2026年8月31日，在世界人形机器人运动会工业场景赛的装配上料岗中，一台机器人需要连续完成搬运上架、拣选上料和物料装配三项任务，涵盖搬运10公斤物料箱、七类零件拣选以及发动机18个气门的亚毫米级装配。最终，灵犀智涌机器人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，在扣除10分专项扣分后，以总分160分完赛。作为首次参赛的初创公司，它成功闯入全国前三。

对于正在从Demo走向真实产线的具身行业来说，这场比赛的意义远不止分数。相较于其他赛场上歌舞喧嚣，场景赛上的20分钟，浓缩了工业具身智能机器人当下真正需要解决的问题：不仅要在真实场景里「会做」，还要在工业级时间窗口内连续做对；不仅要完成一个动作，还要把多个动作串联成稳定执行的完整任务；更要可交付、可验收的工业生产结果。

这正是灵犀智涌致力于解决的核心问题。这家由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，并没有将核心竞争力仅仅押注在模型上，而是选择了一条不同的技术路线：CONWAY工业原生模型与ROSSHarness自主进化引擎。模型负责思考如何操作，而ROSSHarness则负责将模型真正应用于实际生产，确保任务高质量完成。

工业具身智能，正在进入「第二道考题」

当前工业具身智能的落地问题可以概括为四个层面：成功率不足、吞吐率不够、运行成本高以及迁移困难。工业现场要求接近百分百的良率，无法容忍长尾错误；机器人不是完成一次演示就够了，而是需要接近甚至超过人工节拍；更现实的问题是，三台机器人可能就需要三个工程师维护，这样的商业模型难以成立。这些问题本质上指向同一个断层：模型的能力并不等同于工业系统的交付能力。

一个模型可能拥有强大的零样本能力，但进入真实产线后，仍然需要场景数据、后训练以及大量工程约束。工业任务通常是长程任务，不可能让模型在每一步都自由发挥。当行业还在追问谁的模型更强时，工业现场已经提出了第二个问题：谁能把模型真正用好？

从「模型会不会」到「系统能不能做好」，中间差的是Harness

这个问题不仅存在于具身智能领域。在数字世界中，大模型从会回答问题到真正干活，已经经历了类似的变化。今天的编码智能体并不是简单地将大模型放入代码编辑器，模型之外还有上下文管理、任务规划、工具调用、工作流编排、安全校验、多轮执行和结果验证。

真正让模型成为智能体的，不仅仅是模型本身，而是围绕模型构建的Harness。一个有力的佐证是，同样的基座模型放在不同的编码智能体Harness中，其任务表现可能相差甚远模型决定它会不会，Harness决定它能不能真正把事做好。

灵犀智涌试图将这套逻辑带到物理世界：数字世界智能体由大语言模型和Harness组成，而物理世界具身智能体则由具身模型、具身Harness和硬件共同构成。区别在于，机器人面对的是一个连续、开放、不可完全预测的物理世界。具身Harness不能只是调用工具的软件层，它必须同时理解模型何时应该被调用、长任务如何拆解、多个技能如何组合、模型输出是否安全、任务是否仍在正常推进、出现异常后应该重试还是回退或重新规划，以及一次失败如何沉淀为下次执行可用的经验。

这构成了ROSSHarness的基本逻辑它不是在模型外面再加一层工程代码，而是在模型与机器人之间建立一条能够持续运行的执行闭环。

CONWAY与ROSS：两条能力链的协同

强调Harness并不意味着模型不重要，恰恰相反，如果不理解模型，就很难真正做好Harness。灵犀智涌的路线不是放弃模型，而是同时构建CONWAY工业原生模型与ROSSHarness，并让二者协同演进。

CONWAY解决的是机器人如何形成高质量的局部动作决策。

围绕力触觉增强、快速推理、动作对齐等方向形成了多项自研成果，核心解决机器人如何从看懂进一步走向做好。

ROSSHarness则解决机器人如何让这些动作在真实工业现场被正确组织、可靠执行，并持续形成闭环。它通过模型抽象层统一不同具身模型，将导航、抓取、力控等封装为可复用的技能，由智能体AI完成长任务拆解、技能编排与异常恢复，再叠加分层安全监控保证可靠执行。每一次真实执行中的环境变化、失败案例和人工接管都会沉淀为数据飞轮，驱动技能、策略和模型持续进化。

这意味着模型可以更换，而Harness不必推倒重来。

模型越强，Harness能调用的能力边界越大；而Harness积累的真实工业经验，又可以反过来帮助模型更好地理解工业任务。这才是真正的协同演进。

全国第三背后，是从「能做」到「做得又快又好」

评价机器人是否真正具备工业价值，也不应该只看「成功率」。因为工业生产还有一个同样重要的变量：速度。

灵犀智涌因此提出了一个更接近工业生产的评价思路：有效产出=成功率×吞吐率。

在相关测试中，ROSSHarness对应的量化结果是有效产出提升3.6倍——这正是Harness对模型能力进行系统化放大的量化表达。

这个指标背后的意义在于：机器人不是「做出来一次」就够了，它需要稳定地做、持续地做、在规定时间内做。这也是工业具身智能与传统机器人Demo之间最本质的差别。

为什么是段逸凡和灵犀智涌

这条路线最终落到灵犀智涌，并不是偶然。具身Harness作为复杂的系统性工程，它要求团队同时理解模型、机器人、控制、安全、任务规划以及真实工业现场。

灵犀智涌联合创始人兼CTO段逸凡博士（中科大机器人博士，师从吉建民），主攻具身智能与空间智能，成果发表于RSS、IJRR、TRO等顶会顶刊，其CONWAY模型与ROSSHarness是学术成果向工程系统的核心转化。吉建民教授以联合创始人、首席科学家身份指导前沿技术路线与底层方法论，段逸凡则主导ROSSHarness的架构、工程与产品。公司壁垒为双层复合：技术层，自2018年积累覆盖感知至部署的全栈机器人能力，每个细节经论文与工程验证；数据层，在真实工厂数月积累的多模态交互数据，覆盖长尾异常与恢复过程。

这形成了一种特别的组合：一端是机器人与具身智能的长期学术积累，另一端是把算法真正落地为真实场景的工程能力。

而这恰恰对应了工业具身智能目前最难的一步——不是再做一个Demo，而是把Demo背后的能力抽象出来，形成可复用、可迁移、可验证、可持续进化的系统。

赛场是试金石，工厂才是考场

160分，全国第三名是灵犀智涌在世界人形机器人运动会上初次亮相即收获的战绩；面对真正的工业现场，还有更长的运行时间、更多的物料变化、更复杂的异常状况，以及更严格的成本和交付要求。

这正是灵犀智涌选择「模型+Harness」路线的原因。CONWAY继续提升模型的物理智能，ROSS把这些智能变成稳定执行能力，真实任务产生的数据再反过来推动Skill、策略、记忆和模型共同进化。一条完整的闭环由此形成。

赛场是技术的试金石，工厂才是最终的考场。对工业具身智能而言，下一步要证明的已经不是机器人「能不能做」，而是是否真正可交付、可验收、可持续迭代。而这，也正是灵犀智涌希望用CONWAY与ROSSHarness回答的问题。