部署成功率阈值对比
瓶颈警示
实验室演示与真实产线之间存在一道"工程断裂带"
成功率红区
缺口灰 未兑现能力
临界标尺
◦
断裂标记
公司定位与团队：学术工程双引擎
中科大博士创立，师从吉建民教授，学术深度与工程攻坚并重
学术引擎
吉建民
联合创始人兼首席科学家 · 中科大教授
负责前沿技术指导、长期技术路线把控和底层方法论输入，是技术体系建设的"定星盘"。
工程引擎
段逸凡
创始人兼CEO · 中科大机器人方向博士（98年）
主攻ROSS Harness的架构设计、工程实现与产品定义，带领团队攻坚工业级执行系统。
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。
—— 段逸凡，灵犀智涌创始人兼CEO，中科大机器人方向博士
核心技术：ROSS Harness —— 从"能演示"到"能生产"
以控制论奠基人W. Ross Ashby命名的工业级具身执行系统，五项核心能力重构工程闭环
⊗ 传统方式
模型外简单增加工程补丁，每次模型升级需重新改造工业场景代码，碎片化严重，异常恢复依赖人工。
- 模型升级 → 全量改造工业代码
- 异常场景依赖现场工程师
- 知识沉淀为零散文档
- 部署成功率 < 60%
⊚ ROSS Harness
模型抽象层统一接口，技能抽象层沉淀可复用任务单元，分层安全监控覆盖毫秒级到任务级。
- 模型抽象层 · 局部适配接口
- 技能抽象层 · 可复用任务单元
- Agentic AI规划 · 自主编排
- 分层安全监控 · 毫秒至任务级
- 数据飞轮 · 持续自进化
五项核心能力
模型抽象
技能抽象
Agentic AI规划
分层安全监控
数据飞轮
自进化能力：真实工业任务中持续演化
数据飞轮将每次执行的结构化经验沉淀为可复用数字资产，模型、Skill、任务调度共同演化
真实执行
→
结构化数据
→
失败模式
→
人工接管
→
Skill更新
→
优化编排
有价值数据维度
6项
任务上下文、失败模式、人工接管、物料变化、工位约束、真实执行反馈
核心价值
经验 → 资产
过去只存在于现场工程师脑中的经验转化为机器可调用的数字资产
传统思路
收集更多数据重新训练模型，依赖大规模训练周期，迭代慢、成本高。
灵犀智涌自进化
现场经验直接更新Skill、优化任务编排和失败恢复策略，实时改善执行能力，无需等待大规模训练。
产品策略与展望：不押注单一模型，聚焦工业有效产出
做模型但不押注单一路线，保持对VLA、WAM等前沿研究的同时，避免绑定未收敛技术架构
持续成功率 —— 核心指标，直接衡量产线稳定性
KPI #1
作业节拍 —— 匹配工业节拍，不拖累产线效率
关键
异常恢复能力 —— 自主发现、恢复、迭代，减少停机
差异化
部署运维成本 —— 降低机器人进厂门槛
规模化
统一到工业"有效产出" —— 最终衡量标准
终极指标
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。
—— 段逸凡，灵犀智涌创始人