机器人开始「站在光里」：灵初智能切入光模块产线

2026 年，展馆里的变化肉眼可见：本体参数之间的差距在缩小，看客们的问题变了，不再问「能举多重」，开始问「良率多少、节拍多快、多久回本」。

评价机器人的尺子，正在从硬件指标转换成任务成功率和产线稳定性。机器人也随之从「能干活」，向「干好活」转变。

在 2026 WAIC上，一批机器人在工厂「打工」的Demo亮相了。

其中，具身大模型公司灵初智能的机器人，展示了在光模块产线上灵巧操作、流程化「打工」的场景。

同时，在 WAIC 上，灵初智能和光模块龙头企业长飞集团宣布推出光模块检测与包装场景解决方案，让机器人进工厂。

至此，主打灵巧操作的灵初智能，成为首个「站在光里」的机器人公司。

光模块是AI算力浪潮中扩产最快的硬件品类之一，而它的检测与包装环节，恰好卡在「精度要求极高、长期依赖人工操作」的缝隙里。

在灵初智能看来，具备模型训练能力的公司，能从训练效果反推出机器人需要什么样的数据、适合去哪里「打工」；

再结合工业客户的工艺知识，这些高成长场景里的真实数据，才可能把具身智能从 Demo 推向真实世界。

WAIC 上，一家「站在光里」的具身智能公司

2026 WAIC 上，机器人竞争的评价维度在扩展：从本体参数，延伸到模型泛化能力、任务成功率、数据效率和部署成本。

具身大模型能否贴近现实场景落地，成为展馆里被问得最多的问题。

在今年的WAIC现场，灵初智能带着 5 个 Demo，大致可以分成两类：

一类是通用能力验证，有手机盒装配、世界模型转换人类数据与机器人数据；

另一类是工业场景流程展示，有光模块插拔检测、光模块真空封装、光模块装盒。

在手机盒装配演示环节，考验的是具身大模型的通用能力。

三个物品被随机打乱摆放，机器人识别、排序、装配，按正确顺序完成组合。这类长程任务的规划与泛化能力，是机器人走进复杂真实场景的基础。

在互动区扎堆的展会观众，他们穿戴着灵初智能的数采设备，随机摆出挥手、拿握等各种手部动作，与此同时，旁边灵初智能的Psi-W0世界模型快速理解并模仿输出了这些动作。

这套在真实作业环境中「即穿即采」的流程，借助世界模型实现从人类数据到机器人训练数据的「即时转换」，能够服务于具身大模型训练。

目前，灵初智能在模型端构建了基于两个模型的组合模型框架：

• Psi-R2 策略模型专注学习任务的完成，提升灵巧操作能力，并且只投喂高质量的成功操作轨迹，负责长程任务规划与动作策略生成。

• Psi-W0 世界模型负责理解物理规律，用失败样本和边缘案例当作「错题本」，判断动作合理性，同时完成从人类数据到机器人训练数据的转换。

一个只学「怎么做对」，一个专记「哪里会错」。成功轨迹和失败样本被分开喂给两个模型，这是灵初智能框架设计里最值得注意的一处分工。

后三项 Demo 指向同一条产线。灵初智能选择光模块这一精细化高端制造场景切入，演示分三步、连贯完成：

第一步，光模块插拔检测（Optical Module Insertion & Inspection）。

光模块体积微小、引脚脆弱。因此，当光模块其他生产环节早已实现高度自动化之后，最后出厂时的插拔检测，却仍然依赖人工操作。

灵初自研的具身大模型 Psi-R2，以「亚毫米级」定位精度与「亚牛顿级」精密力控，可以精准识别模块形态与位姿，自主规划安全抓取与插拔路径。

1牛顿约等于拿起一个苹果的力，「亚牛顿级」力控，意味着能感知到比拿起苹果更细微的阻力变化。插拔的每一下，力道都收在损伤阈值之下，保护引脚触点。

「灵巧操作」，正是灵初智能机器人最拿手的能力。

今年4月发布之初，Psi-R2 曾在美国 MOMO space 灵巧操作榜单上登顶，排在 PI、DreamZero 等公司之前。榜单成绩是能力的注脚，而产线才是真正的考场，这也是它来到光模块工厂的原因。

