98年中科大博士段逸凡創立靈犀智湧 以“模型+Harness”架構打破工業具身“唯模型困局”

當前，工業具身智能的規模化落地正卡在關鍵瓶頸：預訓練模型在真實產線的部署成功率普遍不足60%，吞吐率不及人工，疊加居高不下的運維成本，讓“機器人進廠幹活”遲遲無法大規模兌現。這一橫亙在實驗室與工廠之間的“最後一公里”，正在被一家年輕的創業公司打破。近日，中科大機器人博士段逸凡宣佈在上海創立具身智能公司靈犀智湧，定位於工業級自進化具身智能機器人企業。公司搭建了ROSS Harness與CONWAY工業原生模型協同演進的技術體系，推出第一代工業具身Harness系統ROSS ，以“模型+Harness”架構攻克工業具身智能落地的工程難題，該系統已經亮相第二屆世界人形機器人運動會。

98年出生的段逸凡是中科大機器人方向博士，讀博期間聚焦具身智能，空間智能等方向，相關研究成果先後發表於RSS、IJRR、ICRA、IROS等國際頂刊頂會，而ROSS Harness正是其學術成果工程化落地的核心產物。段逸凡博士師從中科大機器人權威專家吉建民教授，此次創立靈犀智湧，段逸凡博士邀請吉建民教授以聯合創始人、首席科學家身份加入，與其一同執掌靈犀智湧整體技術路線，形成“學術指導+工程攻堅”的雙引擎結構。“吉教授是我們整個技術體系建設的定星盤，負責前沿技術指導、長期技術路線把控和底層方法論輸入。我負責帶領靈犀智湧工程團隊，主攻ROSS Harness的架構設計、工程實現與產品定義。

我們將一同把實驗室的前沿算法打磨成產線穩定可用的系統架構。”段逸凡博士向表示。ROSS Harness落地，從“能演示”到“能生產”的關鍵跨越段逸凡博士帶領靈犀智湧工程團隊打造的第一代具身 Harness 系統 ROSS，以控制論奠基人 W.Ross Ashby 命名。與傳統機器人軟件棧不同，ROSS並不是在模型之外簡單增加一層“工程補丁”，而是一套圍繞具身模型構建的工業級執行系統，將模型概率性的動作生成能力轉化為穩定、可控、可複用的物理世界執行能力。

在靈犀智湧看來，工業具身智能真正需要解決的問題，並不是“模型能不能完成一次任務”，而是當光照、物料、工位狀態甚至硬件條件發生變化時，機器人能否持續完成任務，並在出現異常後自主發現、恢復和迭代。因此，ROSS Harness圍繞工業閉環構建了模型抽象、技能抽象、Agentic AI規劃、分層安全監控、數據飛輪五項核心能力。其中，模型抽象層負責建立統一的模型輸入輸出規範，將不同VLA、World Action Model等具身模型封裝在統一接口之後。

隨著基礎模型快速迭代，新的模型可以通過局部適配接入，而上層任務規劃、Skill編排、工作流、安全策略以及經典機器人控制模塊儘可能保持複用，避免每升級一次模型就重新改造整套工業場景代碼。技能抽象則進一步解決工業經驗難以沉澱和複用的問題。技能是圍繞具體任務目標，將多個工具、模型能力和工程策略組織起來的可複用任務單元。一個技能不僅定義“如何執行”，還包含適用條件、安全約束、執行策略、結果判定以及失敗處理。過去大量散落在代碼、參數和工程師個人經驗中的現場Know-how，由此可以逐步沉澱為標準化、可評估、可遷移的數字能力資產，使相似任務進入新應用場景時不再需要從零開始調試。

