在世界人形机器人运动会工业场景赛“装配上料岗”赛项中，灵犀智涌公司研发的机器人凭借出色表现引发关注。该机器人需连续完成搬运上架、拣选上料、物料装配三项任务，涵盖从搬运10kg物料箱，到拣选七类零件，再到发动机18个气门的亚毫米级装配。最终，它以纯自主方式完成整套任务，三项得分分别为84分、65分和21分，扣除10分专项扣分后，以总分160分的成绩顺利完赛。按企业维度排名，灵犀智涌仅次于行业头部机器人企业旗下的两支队伍，成为首次参赛便冲入全国前三的唯一初创公司。
对于具身行业而言，这场比赛的意义远超分数本身。相较于其他赛场的热闹氛围，工业场景赛的20分钟浓缩了当下工业具身智能机器人亟待解决的核心问题：不仅要在真实场景中“会做”，还需在工业级时间窗口内连续做对；不仅要完成单个动作，更要将多个动作串联成稳定执行的完整任务；最终需交付可验收的工业生产结果。这正是灵犀智涌试图攻克的难题。
灵犀智涌是一家由98后中科大博士段逸凡在上海创立的工业级自进化具身智能机器人公司。与许多将核心竞争力押注于模型的企业不同，该公司选择了“CONWAY工业原生模型+ROSS Harness自主进化引擎”的独特路线。其中，模型负责思考“如何做”，而ROSS Harness则专注于“如何将模型能力真正落地，确保任务高质量完成”。
过去两年，具身智能行业的技术焦点始终围绕“如何让机器人拥有更强的‘大脑’”展开。从VLA、World Action Model到强化学习、第一人称视频数据，模型能力不断突破。然而，自2025年以来，尚未有公司完整跑通工业场景的产品闭环。实验室中，机器人成功完成一次抓取或装配即可证明模型能力，但工厂环境复杂多变——光照不可控、工位不固定、物料频繁变化，机器人需应对夹具误差、设备状态变化和长尾异常，同时满足真实生产节拍要求。工业界真正关心的并非“任务能否完成”，而是“能否持续高质量交付”。
当前工业具身智能的落地问题可归纳为四个层面：成功率不足、吞吐率不足、运行成本高以及迁移困难。工业现场要求接近100%的良率，容不得长尾错误；机器人需接近甚至超越人工节拍，而非仅“完成一次”；更现实的是，若每台机器人需多名工程师维护，商业模型将难以成立。这些问题本质上源于同一断层：模型能力不等于工业系统交付能力。模型可能具备强大的Zero-shot能力，但在真实产线中仍需场景数据、后训练和工程约束；而工业任务往往是长程任务，无法允许模型在每一步自由发挥。
当行业仍在争论“谁的模型更强”时，工业现场已提出新的挑战：谁能将模型能力真正转化为工业价值？这一问题的答案不仅关乎具身智能，也与数字世界中大模型的应用逻辑相似。例如，今天的Coding Agent并非简单将大模型嵌入代码编辑器，而是通过上下文管理、任务规划、工具调用等Harness机制，将模型能力转化为实际生产力。类似地，灵犀智涌试图将这一逻辑延伸至物理世界：数字世界Agent=LLM+Harness，而物理世界Embodied Agent=Embodied Model+Embodied Harness+Hardware。
机器人面临的物理世界更具挑战性。数字Agent调用错误API最多需重新执行，而机器人执行错误动作可能导致碰撞、物料损坏甚至安全风险。因此，具身Harness不能仅是软件层，而需同时理解：何时调用模型、如何拆解长任务、如何组合多个Skill、模型输出是否安全、任务是否正常运行、异常后应重试还是重新规划，以及如何将失败经验沉淀为未来执行的参考。这正是ROSS Harness的核心逻辑——在模型与机器人之间构建持续运行的执行闭环。
灵犀智涌的技术体系以CONWAY模型与ROSS Harness的协同演进为核心。CONWAY模型聚焦于“如何形成高质量的局部动作决策”，围绕工业任务需求，研究力触觉增强、快速推理、动作对齐等方向。例如，FAVLA引入6D力觉提升插拔、装配任务的稳定性；DBPO将多步生成压缩为单步策略，满足高频控制需求；CAC-VLA通过显式对齐视觉语言理解与动作控制，提升操作精度；VLA-Stem增加轻量级安全层，使机器人能处理空间约束和动态避障。这些成果共同推动机器人从“看懂”向“做好”迈进。
ROSS Harness则负责将模型动作在真实工业现场正确组织、可靠执行并形成闭环。它将不同具身模型统一到抽象层，通过Skill封装导航、抓取等底层工具与工程经验，由Agentic AI完成任务拆解、技能编排和异常恢复，并通过分层安全监控确保执行可靠性。更重要的是，每次执行中的环境变化、失败案例和人工接管数据会沉淀为Skill、任务编排和训练数据，形成面向真实场景的数据飞轮。例如，CLMASP通过形式化逻辑校验任务步骤，Safe-BeAl将安全知识转化为模型边界，DynaHMRC实现多机动态重组，STDArm确保模型动作在动态环境中稳定执行。这种设计使模型可更换，而Harness无需推倒重来，实现真正的协同演进。
评价机器人工业价值时，速度与成功率同样重要。灵犀智涌提出“有效产出=成功率×吞吐率”的评价思路。测试显示，ROSS Harness使有效产出提升3.6倍，量化体现了Harness对模型能力的系统化放大。这一指标凸显了工业具身智能与传统机器人Demo的本质区别：机器人需稳定、持续、按时完成任务，而非仅“完成一次”。
具身智能行业的竞争正从“本体-大脑竞争”转向“系统能力竞争”。过去，行业焦点集中于模型数据与性能或机器人本体灵活性，但工业现场的复杂性要求模型、机器人与任务之间形成无缝衔接的能力层——这正是Harness的位置。灵犀智涌认为，传统自动化在批量单一品种生产中仍具优势，而具身智能更适合多品种、小批量、变化频繁的柔性制造场景。例如，某汽车零部件厂商因订单变化快，将部分自动化产线拆分为“单工位+人+缓冲区”模式，这类场景恰好适合当前阶段的具身智能切入。
灵犀智涌选择工业场景时，优先寻找变化多但可系统化承接的柔性工位，机加工上下料便是典型案例。不同订单导致零件、料框和工艺流程持续变化，但任务结构相对稳定，工位独立性强。此类场景的挑战不在于单次抓取，而在于对象、流程或模型变化时，能否通过模型适配、Skill复用和任务重编排快速完成部署。ROSS Harness的价值正体现在将“单点能力”转化为“可复制系统能力”，为工业具身智能的规模化提供入口。
灵犀智涌的路线选择与其团队背景密切相关。具身Harness作为系统性工程，要求团队同时掌握模型、机器人、控制、安全和任务规划等领域知识。联合创始人、CTO段逸凡博士作为中科大机器人方向专家，读博期间聚焦具身智能与空间智能，相关成果发表于RSS、IJRR等顶级期刊。其导师吉建民教授以联合创始人、首席科学家身份加入，负责技术路线指导。段逸凡则带领工程团队推进ROSS Harness的架构设计与产品落地。公司壁垒不仅体现在CONWAY模型与ROSS Harness的全栈技术，更在于真实工厂中积累的高价值、多模态数据，这些数据覆盖长尾异常与恢复过程，为系统进化提供关键支撑。