第二步，光模块抽真空（Optical Module Vacuum Sealing）。

光模块插拔检测完成后，衔接的操作是防护塑封。机器人需要将光模块装入防静电袋进行真空封口处理。

每一次拿出和放下，力度都控制在不损伤精密器件的范围内。

第三步，光模块装盒（Optical Module Boxing）。

完成检测与塑封后，机器人将光模块完成装盒作业。机器作业的位置偏差恒定，不受疲劳和情绪影响，这是它相对人工的确定性优势。

「检测—真空塑封—装盒」这套光模块产线的流程化作业，完整呈现了灵初智能机器人亚毫米级定位精度、长程任务规划、力控水平与多机协同并行能力。

曾经，高泛化性、高灵巧性、高成功率，被视为具身行业的「不可达三角」难题。

五项 Demo，是灵初智能在数据、模型和任务执行能力交出的一份阶段性答卷，也提供了自己的破解之道。

当机器人选择「站在光里」，目标不是表演一场引人注意的秀，而是为了帮助工厂作业稳定性与产品良率。

这一阶段，工厂开始需要能干「细活」的机器人。

「站在光里」的机器人，拿到了最适配的场景数据

具身大模型和语言大模型的差别，不在参数量，而在数据：前者的能力上限，取决于真实、高质量的场景操作数据。这类数据无法从互联网上爬取，只能从产线上长出来。

灵初智能的落地场景，选中了光模块。这个选择的逻辑不是赛道热度，而是五个工艺特征的叠加：器件单价高、操作高度重复、容错率低、精度要求苛刻、人工环节存在明确瓶颈。

五点凑齐，机器人替代才有算账的基础。

2026 世界人工智能大会期间，灵初智能与长飞集团联合发布光模块检测与包装场景解决方案。

这是具身智能技术首次在光模块高端制造领域实现多流程落地。目前，灵初智能机器人已经在光模块工厂产线上「打工」。

AI 基础设施建设处于早期爆发阶段，从海外云计算厂商到国内互联网公司，正在持续增加AI算力投资，而光模块是AI数据中心的核心基础部件。

对于灵初智能来说，光模块既对操作精度有极致要求，又具备持续扩产需求的真实物理场景，能够支撑机器人从 Demo 走向规模化。

市场的体量足够撑起这个判断：随着 800G 及更高速率光模块进入放量周期，头部光模块厂商的产能扩张计划一再上调，检测与包装环节的用工需求随之水涨船高。

在光模块产线庞大的市场和急迫的扩产需求下，传统人工作业却面临着效率提升受限、产品质量波动的困境。

高规格的 800G 光模块价格高昂，一次人工手抖、静电、端面污染、真空封口过度挤压，可能造成返工、性能衰减，严重时直接报废。在高单价器件上，每一次失误都直接计入成本。

