作者丨巴里
编辑丨吴岩
图源丨自变量
4月20日，具身智能赛道一笔近20亿元的融资宣告落地——自变量机器人宣布完成B轮融资，由小米战投与红杉中国联合领投，至此，集齐了字节跳动、阿里巴巴、美团、小米、联想、上汽、58同城等产业龙头的战略投资。
目前，自变量累计融资超40亿，估值超100亿，而能和它在大脑和真机数据抗衡的，只有星海图、千寻、智元和宇树了。
融资消息公布的第二天，这家由85后技术大佬王潜创办的公司，便开了发布会，宣布推出全球首个基于世界统一模型架构（WUM）的具身智能基础模型WALL-B，同时抛出了行业内迄今为止最明确的家庭落地计划：
“35天后（即2026年5月25日），搭载WALL-B的新一代机器人将正式入驻首批真实家庭。”
看起来，目前自变量先把自己战略先聚焦在最难最远的家庭机器人场景。业界公认的是，工厂是机器人最先进入的场景。而家庭是终极考场，也是最远的场景，机器人进入家庭至少还需10年以上的时间，但也是99%的机器人都跨不过去的门槛。然后再进入工业场景。
王潜在现场也戳破了行业的“表演式创新”泡沫：目前全球没有任何一台机器人，能在无遥控、无预编程的情况下，独立完成家庭场景里的综合整理任务。”
自变量的这次落地，是国内具身智能行业第一次把通用家庭服务机器人，从实验室的PPT和Demo，推向了普通用户的真实家庭，进行科普和用户教育，更重要的是数据采集。
虽然投入采集数据成本巨大，可能对于企业而言，用钱拿数据，差异化专注单一最大市场，迅速占领用户心智可能更重要，以及最短时间实现资本价值，才是王道。
推翻VLA主流架构
推自己的智能大脑
面对行业长期的技术瓶颈，自变量给出的解决方案，是彻底推翻了当前行业主流的VLA（视觉-语言-动作）架构，用全新的WUM世界统一模型重构了机器人的“智能大脑”。
自变量机器人创始人兼CEO 王潜
在两位创始人看来，VLA架构的天花板早已显现。
王昊解释：“VLA本质上是视觉、语言、动作三个独立模块的拼接，数据在三个模块里逐级传递，每过一次模块边界，就会发生信息损耗和延迟。视觉模块学到的丰富信息，传到动作模块时，只剩一个模糊的摘要。”
更根本的问题是，它只能模仿训练数据里的轨迹，根本不理解物理世界的规律，它不知道杯子为什么会掉，不知道盘子悬在桌边会摔碎，只是在重复见过的东西。
而最新的WALL-B，其核心的WUM世界统一模型，设计逻辑类比苹果M1芯片的统一内存架构，把视觉、语言、动作、物理预测等所有能力，放在同一个网络中从零开始联合训练，彻底消除模块间的边界和数据搬运损耗，实现了从“拼接式架构”到“原生统一整体”的跨越。
王潜直言不讳地表达了对行业主流路线的判断：“现在行业里要么是从VLM大模型延伸到VLA，要么是从视频生成/世界模型延伸到动作模块，这两种做法本质上都有问题。这些模型本来就不是为具身智能、为物理世界交互训练的，根本捕捉不到我们真正关心的核心规律。”
“我们做的，是专门为机器人、为物理世界打造的基础模型，彻底从头开始预训练，这和行业主流路线是完全相反的。”
基于WUM架构，WALL-B形成了三个区别于行业现有方案的核心特征：
第一是原生多模态融合，首次实现“原生本体感”，无需持续观察自身、无需依赖大量外部传感器，就能内在感知自身的空间尺寸与动作边界，王昊补充说“这种内生的空间感知能力，甚至很多动物都不具备”；
第二是掌握物理世界底层规律，能基于重力、惯性、摩擦力等通用物理规则预判风险，实现跨场景零样本泛化，无需针对每个家庭重新训练；
第三是可自主交互、自我进化，任务失败后会自主调整策略重试，成功后直接将经验更新到模型参数中，无需工程师重训、无需返回实验室，王昊强调“它没有固定的迭代周期，执行任务的同时就在回流数据，模型进化、数据回流、效果评估在同一时刻发生，这和行业传统的离线训练模式有本质区别”。
从“糖水”到“牛奶”：
真实场景数据壁垒在哪？
自变量采用了WUM架构作为技术底座，同时宣布自己用的是真实家庭场景的“牛奶数据”， 以此作为自己壁垒。
王昊认为，“行业里大多数模型用的都是实验室的‘糖水数据’，干净、可控、量大，但和真实世界完全脱节。”
他直言，实验室里固定的光照、固定的物品摆放、无干扰的环境，和家庭里随时变化的自然光、随意堆放的物品、孩子和宠物的随机动作完全是两回事，“用糖水数据训出来的模型，在实验室里表现再好，到了真实家庭里立刻就失效了”。
