日前，自變組創Dexmal原力靈機與Hugging Face共同發起RoboChallenge之后，量機迅速在行業內引發關注。器人智源研究院、局賦智元機器人、開源Qwen、自變組創星海圖、量機自變量、器人清華大學、局賦西安交通大學以及GOSIM等國內外機構的開源積極參與，共同推動生態建設。自變組創2025年11月20日，量機RoboChallenge組委會正式成立，器人標志著具身智能真機測評的局賦開源協作邁入標準化新階段。這不僅是開源一個測評平臺的升級，更是行業協作模式的一次重要革新——從“各自為戰”轉向“共識共建”，以“開放共同體”的行業共創模式，為具身智能技術的落地與迭代注入新動能。

日前，在不久前深圳舉行的一場國際人工智能展覽會上，一臺名為“小量”的機器人嫻熟地進行著果味冰沙制作的全部流程。取杯、接冰、添加小料，整個動作連貫且精準，兩分鐘內就完成了一份飲品。這個看似簡單的場景背后，是深圳一家成立僅一年多的初創公司——自變量機器人。

自變量機器人是國內最早實現端到端具身智能大模型商業化的公司之一。其自主研發的「WALL-A」系列視覺-語言-行動（VLA）操作大模型，構建了統一的認知與行動框架，讓機器人不僅能“看懂”，還能自主“動手”完成。

更具行業意義的是，自變量機器人近期開源了端到端具身智能基礎模型「WALL-OSS」。與行業內常見的部分開源不同，該公司提供了一整套完整可復現的開源方案，包括模型權重、訓練代碼、數據集接口及詳細部署文檔。

“我們希望真正把成果交到行業手中，讓大家能夠用起來，而不僅僅是停留在展示層面。”創始人兼CEO王潛表示。這一舉措有望降低行業技術門檻，推動具身智能生態的快速發展。

01 信仰：從理論到實踐的“關鍵變量”

作為自變量創始人兼CEO，王潛畢業于清華大學，是全球最早在神經網絡中引入注意力機制的學者之一。博士期間，他曾在美國頂級機器人實驗室參與多項機器人學習研究，覆蓋多個前沿方向。2023年，隨著大語言模型等領域迎來突破，他敏銳察覺機器人行業的新機，毅然解散個人創立的基金，回國創業。

回國并非一時沖動。王潛看中的是中國無可比擬的硬件制造與供應鏈優勢。“美國的硬件人才多被‘金手銬’鎖在大公司，”他指出，“而中國的供應鏈優勢可能領先美國一個數量級。”他特別提到，數據收集成本在中國大約僅為美國的十分之一。

2023年12月18日，王潛初次踏足深圳，自變量機器人就此誕生。深圳的產業生態讓他驚嘆：“當時我們實驗室用的機器人硬件和零配件，很多都產自深圳。”“在這里，配齊所有零件有時只需半天。”

02 堅守：“大小腦統一”的孤傲之路

自變量創立之初，就選擇了一條與眾不同的技術路線——“大小腦統一的端到端大模型”。這在當時顯得頗為孤傲，甚至遭受質疑。數年前，當王潛闡述端到端思路時，一位知名機器人教授曾當面否定：“這很有趣，但可能永遠只是個玩具，無法落地。”

何為端到端模型？與傳統的分層架構不同，端到端模型試圖在統一架構中解決從感知、規劃到控制的全流程問題。傳統分層架構將任務分解為感知、規劃、控制等多個模塊，每個模塊有獨立模型，而端到端模型則是單一的、整合的模型。

王潛解釋道，“分層模型每多一步拆解，就會引入額外誤差和不可控的噪聲，難以實現真正可靠的執行；而端到端統一模型，能夠在‘感知—決策—執行’的全流程中保持連續性，從根本上解決這一問題。”

自變量機器人的技術理念可以概括為“縱向統一”和“橫向統一”。縱向統一指從視頻、傳感器等原始輸入到機器人運動輸出，全部由同一模型處理；橫向統一則是不同任務共用同一個模型，訓練和推理都在同一架構下完成。