灵初智能的光模块检测与包装场景解决方案，经初步测算，直接将生产损耗率降低了约 10%。在单价几百数千元的模块产线上，损耗率每降一个点，都会直接体现在利润表上。

灵初智能机器人采用了全维度安全设计，相比人工产线，机器人作业精度恒定，可实现 7×24 小时连续稳定运行，目标是同时压低用工成本与物料损耗。

更长远来说，单台机器人服役周期可达 3-5 年，长期运行能够摊薄一次性投入，有望降低光模块企业综合运营成本。

通过机器人替代重复性人工工位，光模块的检测与包装环节，将从劳动密集走向自动化与数据化。

在光模块工厂的「打工」沉淀，灵初能够收集到力控、触觉反馈、多模态视觉对准等真实操作数据。

随着光模块工厂未来的扩产，大量数据将源源不断回流到 Psi-R2 具身大模型：先让机器人在这个场景里越干越熟，再向相邻的精细制造任务迁移。

这是灵初智能设想中「数据飞轮」的起转方式：先专，后通。

懂大模型的玩家，才知道该采什么数据

如何让具身智能模型真正实现泛化，走向真实工厂场景完成各类通用任务，最大的瓶颈之一，在于数据。

要让机器人像人一样操作，会拆解长程任务、能手眼协同、出错了能纠正，那么训练数据就必须完整覆盖这三类行为，并保证时序同步、标注准确、失败样本充分。

行业五种主流数据采集思路：遥操作、仿真合成、人类操作视频、UMI 和 Human-centric

以灵初智能为代表，率先提出并实践「以人类数据（Human-centric）为核心驱动具身大模型预训练」的范式。

灵初智能内部做过对照试验，据悉，在同等时长下，人类原生数据在精细操作、长程任务理解上，全面优于遥操数据。同时，相较传统真机遥操作采集方案，成本压缩至十分之一。

从 2025 年年中开始，越来越多模型公司加大了对人类真实数据的投入。这条曾经的少数派路线，正在获得更多同行者。

在灵初智能的采集方案里，整个手的 3D 的位置的精确度，在具身操作时远远大于触觉的重要性，灵初智能重视手眼配合的多模态高质量数据。

具体来说，灵初智能自研的外骨骼数据手套，能够采集原生人类操作数据，并将3D 关节角、视觉、触觉、语言标注等核心维度数据完整记录，形成「亚毫米精度」准入标准。

相比 RGB 单视频训练，多模态数据的信息密度更高，尤其是力觉与触觉。这恰恰是精细操作最依赖、也最难从视频里学到的部分。

在 WAIC 上进行光模块作业的具身大模型 Psi-R2，是基于灵初智能前后5个月在三个数据采集场里头，用几百套的手套采集，获得的 10 万小时多模态数据训练而成。

在手部多模态领域，这是目前全行业公开可见的规模最大的数据集之一。

目前，灵初智能计划 2026 年第三到第四季度达到 100 万小时人类原生数据量级。

不仅如此，灵初智能选择主动开源首批 1000 小时高质量人类手部全模态操作数据。

从 10 万到 100 万，是一个数量级的跨越，采集设备、质检流程都要同步放大，这是灵初智能接下来最重的一场硬仗。

开源的意图很清楚：让自己的数据格式先跑起来、被更多开发者用起来。整个生态用得越多，它离「人类数据标准制定者」的位置就越近。

人类数据定义权，最终要服务于具身大模型。作为一家具身大模型公司，灵初智能的数据采集是其大模型技术路线的一部分。

这让灵初智能明显区别于那些「卖数据」的具身公司。只有那些有大脑能力的、真正在训模型的公司，才能够定义到底需要什么样的数据，以及如何利用数据资源。

以训练具身大模型为指引，灵初智能形成了一套从数据采集到数据利用的「护城河」。

从采集硬件的源头切入，灵初智能自研的整机 ψ--SynRobot 将数据采集能力嵌入产品架构核心。

这套深度软硬耦合的机器人，在每完成一次任务操作，都会同步一份训练数据。目前，灵初智能机器人规模化采集渠道已经布局在制造、物流产业客户现场。

更进一步，灵初智能提出了具身「原生人类数据」概念，即预训练阶段以真实人类操作数据为主，真机数据用于后训练与部署适配，互联网视频等数据作为补充。

在灵初智能的判断里，这是训练出高能力具身大模型的必经之路：模型能力不再靠数据堆砌，而是从预训练源头就建立在人类操作的真实分布之上。

这套数据采集模式（高质量、低成本、可规模化、多模态人类交互数据供给），支撑规模化的数据训练具身大模型能力。同时，搭建起从数据采集、质检、训练、真机部署到数据回流的一套体系化的闭环。

灵初智能从具身大模型、硬件本体到数据，形成了一套长期主义的策略，其核心在于以数据为底层，以灵巧操作的大模型能力为突破目标。

当机器人「站在光里」，与增长最确定的产业绑在一起，从 Demo 到规模化落地的那条路，被踩实了第一段。

接下来要看的，是产线上的成功率、节拍和回收期。这三个数字，才是这个故事的下一章。