自变量机器人联合创始人兼CTO 王昊
而自变量从成立之初就坚定选择了“牛奶数据”的路线——真实家庭环境中采集的嘈杂、多变、充满随机性的数据。
王潜提到，为了获取这类数据，团队深入了数百个志愿者的真实家庭，每一户的户型布局、灯光条件、物品摆放、生活习惯都完全不同，有的家庭地面散落着玩具和快递箱，有的家庭猫会突然跳上操作台面，有的家庭厨房和客厅冷暖光差异极大，“这些变量在实验室里根本无法1:1模拟，但却是家庭环境里的日常，也是模型必须学会应对的真实条件”。
这种方式和美国机器人大脑的头部公司Physical Intelligence的数据采集方法基本一致。
王昊拆解了自变量的数据分级体系，以及不同类型数据的价值差异。
“我们核心坚持数据必须来自真实环境，同时把真实世界的数据做了明确分级，从最底层的本体操作数据，到穿戴设备采集的视频数据，再到最高价值的交互式数据。”
他解释，所谓交互式数据，不是人工远程操作机器人采集的固定数据，而是让机器人自主探索、人机协作过程中产生的数据，“看起来越容易获取的纯视频数据，训练难度反而越大，信息密度越低；而交互式数据的物理信息最丰富，价值最高，虽然采集难度最大，却是我们最核心的数据源”。
王昊反复强调，数据的价值从来不是以条数衡量的，而是以它能覆盖的任务丰富度、复杂程度来衡量的。
“我们不会为了某个任务刻意采集固定条数的数据，更不会预设机器人要做多少次才能学会一件事。我们的逻辑是先让搭载模型的机器人去真实场景里做，能做的部分自主完成，做不好的部分人工辅助，这个过程中产生的数据，才是真正有价值的。”
此前，自变量基于上一代WALL-AS模型，已经通过与58同城的合作，跑通了“商业落地-数据回流-模型迭代”的正向飞轮，这也是其敢在35天后推进家庭入驻的核心前提。
王潜介绍，和58的合作不是Demo测试，而是真实的付费商业服务：“深圳的用户现在打开58 APP，就能直接约机器人上门服务，机器人和保洁阿姨一起进家，现场不需要我们的员工实时支持，只在遇到无法处理的问题时，触发远程人工接管兜底，解决问题后再交还给AI自主执行。”
而35天后，搭载WALL-B新模型的机器人入驻家庭，就如同和“住家阿姨”一样。
针对35天后即将开始的机器人开始入驻家庭场景的最核心的隐私顾虑，自变量也同步明确了三大解决方案：
首先，设备端实时视觉脱敏，原始图像不离开设备；
其次，用户主动授权才能开机，无任何“默认同意”；
最后，数据绝不共享第三方，机器人只认一个主人，发现可疑指令立即锁定。
王昊表示，自变量的模型迭代逻辑和行业完全不同：“传统模式是先有数据，再训模型，再去新场景评测；我们是大规模预训练后，模型已经具备零样本泛化基础，直接让机器人去真实家庭里执行任务，做不了的部分通过人机协作完成，数据同步回流，下一次就能克服这个困难，全程不需要刻意采集数据。”
对于数据配比与数采工厂的布局，王潜介绍：“我们2024年初就建成了自有的数据采集工厂，目前仍是全国乃至全球规模最大的数采工厂之一。我们会平等对待工厂采集的数据和真实家庭场景的数据，把它们当成一个统一的集合调整配比，不会做生硬的切割。整体数据策略就是‘实验数据打底，真实场景提质’，实验室数据用来建立基础的物体识别、动作执行能力，真实家庭数据用来让模型学会在不确定环境中生存。”
被自己下场的巨头集体看好
本轮融资完成后，自变量已经成为国内具身智能赛道里，唯一一家集齐字节跳动、阿里巴巴、美团、小米四大互联网巨头战略投资的企业，股东名单还包括联想、上汽、58同城等产业龙头，可以说是赛道内集齐产业投资方最多的创业公司。
一个无法回避的问题是：小米、阿里、字节、美团这些巨头，自身都已布局具身智能赛道，拥有独立的机器人研发团队，为什么还要集体投资自变量？
王潜直接回应了这个问题：“我们算是整个中国AI领域，不光具身领域，大厂投的最多的一家公司，所有投我们的大厂，自己都在做具身，这也不妨碍他们投我们。核心原因有两个，第一，这个市场足够巨大，容得下多家玩家；第二，创业公司在这件事上，有大厂完全比不了的优势。”
在他看来，产业资方集体押注自变量，核心看中的是其不可复制的技术壁垒与全链路能力，这也是自变量区别于其他模型创业公司、甚至大厂内部团队的核心优势。
首先是技术路线的稀缺性与领先性。
