汽车制造总装环节的自动化率不足15%，成为行业长期痛点。光象科技借鉴特斯拉的渐进式路线，通过具身智能切入该垂直场景，旨在攻克这一“最后15%难题”，为制造业智能化改造提供新路径。
智能速览
汽车总装车间自动化率低于15%，与冲压等环节99%的自动化率形成巨大反差。
光象科技判断通用具身机器人落地需十年，选择从汽车制造等垂直场景切入。
借鉴特斯拉从L2辅助驾驶切入的路径，主张在具体场景中实现商业闭环。
调研发现总装车间上百个工位可提炼为不超过十项核心机器人技能，降低了落地难度。
当前行业“演示热闹，落地为零”，多数公司仅能完成价值不高的搬箱子任务。
GOPS平台致力于实现机器人技能的快速学习与跨产线复制，沉淀长期技术能力。
精华内容
在具身智能的十字路口，是选择一步到位的通用蓝图，还是回归价值创造的务实路径？一家公司的选择或许能提供答案。
渐进式路径
面对2024年人形机器人的投资泡沫，光象科技选择了另一条路。创始人张涛基于自动驾驶十年经验判断，通用具身智能的落地周期至少需要十年。行业正重蹈自动驾驶十年前的覆辙：早期Waymo等公司直接冲击L4级无人驾驶，因追求完美安全与泛化而陷入成本泥潭；特斯拉则从L2辅助驾驶切入，通过大规模落地收集数据，反向推动技术演进。光象科技选择这条“特斯拉式”的渐进路线，从“标准环境+复杂操作”的象限切入，而非追求一步到位的通用方案。
为何是汽车
汽车总装车间是具身智能的完美试验场。调研发现，汽车制造的自动化存在结构性断层：冲压、焊接、涂装自动化率超95%，但总装环节骤降至不足15%。光象科技对比了芯片制造等场景，发现其自动化率已高达80%-90%，剩余10%-20%的边角任务技术难度极高，商业上不划算。而汽车制造工艺划分清晰，自动化与人工任务边界分明，留给人工的装配任务也已高度标准化，为机器人替代提供了理想土壤。更关键的是，覆盖数百个工位所需的核心技能可归纳为十项以内，极大降低了技术复杂度。
技术落地挑战
精密装配是核心，但不同操作难度迥异。拧紧螺丝这类任务相对简单，可直接沿用成熟的伺服拧紧枪，通过智能化模型控制其姿态与力度，配合机器人运动即可实现。但插接、卡接线束等操作则复杂得多，面临三重制约：一是感知受限，难以识别各类异形接插件；二是执行受限，目前缺乏通用的、力反馈清晰的末端执行器；三是模型受限，现有大模型能力尚不足。解决这类问题，必须同步进行末端执行器的硬件创新，系统复杂度远超拧紧。
差异化壁垒
当前具身智能在汽车制造领域的应用呈现“演示热闹，落地为零”的局面。多数公司展示的机器人都在执行搬箱子任务，但这并非行业核心痛点，物流环节早已被AGV等设备解决。这种选择暴露了通用机器人的窘境：既不具备精密装配能力，其双足构型也不适合工厂长时间、高精度的作业要求。光象科技的壁垒在于，将前沿模型能力与深厚的汽车行业背景深度结合，从本体设计到模型训练都围绕场景特性展开，确保产品能真正跟上产线的严苛节拍，而非将一个通用产品直接投放场景。
