IDG资本领投天使轮，具身智能企业“光象科技”半年融资超 1 亿元

来源：猎云网

近日，工业具身智能企业「光象科技」在成立仅半年内迅速完成种子轮、天使轮及天使 + 轮多轮融资，累计金额超 1亿元人民币，融资由顶级财务投资机构 IDG资本、东方富海联合领投，机器人产业资本埃夫特、零一创投、达泰资本、光源 L2F创业者基金跟投。本轮融资资金将主要用于具身机器人的核心技术研发、产品化推进及商业化交付工作。

光象科技成立于 2025年 4月，由前阿里巴巴高德技术总监张涛与清华大学教授、人工智能领域顶尖专家李升波联合创办，是清华大学车辆学院与人工智能学院联合孵化的具身智能公司。目前，公司已成为全球多家头部汽车主机厂的具身智能战略合作方，其基于让 “机器人自我学习” 的具身模型 + 让 “具身智能大规模落地” 的具身平台正帮助汽车、3C等工业制造场景构建通用的工业具身大脑，驱动工业智能化升级。

“清华 + 阿里”，顶尖科研 + 产业落地的具身智能黄金组合

光象科技创始人兼 CEO张涛带领的产业化团队均为来自阿里巴巴、腾讯、华为、极智嘉等科技巨头的技术高管，曾成功主导世界领先的空间感知定位技术在数百万车载终端量产落地，完成自主移动机器人 5.6万台全球交付，并实现高精地图精益生产 10倍效率提升。

联合创始人、首席科学家李升波教授是人工智能领域国际知名专家，发表论文 200余篇，引用超 22600次，斩获国内外学术最佳论文奖 12次，并连续 4年入选爱思唯尔中国高被引学者。其主导研发的强化学习 DSAC系列算法达到国际领先水平（SOTA），并主持开发了国内首个全神经网络端到端自动驾驶系统（IDrive）。

核心技术团队 100% 拥有清华、浙大等顶尖高校博士学历，覆盖强化学习、视觉感知、最优控制等具身智能全栈技术领域，并斩获连续三年国际定位大赛冠军、CVPRIMC挑战赛金牌、自动驾驶 Argoverse双数据集榜单冠军等顶级技术荣誉。

工业具身智能，星辰大海中的最优切入点

在张涛决定投身具身智能创业之初，行业内普遍存在一种声音——优先进入垂类场景的机器人公司，未来终将被通用机器人公司所覆盖。但张涛持有截然不同的判断：他将工业垂类机器人与通用机器人分别类比为自动驾驶的 L2与 L4，认为机器人行业将如自动驾驶一样经历漫长的发展周期，从垂类场景切入、渐进式过渡至全场景通用，才是更可行的商业路径。

基于这一判断，光象科技锚定了轮式工业机器人方向，聚焦汽车制造场景。张涛认为，工业操作属于“标准环境 + 复杂操作”，是目前颇具挑战性、又能快速落地的方向。在工业领域，汽车制造是最典型、市场空间又足够大的赛道——光象科技测算，仅汽车总装这一工艺环节实现智能化，便存在千亿级市场规模，且可快速复制延伸至几乎全工业制造场景。

至于机器人的具体形态，张涛的逻辑同样清晰：双足人形机器人最大的优势在于克服地形障碍，但在工厂这一高度标准化的环境中，这一优势几乎无从发挥，高能耗与定位不精准的短板反而可能被放大。相比之下，轮式机器人能耗更低、定位更精准，与工厂环境的实际需求高度契合。

让机器人在工业场景中持续自我学习

面对工业场景对机器人操作精度、时间节拍、平顺性等多维度严苛要求，光象科技的核心策略是 “面向工业构建可自学习的智能模型”。

在模型结构上，光象科技开发了专门面向工业操作的高平滑神经网络结构，使机器人能够实现高精度、高可靠、高平顺性的动作输出。在训练方式上，公司摒弃了更易实现的模仿学习，采用挑战更大但潜力更强的强化学习。张涛指出，模仿学习虽可用少量数据快速达到 90%～95% 的成功率，却无法满足工业场景接近 100% 成功率的要求，而这恰恰是保证高质量汽车制造的关键。

针对具身智能领域真机数据稀缺的行业痛点，光象科技提出提高仿真数据在模型训练中的比重，依托团队多年积累的高精度场景建模能力及工业客户高精数模资源，持续缩小仿真与真机数据之间的差距，打通仿真到真机的完整训练链路。

此外，光象科技还自主研发了 GOPS平台，将工业场景的具身智能模型设计、开发、训练乃至调试全面模块化，构建出稳定高效的端到端模型开发链路，使企业具备真正意义上的大规模交付能力。

成立数月，已拿下多家头部汽车主机厂战略合作

当前，光象科技已与多家国际知名汽车企业达成深度战略合作，并顺利完成面向真实生产工位的首期 POC验证。这意味着光象科技的技术方案已经走出实验室，真正经受住了工业现场的考验，从理论可行到工程落地，光象用不到一年的时间完成了许多同类企业需要数年才能跨越的关键一步。

面向未来，光象科技计划在未来 3年内进入至少十家汽车制造厂商，部署逾千台满足工厂需求的智能机器人，并将产品能力横向延伸至 3C、重工业等更广泛的工业制造场景。在其更长远的战略蓝图中，工业只是起点而非终点：随着具身模型能力的持续迭代与 GOPS平台的规模化复制，光象科技将逐步向大型商业场景延伸，沿着“垂类深耕—工业全覆盖—通用具身”的渐进式路径，一步步逼近真正意义上的通用具身智能。