具身智能公司，选择了一条区别于纯语言模型或视觉语言模型的差异化路径——物理原生智能（Physics-Native Intelligence），主张智能应起源于与物理世界的持续交互，而非仅从符号数据中学习。本轮累计数亿元天使轮融资由多家产业资本与知名基金共同参与，标志资本市场对该技术路线的高度关注。

核心内容

光象科技宣布完成累计数亿元天使轮融资，最新一轮融资方包括珠海科技产业集团、兴证资本、松禾资本、顺禧基金、慕华科创、See Fund、亿宸资本、上市公司行云科技等，老股东零一创投、L2F 光源创业者基金持续跟投。资金将主要用于物理原生基座模型的研发迭代，以及具身智能机器人产品的商业化交付。

公司锚定物理原生智能这一技术方向，认为真正的物理原生智能是在与物理世界的感知、交互、反馈、探索与约束中自主涌现的能力，而非单纯从静态数据中训练得到。其自主研发的物理原生基座模型依托自建的高保真、大规模、可交互物理数据资产（Phi-Space）和自研的强化学习算法矩阵（Phi-RL Matrix），能够学习显式物理规律推演及隐式环境状态推理和物理行为归因，从而涌现对物理规律的通识理解，实现通用泛化的行为能力。

光象科技构建了由三大支柱协同构成的“三位一体”物理原生智能生成体系：算法层（Phi-RL Matrix）将强化学习定位为能力增长引擎，数据层（Phi-Space）持续构建高保真物理数据资产，平台层（Phi-Arch）提供通用物理智能开发平台。三大支柱协同驱动通用物理智能的持续涌现。

产品方面，公司发布了工业级自进化具身智能机器人 Phi-Bot X1，已在汽车产线焊接上料真实工位完成验证。X1 具备灵活移动、动态作业、力控双臂等特性，在展会中表现出色，验证了机器人自主提升物理智能并泛化应用的潜力。光象科技已围绕汽车制造典型高价值工位完成场景验证，与多家头部汽车企业达成商业合作，未来将以汽车制造为起点，逐步拓展至 3C、电子及泛工业场景。

关键要点

• 融资总额：累计数亿元天使轮融资，最新一轮由珠海科技产业集团、兴证资本、松禾资本、顺禧基金、慕华科创、See Fund、亿宸资本、行云科技等参与，老股东持续加注。
• 资金用途：重点投入物理原生基座模型研发，并推进具身智能机器人产品的商业化交付。
• 技术路线：物理原生智能，强调智能从物理世界的感知、交互、反馈、探索与约束中自主涌现。
• 核心技术体系：“三位一体”体系——强化学习算法矩阵 Phi-RL Matrix、物理数据资产 Phi-Space、通用物理智能开发平台 Phi-Arch。
• 已发布产品：工业级自进化具身智能机器人 Phi-Bot X1，具备灵活移动、动态作业、力控双臂，已在汽车产线焊接上料工位完成验证。
• 商业化进展：与多家头部汽车企业达成商业合作，已围绕汽车制造高价值工位完成场景验证；未来规划拓展至 3C、电子及泛工业场景。
• 团队背景：清华大学联合孵化，核心团队具备从基础研究到大规模交付的完整能力闭环，学术与产业经验复合。

意义与影响

光象科技的融资与技术布局，标志着具身智能领域从“感知驱动”向“物理交互驱动”的范式转变。其物理原生基座模型不依赖大规模互联网标注数据，而是通过自建高保真物理数据资产与强化学习，使机器人自主习得物理规律，这为解决具身智能长期面临的“泛化能力弱”“场景适应差”等痛点提供了新路径。

从产业角度看，光象科技以汽车制造为切入场景，选择高价值、高频次的产线工位进行验证，降低了技术落地的风险，也为后续向 3C、电子等泛工业场景复制奠定了基础。Phi-Bot X1 的展出表现进一步证明，物理原生智能路线在真实工业环境中具备可实现的商业化前景。

从行业竞争格局来看，目前主流具身智能公司多采用“大语言模型+视觉模型”的架构，而光象科技选择强化学习与物理数据双驱动的差异化打法，若能在量产与成本控制上取得突破，有望在工业机器人市场形成独特竞争力。同时，清华大学的学术背书与复合背景的团队构成，使其在技术持续迭代和人才吸引上具备优势。总体而言，此次融资与技术发布为国产具身智能领域注入了新的变量，后续产品大规模交付效果与场景拓展速度值得持续关注。