2026年过半，具身智能赛道的热情有增无减，但风向正在悄然转变。
过去一年，行业主要围绕机器人“大脑”的算力、参数和算法展开“军备竞赛”。谁拥有更大的模型规模、更丰富的训练数据、更强的泛化能力，谁就更有可能率先叩开工厂、家庭与服务场景的大门。
然而，在这些讨论中，一个最朴素的问题却被有意无意地绕开了。机器人“会思考”的能力正在快速提升，但“会干活”的能力却依然没有同步突破。
为什么机器人能够完成复杂推理，却仍然抓不稳一只透明玻璃杯？为什么它能够识别桌上的物体，却依然难以精准完成插接线缆、旋拧螺丝、拿取柔性物品等精细操作？为什么实验室里行云流水的演示，一旦真正进入复杂开放环境后，成功率却大打折扣？
这些问题背后，并非只是大模型不够聪明，而是缺少一双能真正“看懂”物理世界的眼睛。
01.
两条路线，同一个困局
长期以来，机器人视觉感知的技术路线围绕“纯视觉”和“多传感器融合”两条主线展开。
多传感器融合路线，正是当前具身智能厂商的主流选择。该方案通过组合多种传感器（如RGB相机、深度相机、激光雷达等），实现信息互补，以此增强感知的鲁棒性和精度。
这是一种典型的“打补丁”式工程思维，既然没有一种传感器能完美解决所有问题，那就把各种传感器都装上去，取长补短，寄希望于后端算法能将它们的数据“融合”起来，搭建起三维空间。
然而，恰恰是这种看似完美的互补架构，埋下了更深层的隐患。多源数据带来的时间同步、空间标定、异构融合以及算力开销，反而成为具身智能走向规模化落地的一道新瓶颈。
纯视觉方案，以特斯拉为代表，主要依赖多个2D RGB摄像头，通过AI算法重建3D环境。
这条从自动驾驶延伸而来的路线，有一个天然缺陷：摄像头捕获的永远是缺乏深度信息的二维平面投影。分辨物体远近、判断空间关系，全靠算法对纹理、光影等信息的“猜测”。一旦遇上白墙、透明玻璃、强光直射等纹理稀疏或信息过曝的场景，算法赖以计算的像素特征瞬间消失，系统的判断便随之陷入混乱。
一言以蔽之，纯视觉是“算”出来的三维，融合方案是“拼”出来的三维。两者的共同困境在于“先成像、后计算”。信息在传输和处理过程中不断丢失，机器人拿到的永远是“二手数据”，而不是物理世界即时、真实、统一的“本征”信息。
人类视觉之所以高效可靠，恰恰因为在光线射入视网膜的那一刻，三维理解就已经物理性地完成。
正是在这样的行业背景下，一批试图重新定义机器人视觉底层架构的技术路线开始受到关注。
带着这些思考，机器人大讲堂独家采访了杭州时空张量机器人科技有限公司，他们没有选择在既有路线上修补，而是从最底层的物理光学原理出发，给出了新的答案。
02.
第三条路：先计算，后成像
时空张量选择了一条“进窄门，走远路”的颠覆性路线。其核心理念极为简洁，却极具革命性：用“一条光路、一个物理信号、一个传感器”，实现“感知大一统”。
基于自主研发的“空间计算智能成像”技术，公司推出了全球首批7D空间智能视觉传感器“天眼”。这里的“7D”，不只是空间三维坐标和时间维度的运动信息，更融合了反映物体物理特性的语义信息。
通俗地讲，“天眼”的核心逻辑与传统方案截然相反—— “先计算、后成像”，更贴近人眼的运作原理。在光信号进入传感器的瞬间，系统先行完成对物理空间占用的计算，再根据物体属性进行针对性成像。这使得它能够实时同步输出深度图、超稠密点云图、全景图三种高质量图像，且这些数据天然时空对齐、毫秒级无延迟。
这一路线的实现，攻克了诸多工程难题。时空张量的底气源于三大驱动力的共同作用：其一，团队在高精密光电测量与人工智能技术领域拥有深厚积淀；其二，依托中国科学院西安光学精密机械研究所和中国物理工程研究院顶尖光学平台，构建了底层技术优势；其三，团队对行业现存视觉方案具备深刻洞察。
当然，技术的独特性，最终还要落实到具体的性能参数上，时空张量主动分享了“天眼”的核心指标，技术路线差异和性能优势由此一目了然。
同一视角下 时空张量空间智能相机与行业通用相机的成像差别：在烈日强光直射的光照环境下，空间智能相机有效过滤环境光干扰，实现了对透明物体轮廓及空间位置的完整、高保真还原。
距离感知精度，是衡量传感器空间还原能力的基准指标。“天眼”实现了<1%的相对测距精度。作为参照，目前行业主流深度相机的精度通常在<2%，而6D激光雷达与多传感器融合方案则普遍止步于厘米级。更值得一提的是，“天眼”解决了精度随距离衰减的技术难题。传统深度相机受限于视差匹配原理，一旦距离拉远，误差便会急剧放大；而“天眼”在30米内的感知范围内仍能保持误差稳定，做到“远近皆准”。
三维成像帧频，决定了传感器对动态场景的捕捉能力。目前行业主流深度相机的三维帧频普遍为10Hz，激光雷达与多传感器融合方案多在10-20Hz之间。这意味着，机器人每两次空间信息刷新之间，存在着最长100毫秒的感知盲区，可能导致机器人在快速装配或动态避障中丢失关键中间状态。“天眼”将三维成像帧频提升至25Hz，将感知延迟压缩近一半，为高速、高精度的实时运动控制提供了此前不具备的时间裕度。