在長程任務執行中，靈犀智湧 ROSS Harness 引入Agentic AI完成目標理解、任務拆解、技能編排和異常恢復。系統可以根據不同工業任務的特點，支持多種任務編排與執行策略。這樣既保留了大模型面對複雜場景時的靈活性，又避免讓模型在工業現場的每一個執行步驟中“自由發揮”。真正進入物理世界之後，僅靠高層規劃仍然不夠。機器人執行同時存在多個不同的時間尺度：底層需要在毫秒級處理碰撞、力矩、急停等硬件安全約束，中層需要持續監督動作軌跡、速度和空間邊界，上層則需要判斷任務是否正在偏離預期，並決定繼續執行、重新規劃還是觸發異常恢復。

語言模型擅長理解目標和進行“慢思考”，而實時控制、安全兜底等能力必須運行在更高頻率上，靈犀智湧 ROSS Harness 因此將不同層級的決策放在各自最適合的時間尺度內完成。為此，靈犀智湧在ROSS Harness 中建立了從底層硬安全到任務級判斷的分層監控與容錯體系。對於底層實時安全，由機器人控制器和硬件安全機制進行高頻兜底；在動作執行過程中，系統持續監測軌跡、速度、空間邊界以及機器人狀態；在任務層，則結合當前執行結果與預期目標判斷任務是否正常推進。

當出現異常時，系統可根據問題類型觸發中斷、重試、回退、替代Skill、重新規劃或人工接管，將一次性的“執行失敗”轉化為可識別、可處理、可恢復的系統狀態。定位工業級自進化具身智能 在真實工業任務中演化靈犀智湧定位於工業級自進化具身智能機器人企業，段逸凡博士與吉建民教授一同搭建了 ROSS Harness 與 CONWAY 工業原生模型協同演進的技術體系，並最終通過標準化機器人硬件將能力部署到真實工業現場。因此，靈犀智湧 ROSS Harness的另一項關鍵能力，是讓每一次真實執行都成為下一次進化的基礎。

系統會將任務上下文、環境狀態、動作過程、失敗案例、人工接管、異常恢復路徑以及最終結果進行結構化沉澱。與單純“收集數據重新訓練模型”不同，這些現場經驗還可以直接用於更新Skill、優化任務編排、完善失敗恢復策略和長期記憶，使系統能夠在不等待下一次大規模模型訓練的情況下持續改善執行能力。因此，靈犀智湧所定義的“自進化”，並不等同於不斷擴大模型參數或簡單積累更多數據小時數，而是讓模型、Skill、Tool、任務調度和記憶體系在真實任務中共同演化。工業數據真正有價值的部分，也不僅是成功執行的視頻，而是其中包含的任務上下文、失敗模式、人工接管、物料變化、工位約束以及真實執行反饋。

過去大量只能存在於現場工程師腦中的經驗，可以由此逐步轉化為機器可調用、可評估和可複用的數字資產。相比一次 Demo 能否成功，靈犀智湧更關注機器人在真實工業環境中的持續成功率、作業節拍、異常恢復能力以及部署運維成本，並最終將這些指標統一到工業“有效產出”上。瞭解到，靈犀智湧 ROSS Harness 希望解決的，正是如何將模型“有能力完成任務”的潛力，轉化為機器人長期、穩定、可恢復的生產能力，推動具身智能跨越從實驗室 Demo 到工業級產品之間的關鍵鴻溝，逐步建立真正可交付、可驗收、可持續迭代的產品閉環。強調Harness並不意味著模型不重要。

相反，只有充分理解VLA、WAM等具身模型的結構、能力邊界和失效模式，才能判斷哪些問題應該由模型解決，哪些應該交給經典控制、安全系統和Harness完成。因此，靈犀智湧選擇“做模型，但不押注單一模型路線”：既保持對基礎模型前沿的持續研究，也避免將整個產品體系綁定在某一種尚未收斂的技術架構之上。在即將開幕的第二屆世界人形機器人運動會上，段逸凡博士及其團隊也將攜ROSS Harness參與工業場景賽事，在連續、複雜且存在真實擾動的環境中進一步驗證系統的任務執行與異常恢復能力。