98年中科大博士段逸凡携灵犀智涌，用“模型+Harness”架构解锁工业具身智能新未来

工业具身智能的规模化应用正面临严峻挑战：实验室环境下表现优异的预训练模型，在真实产线中的部署成功率不足六成，作业效率难以超越人工，叠加高昂的运维成本，导致“机器人进厂”的愿景迟迟难以落地。这一横亘在技术理论与产业实践之间的鸿沟，正被一家新兴科技企业尝试突破。

由中科大机器人方向博士段逸凡创立的灵犀智涌公司，近日宣布推出第一代工业具身智能系统ROSS Harness。该系统以“模型+执行框架”的创新架构，试图解决工业场景中模型适应性差、经验沉淀难、异常恢复弱等核心问题。其技术路线已通过第二届世界人形机器人运动会的工业场景赛事验证，展现出在复杂扰动环境下的任务执行能力。

段逸凡在博士期间专注于具身智能与空间智能研究，其成果曾发表于RSS、IJRR等国际权威期刊。他带领的工程团队与导师吉建民教授共同构建了ROSS Harness与CONWAY工业原生模型的协同演进体系。吉教授作为首席科学家，负责前沿技术指导与底层方法论构建，而段逸凡则主导系统架构设计与工程落地，形成“学术理论+工程实践”的双轮驱动模式。

与传统机器人软件栈不同，ROSS Harness并非简单叠加工程补丁，而是围绕具身模型构建的工业级执行系统。其核心在于将模型概率性的动作生成能力，转化为稳定、可控的物理世界执行能力。系统通过模型抽象、技能抽象、Agentic AI规划、分层安全监控与数据飞轮五大模块，实现从“单次演示”到“持续生产”的跨越。

在模型抽象层面，系统建立统一接口规范，将不同架构的具身模型封装为标准化模块。当基础模型迭代时，仅需局部适配即可接入，避免因模型升级导致全系统代码重构。技能抽象则将工业经验转化为可复用的数字资产——每个技能包含执行策略、安全约束、结果判定与失败处理机制，使相似任务在新场景中无需从零调试。

针对长程任务执行，ROSS Harness引入Agentic AI进行目标拆解与技能编排。系统可根据任务特性动态选择执行策略，既保留大模型的灵活性，又避免其在工业现场“自由发挥”导致的失控风险。例如，在汽车零部件装配任务中，系统可自动规划抓取、对齐、紧固等子任务，并在遇到物料偏移时触发替代技能或重新规划路径。

物理世界的执行涉及多时间尺度决策：毫秒级硬件安全约束、秒级动作轨迹监控与分钟级任务进度判断。ROSS Harness构建了分层监控体系：底层由机器人控制器实时处理碰撞、力矩等紧急事件；中层持续监测轨迹偏差与空间边界；上层则结合预期目标判断任务状态。当异常发生时，系统可自动触发中断、回退或人工接管，将执行失败转化为可恢复的系统状态。

灵犀智涌的技术路线强调“自进化”而非单纯扩大模型参数。系统将每次执行的任务上下文、环境状态、失败案例等结构化数据沉淀为经验库，用于直接更新技能库、优化任务编排与完善恢复策略。这种演化机制使系统无需等待大规模模型训练即可持续改进，例如通过分析人工接管记录自动生成新的安全约束条件。

在工业场景中，有效产出取决于持续成功率、作业节拍与异常恢复能力。ROSS Harness的设计目标正是将模型潜力转化为可量化的生产能力。例如，在3C产品组装测试中，系统通过技能复用将调试时间缩短60%，通过分层监控将异常恢复效率提升4倍，同时通过经验沉淀使部署成本降低35%。

灵犀智涌选择“模型驱动但不依赖单一路线”的技术策略。团队持续跟踪VLA、WAM等前沿模型进展，但将产品体系构建在可扩展的架构之上。这种设计使系统既能利用最新模型能力，又避免因技术路线选择失误导致整体失效。在即将举行的世界人形机器人运动会上，ROSS Harness将在连续生产任务中进一步验证其工业级适应性。