时空张量微型空间智能相机
点云稠密度，则直接决定了传感器对物体轮廓的刻画精细度。以可量化的每秒点云数来看，主流深度相机方案的点云输出约在1000万点/秒上下。“天眼”以3072万点/秒的输出密度，实现了真正意义上的图像级超稠密点云。这意味着，对于一个巴掌大小、结构复杂的异形工件，“天眼”可以用数百个精确的三维点来刻画其完整轮廓，而传统方案可能只有寥寥几十个采样点。两者为后端算法提供的空间信息量，存在数量级的差距。
透明/高反光物体重建，是公认的机器人“翻车”重灾区。在机器人行业，之前就发生过特斯拉、波士顿等机器人抓取透明物体失败直接翻车的局面。传统深度相机和激光雷达依赖表面反射或纹理匹配，面对透明玻璃、高反光金属件时，信号要么穿透而过，要么镜面反射，重建结果往往布满空洞。“天眼”凭借“先计算后成像”的物理原理，直接对空间光场的占用率进行测量，不依赖表面反射特性，因此能够实现对此类物体的无空洞完整重建。这一能力的价值不言而喻。
空间语义重建，体现的是传感器从“看见”到“看懂”的跨越。传统方案需要将采集到的原始数据交由后端算法处理，才能生成可被机器人理解的空间语义信息，整个过程为准实时级别。“天眼”在硬件层即完成空间语义的实时重建，让机器人在感知的第一时间就获得带有语义标签的三维空间信息，为后续的规划与决策节省了宝贵的时间窗口。
从这些指标的量化对比中不难发现，“天眼”带来的不只是某一两个参数的局部改良。其从原理层面摆脱了原有技术路径的约束，为行业长久以来的核心痛点提供了全新的解法。
从某种意义上讲，时空张量的技术路线，带来的是具身智能感知架构的一次代际跨越。“天眼”所感知的数据天然具备连贯、完整、统一的时空属性，无需繁琐的标定、对齐与融合算法，为行业提供了通往物理AI世界的基础设施。
03.
四大维度，重新定义具身感知
具体而言，这一代际跨越体现在四个关键维度。
其一，从“异构拼接”到“原生统一”。当前主流具身智能方案中，机器人需搭载深度相机用于近距感知、激光雷达用于中远距测距、RGB相机用于语义识别，三类设备数据频率不同、坐标系不同、时间戳不同，系统需消耗大量后端算力进行融合对齐。
“天眼”用单一传感器、单一光路同步输出超高清全景图、精准深度图和7D超稠密点云图，数据在硬件底层即完成时空天然对齐，是解决整个系统复杂度和可靠性的命门。
一机三像，所见即所得。时空张量空间智能相机，同步呈现RGB色彩、深度图与超稠密彩色点云图。
其二，从“厘米级”到“毫米级”的精度跃迁。为什么毫米级精度如此重要？因为机器人的导航避障或许厘米级精度足矣，但一旦涉及手部精细操作（如抓取、装配、拧螺丝等），目标的姿态判断、轨迹规划、力控策略无一不需要亚厘米甚至毫米级的空间数据支撑。
“天眼”以毫米级空间定位精度、每秒超3000万点的真图像级稠密点云，为机器人的“手眼协同”提供了高精度的精密数据底座。时空张量团队将其概括为“最后一毫米”，这不只是距离的刻度，更是具身智能从“大致能做”到“真正可靠”之间那道难以逾越的精度门槛。
其三，环境适应性的全面升维。大量实际测试已验证，“天眼”面对传统方案反复“翻车”的边缘场景（如透明玻璃杯、纯白墙面、强反光金属件、黑色低反射工件、微光暗环境）时，均能稳定输出清晰有效的空间数据。
这一结果，实际上是其“先计算后成像”的原理使然。它不依赖纹理猜测深度，不依赖表面反射率触发回波，而是直接对物理光场的空间占用率进行测量。这一能力让机器人在非结构化、不可控的真实环境中稳定作业，成为可能。
其四，感知-数据-认知的闭环效率重构。由于感知数据在源头已是统一、低延时的完整时空信息，机器人的“大脑”无需再将大量算力耗费在数据融合、时间对齐和去畸变上，决策链路得到大幅缩短。
时空张量将这一思路贯彻到底，不仅打造了作为感知入口的“天眼”，还构建了数据采集中枢“天录”与空间理解引擎“天脑”，形成从看见、理解再到数据回流进化的完整闭环。具身智能体由此获得了一套自我迭代、持续进化的感知-认知基础设施。
04.
结语与未来
“天眼”以及其背后的空间计算智能成像技术，提供的不是一次简单的产品迭代，而是一张通往具身智能下半场的入场券。它回答了那个长期被遮蔽的问题：在机器人的“大脑”学会复杂推理之前，它的“眼睛”是否已经真正建立起对物理世界的可靠理解？
当然，时空张量的野望不止于此。在采访的最后，时空张量表示，具身智能不仅是“物理AI时代”的核心入口，更是公司“空间智能一体化”感知技术最具潜力的应用场景之一。
以此为锚点，公司正以“一个技术内核、多个场景适配”为逻辑打造产品矩阵，致力于实现“上天、入地、下海、人形智能体”的全覆盖产品体系。
当具身智能的竞争进入比拼真实数据获取与闭环迭代能力的下半场，时空张量将自己定位为整个行业的感知基础设施建造者。
而“天眼”，正在成为打通机器人之眼的那把钥匙。