這一技術路線的優勢在WALL－A模型上得到了充分體現。該模型使機器人僅用二指夾爪就能完成拉拉鏈、疊衣服、澆花等復雜操作，數分鐘級別的任務成功率達到了95％以上。

03 進化：WALL-A模型釋放泛化之力

自變量的產品演進清晰印證了其技術路線的生命力。核心突破，主要體現在三個方面。

第一，強大的泛化能力。模型在部分未見過的物理場景中，無需針對新場景進行額外訓練，已經能部分實現零樣本泛化。

其二，具身思維鏈（CoT，Chain of Thought）。模型通過多步邏輯推理，將抽象任務拆解為可執行的子步驟，并能夠根據實時變化調整行動策略。

其三，統一架構。將視覺、語言、動作等所有模態信息，轉換為統一的token序列，再送入一個Transformer核心，從而實現端到端統一學習。這能讓系統在面對新任務時，可以像人類一樣思考和工作，不再依賴模塊化的信息傳遞。

04 選擇：真機數據，筑牢模型迭代的根基

在數據策略上，自變量堅持“高質量真機數據”，與依賴仿真或網絡視頻數據的同行形成鮮明對比。王潛明確表示：“所有涉及復雜物理交互（如豐富的手部操作）不應完全用仿真數據。我們探索了十幾年，基本結論是：手部復雜操作無法通過仿真數據進化。”

數據主要來自三個渠道：集中式采集場地、分布式現實環境收集，以及機器人部署后的回流數據。自變量將泛化能力分為四個層次：基礎條件（光照、位置變化）、跨環境、跨對象（處理未見過的同類物體）、跨任務（解決全新任務）。目前自變量的模型在前三個層次已展現出優秀的通用性與泛化能力。

05 野心：資本重注下的賽道卡位

自變量在資本市場的表現堪稱耀眼。成立不到兩年，完成8輪融資，累計金額超20億元。2025年9月，自變量機器人完成近 10 億元 A+輪融資。本輪由阿里云、國科投資領投，國開金融、紅杉中國、渶策資本跟投。老股東美團戰投超額跟投，聯想之星、君聯資本持續追投，其中聯想之星為天使輪股東。這是阿里云首次投資具身智能公司，也是美團第二次參投。

06 清晰的商業化路徑

面對商業化這一行業核心質疑，王潛思路清晰。他認為：“家庭是機器人最大市場，預計3-4年會出現早期產品。”有經濟學測算指出，未被計入GDP的家務勞動價值約占總量四分之一，這意味著家庭機器人市場潛力巨大，甚至可能超越工業及其他所有場景。

自變量的商業化將先從To B場景切入，逐步延伸至To C。王潛表示，公司今年將在多個功能場景推動落地，讓機器人在開放、隨機環境中自主完成復雜操作。對于當前部分企業將人形機器人送入工廠從事簡單重復勞動，他直言“那更像是一種PR行為”。真正有價值的商業化，必須依賴具身智能模型泛化能力的提升。

價格方面，王潛預測，消費者可接受且產業鏈能支撐的價格區間可能在1-2萬美元（約人民幣10萬元上下），但這仍需產業鏈進一步優化成本。他預計，類GPT-3水平的具身智能大模型可能在一年左右出現，而人形機器人的“ChatGPT時刻”則需要3-5年。

07 未來挑戰與生態構建

盡管進展顯著，王潛清醒認識到，通往通用機器人的道路仍布滿挑戰。他認為，當前限制產業化的主要是機器人的“大腦”，而非硬件。“展會上很多機器人運動能力不錯，但提供的‘實用價值’有限，更多是‘形式價值’。”

為此，自變量正積極構建生態。2025年9月，公司在合肥發布《具身智能生態建設計劃》，旨在通過自研基礎模型，打造全球具身智能創新與產業樞紐。此前，公司開源了自研端到端具身智能基礎模型WALL-OSS，這是目前唯一面向物理世界交互、具備真實落地能力的開源模型。

對于長遠商業模式，王潛認為機器人將走向軟硬一體。“機器人相對特殊，難以形成像Windows或Android那樣的純軟件模式。它需要軟硬件高度耦合，一體化的模式最為合理。”

2025年世界機器人大會上，搭載自變量WALL-A模型的機器人嫻熟地制作香囊、整理客廳，引來無數駐足。那個讓通用機器人步入千家萬戶的夢想，正以“深圳速度”，一步步照進現實。

(責任編輯：熱點)