当前行业内绝大多数玩家，包括大厂的很多团队，走的都是“基于开源大模型微调，拼接视觉、动作模块”的捷径，而自变量是国内极少数坚持从头自研具身智能基础模型的企业，其WUM架构的路线，与行业主流VLA路线形成了明显的差异化，也构建了更高的技术门槛。
其次是全链路工程体系的护城河。
“模型架构很容易抄，半年时间，大家就能搞明白上一代模型的架构。但抄不走的，是从数据定义、采集、清洗、过滤，到训练、评测、迭代的全链路工程体系。”
王潜以OpenAI举例，“OpenAI领先了谷歌两年，在机器人领域，这个技术领先的窗口期会更长，至少三年以上。”
更关键的是，大模型可以通过蒸馏降低技术门槛，但机器人不行。
“为什么大家觉得大模型时代技术门槛变低了？因为蒸馏做得太多了，大家都忘了真正的技术差距是什么。但机器人这个东西，没法蒸馏。”
第三是全栈自研的软硬一体整合能力。
这是王潜反复强调的核心竞争优势，自变量不仅做模型算法，还实现了机器人本体、机械臂、力控关节、主控制器等核心零部件的全面自研，能从模型需求出发定义硬件，从硬件特性优化模型，实现软硬深度适配。
而大厂的组织架构里，硬件团队和算法团队往往是分开的，很难实现这种全链路的拉通与协同。
除了技术本身，产业投资方与自变量的业务协同，也是投资的核心逻辑。
例如，与58同城、美团的协同，是家庭服务与本地生活场景的深度绑定，二者的海量家庭订单与线下资源，既可以成为自变量真实数据的核心来源，也是未来规模化落地的核心渠道。
2026机器人内卷大赛中
错位竞争
随着巨头下场、创业公司扎堆，具身智能赛道的竞争早已进入白热化阶段，而在核心的具身智能大脑赛道，国内外玩家的路线分化已经愈发明显。
国内市场，除了自变量之外，星海图、智平方、千寻智能、千诀科技是赛道内的核心竞争者，各家路线差异显著。
其中，星海图同样聚焦通用具身大模型研发，侧重多模态交互与机器人操控的端到端落地；智平方则以工业场景为核心切口，基于VLA架构打磨垂直场景的具身模型，优先落地工厂产线的标准化作业；千寻智能深耕VLA架构的轻量化落地，主打消费级机器人的智能升级；千诀科技则采用类脑分区架构，主打解耦、跨硬件适配、超长时自主决策，定位 “机器人的智能操作系统”。
海外市场，自变量的核心对标企业是Physical Intelligence（PI），这家企业同样聚焦通用具身智能基础模型研发，主打基于大模型的机器人通用操控能力，获得了微软、英伟达等企业的投资。
在王潜看来，当前的具身智能赛道，已经分化成了两条完全不同的发展路线：一条是硬件优先路线，以双足人形机器人为核心，主打舞台表演、工业巡检、封闭场景作业，核心竞争点是硬件性能、运动控制能力；
另一条是智能优先路线，以通用具身基础模型为核心，主打开放场景的通用交互与操作，核心竞争点是模型的泛化能力、物理世界理解能力、自主进化能力。
“跑马拉松的双足机器人，和我们做的事，是两个完全不同的领域，甚至两个完全不同的行业。”
王潜认为，“硬件在中国从来都没有壁垒——今天你做出来一个特别好的硬件，明天供应链就全给你整明白了，后天所有人都能做一模一样的东西。硬件的壁垒，只能靠产品、商务去构建，但我们做的，是基础模型的事，壁垒要高得多得多。”
而关于两条路线的底层逻辑差异，王潜进一步解释：“工业和家庭是两个极端相反的场景，家庭是极致开放的场景，对泛化性、复杂度的要求到了极致，核心靠预训练的基础模型；工业是相对封闭的场景，对速度、准确率的要求极高，核心靠后训练的场景优化，技术上是两个完全不同的方向。”自变量的战略是先家庭，后工业。
他反复强调，舞台上机器人的后空翻、跳街舞，视觉冲击力再强，本质也都是预设轨迹的“命令行机器人”；工厂里的工业机器人可以把一个动作重复一万次，每次环境条件完全一致，但家庭场景完全相反：一万个动作每个可能只做一次，每次的环境条件都不一样。
这种极致的随机性、碎片化，以及上肢精细操作中无处不在的非线性物理交互，让家庭场景成为对机器人智能能力的终极考验，也让行业长期陷入“双足、灵巧手、力控关节等硬件早已到位，大脑却没跟上”的困局。
而自变量的逻辑是，先把基础模型的底座打牢，再去拓展工业等垂直场景，而不是反过来。
对于行业未来的发展，王潜的判断是：未来两到三年，具身智能行业就会迎来物理世界的“Aha moment”，就像当年ChatGPT引爆数字世界一样。
本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。
盛达优配提示：文章来自网络，不代表本站观点。
