当前，工业具身智能的规模化落地正卡在关键瓶颈：预训练模型在真实产线的部署成功率普遍不足60%，吞吐率不及人工，叠加居高不下的运维成本，让“机器人进厂干活”迟迟无法大规模兑现。
这一横亘在实验室与工厂之间的“最后一公里”，正在被一家年轻的创业公司打破。
近日，中科大机器人博士段逸凡宣布在上海创立具身智能公司灵犀智涌，定位于工业级自进化具身智能机器人企业。公司搭建了ROSS Harness与CONWAY工业原生模型协同演进的技术体系，推出第一代工业具身Harness系统ROSS ，以“模型+Harness”架构攻克工业具身智能落地的工程难题，该系统已经亮相第二届世界人形机器人运动会。
98年出生的段逸凡是中科大机器人方向博士，读博期间聚焦具身智能，空间智能等方向，相关研究成果先后发表于RSS、IJRR、ICRA、IROS等国际顶刊顶会，而ROSS Harness正是其学术成果工程化落地的核心产物。
段逸凡博士师从中科大机器人权威专家吉建民教授，此次创立灵犀智涌，段逸凡博士邀请吉建民教授以联合创始人、首席科学家身份加入，与其一同执掌灵犀智涌整体技术路线，形成“学术指导+工程攻坚”的双引擎结构。
“吉教授是我们整个技术体系建设的定星盘，负责前沿技术指导、长期技术路线把控和底层方法论输入。我负责带领灵犀智涌工程团队，主攻ROSS Harness的架构设计、工程实现与产品定义。我们将一同把实验室的前沿算法打磨成产线稳定可用的系统架构。”段逸凡博士表示。
ROSS Harness落地，从“能演示”到“能生产”的关键跨越
段逸凡博士带领灵犀智涌工程团队打造的第一代具身Harness 系统 ROSS，以控制论奠基人 W. Ross Ashby 命名。与传统机器人软件栈不同，ROSS并不是在模型之外简单增加一层“工程补丁”，而是一套围绕具身模型构建的工业级执行系统，将模型概率性的动作生成能力转化为稳定、可控、可复用的物理世界执行能力。
在灵犀智涌看来，工业具身智能真正需要解决的问题，并不是“模型能不能完成一次任务”，而是当光照、物料、工位状态甚至硬件条件发生变化时，机器人能否持续完成任务，并在出现异常后自主发现、恢复和迭代。因此，ROSS Harness围绕工业闭环构建了模型抽象、技能抽象、Agentic AI规划、分层安全监控、数据飞轮五项核心能力。
其中，模型抽象层负责建立统一的模型输入输出规范，将不同VLA、World Action Model等具身模型封装在统一接口之后。随着基础模型快速迭代，新的模型可以通过局部适配接入，而上层任务规划、Skill编排、工作流、安全策略以及经典机器人控制模块尽可能保持复用，避免每升级一次模型就重新改造整套工业场景代码。
技能抽象则进一步解决工业经验难以沉淀和复用的问题。技能是围绕具体任务目标，将多个工具、模型能力和工程策略组织起来的可复用任务单元。一个技能不仅定义“如何执行”，还包含适用条件、安全约束、执行策略、结果判定以及失败处理。过去大量散落在代码、参数和工程师个人经验中的现场Know-how，由此可以逐步沉淀为标准化、可评估、可迁移的数字能力资产，使相似任务进入新应用场景时不再需要从零开始调试。
在长程任务执行中，灵犀智涌ROSS Harness 引入Agentic AI完成目标理解、任务拆解、技能编排和异常恢复。系统可以根据不同工业任务的特点，支持多种任务编排与执行策略。这样既保留了大模型面对复杂场景时的灵活性，又避免让模型在工业现场的每一个执行步骤中“自由发挥”。
真正进入物理世界之后，仅靠高层规划仍然不够。
机器人执行同时存在多个不同的时间尺度：底层需要在毫秒级处理碰撞、力矩、急停等硬件安全约束，中层需要持续监督动作轨迹、速度和空间边界，上层则需要判断任务是否正在偏离预期，并决定继续执行、重新规划还是触发异常恢复。语言模型擅长理解目标和进行“慢思考”，而实时控制、安全兜底等能力必须运行在更高频率上，灵犀智涌 ROSS Harness 因此将不同层级的决策放在各自最适合的时间尺度内完成。
为此，灵犀智涌在ROSS Harness 中建立了从底层硬安全到任务级判断的分层监控与容错体系。对于底层实时安全，由机器人控制器和硬件安全机制进行高频兜底；在动作执行过程中，系统持续监测轨迹、速度、空间边界以及机器人状态；在任务层，则结合当前执行结果与预期目标判断任务是否正常推进。当出现异常时，系统可根据问题类型触发中断、重试、回退、替代Skill、重新规划或人工接管，将一次性的“执行失败”转化为可识别、可处理、可恢复的系统状态。
定位工业级自进化具身智能在真实工业任务中演化
灵犀智涌定位于工业级自进化具身智能机器人企业，段逸凡博士与吉建民教授一同搭建了ROSS Harness 与 CONWAY 工业原生模型协同演进的技术体系，并最终通过标准化机器人硬件将能力部署到真实工业现场。
因此，灵犀智涌ROSS Harness的另一项关键能力，是让每一次真实执行都成为下一次进化的基础。系统会将任务上下文、环境状态、动作过程、失败案例、人工接管、异常恢复路径以及最终结果进行结构化沉淀。与单纯“收集数据重新训练模型”不同，这些现场经验还可以直接用于更新Skill、优化任务编排、完善失败恢复策略和长期记忆，使系统能够在不等待下一次大规模模型训练的情况下持续改善执行能力。
因此，灵犀智涌所定义的“自进化”，并不等同于不断扩大模型参数或简单积累更多数据小时数，而是让模型、Skill、Tool、任务调度和记忆体系在真实任务中共同演化。工业数据真正有价值的部分，也不仅是成功执行的视频，而是其中包含的任务上下文、失败模式、人工接管、物料变化、工位约束以及真实执行反馈。过去大量只能存在于现场工程师脑中的经验，可以由此逐步转化为机器可调用、可评估和可复用的数字资产。
相比一次Demo 能否成功，灵犀智涌更关注机器人在真实工业环境中的持续成功率、作业节拍、异常恢复能力以及部署运维成本，并最终将这些指标统一到工业“有效产出”上。
灵犀智涌ROSS Harness 希望解决的，正是如何将模型“有能力完成任务”的潜力，转化为机器人长期、稳定、可恢复的生产能力，推动具身智能跨越从实验室 Demo 到工业级产品之间的关键鸿沟，逐步建立真正可交付、可验收、可持续迭代的产品闭环。
强调Harness并不意味着模型不重要。相反，只有充分理解VLA、WAM等具身模型的结构、能力边界和失效模式，才能判断哪些问题应该由模型解决，哪些应该交给经典控制、安全系统和Harness完成。因此，灵犀智涌选择“做模型，但不押注单一模型路线”：既保持对基础模型前沿的持续研究，也避免将整个产品体系绑定在某一种尚未收敛的技术架构之上。
在即将开幕的第二届世界人形机器人运动会上，段逸凡博士及其团队也将携ROSS Harness参与工业场景赛事，在连续、复杂且存在真实扰动的环境中进一步验证系统的任务执行与异常恢复能力。
