“一脑多用”，自变量机器人精准实现跨场景多任务复杂精细操作

7月末，2025世界人工智能大会现场人潮涌动。智能终端展区H3馆内，两台名为“小量”和“小白”的通用轮式双臂机器人“量子1号”，成为全场焦点。一举一动，皆引参展者驻足。在复杂开放的会场环境下，只需简单的语音指令，“小量”就能根据参展者喜好，自主拿起对应颜色的香包，制作个性化香囊。任务全部完成后，还能把香囊精准递送到参展者手中。和“小量”同时执行任务的，是家务整理区的“小白”。它正在将废纸团、空饮料瓶等垃圾扔进垃圾桶，并把随机散落的衣物收纳进脏衣篓。家务整理完毕后，“小白”主动将存放在货架上的香囊材料放至补货台，等待“小量”过来拿取。

（来源：资料图）

8月初，在2025年世界机器人大会召开前夕，该公司同步发布新品——新一代具身轮式仿人形机器人“量子2号”。该机器人采用仿生拟人构型、轮式底盘设计和7自由度仿生机械臂，能精准覆盖0-2m立体作业空间，不仅能完美适配商业综合体及公共场所移动需求，还可实现多场景任务秒级切换，运动表现能与人类媲美。

（来源：资料图）

这家公司便是自变量机器人（X Square Robot），其成立于2023年12月，核心团队汇聚全球顶尖AI与机器人领域专家，致力于推动具身智能与机器人技术创新与发展。据了解，截至目前，该公司已完成7轮融资，累计金额超过10亿元人民币，融资节奏与规模均属国内具身智能领域第一梯队。

创始人兼CEO王潜。在清华大学先后获得学士和硕士学位，硕士期间，他发表论文成为全球最早提出Attention机制的研究者之一，该研究后来成为Transformer架构的核心。硕士毕业后，他赴美深造，在美国南加州大学攻读博士学位，聚焦机器人学习与人机交互研究。怀揣着对机器人技术的热情，他在回国后创立了这家具身智能企业。

自研完全端到端统一VLA模型，消除机器人从感知到动作生成的巨大鸿沟

自变量自研的完全端到端统一视觉-语言-动作（VLA，Vision-Language-Action）模型WALL-A。可以实现机器人自主感知、决策与高精度操作，解决从感知到最后动作生成之间的巨大鸿沟。

它的核心突破，主要体现在三个方面。

第一，强大的泛化能力。模型在部分未见过的物理场景中，无需针对新场景进行额外训练，已经能部分实现零样本泛化。

其二，具身思维链（CoT，Chain of Thought）。模型通过多步逻辑推理，将抽象任务拆解为可执行的子步骤，并能够根据实时变化调整行动策略。

其三，统一架构。将视觉、语言、动作等所有模态信息，转换为统一的token序列，再送入一个Transformer核心，从而实现端到端统一学习。这能让系统在面对新任务时，可以像人类一样思考和工作，不再依赖模块化的信息传递。

（来源：资料图）

目前，WALL-A模型已经能完成拉拉链、扣扣子等长序列复杂精细操作，并在展会前夕短短几天时间内学会香囊制作等长流程柔性物体处理，多机协作、跨任务切换及抗干扰场景。具体表现为：在简单任务中自主学习到了少量数据训练的动作模式；融合视觉、语言与动作实时进行推理规划；任务被打断或物体移位时，能依据环境修正动作以持续完成任务。

关于COT，必须指出的是，其在具身智能领域的应用与纯语言模型存在本质差异。如王潜所言，行业内多数声称采用COT的做法，其实是调用语言模型做high level的规划推理。

要想将COT真正引入具身世界，需要攻克两大核心难题。首先，多模态输入输出匹配。具身智能的COT需构建“输入-输出”闭环，即模型输出需能重新输入自身以形成思维链。

针对此，自变量机器人打造多模态理解生成一体化模型，突破常规VLA模型的局限，实现视觉、语言、动作等多模态的输入输出匹配，进而构建完整的思维链闭环。

“常规VLA模型输入的是视觉和语言，输出的是动作，但我们构建的长思维链，要求输出中包含语言和视觉。”王潜表示。

另外，还通过后训练方式，进一步提升模型对空间位置、任务的深入理解与规划能力，实现端到端的深度整合。

据王潜介绍，模型可输出完整思维序列与过程，除语言外，还能通过视觉、动作等多模态记录，且能根据人类提供的新信息重新思考，更贴近人类从思考到行动的逻辑；即便人类在交互中随时打断或干预，模型也能重新规划推理。

从模型能力看，现阶段难点仍聚焦于构建长思维链，需要进一步打通视觉、语言与行动的壁垒，实现机器人在行动中感知、感知中思考，融合物理反馈与行动思考过程，让思考结果及时转化为行动，以适应复杂的物理世界。

王潜解释道：“这需要融合物理与虚拟世界的思考、物理反馈与干涉动作，远比单纯多模态或语言模型中的CoT更复杂困难。”

可广泛应用在泛商业、康养、工业等场景，将助力未来机器人走入千家万户

“量子1号”在大会上重点展示的制作香囊任务引发关注。作为全场最难任务，该任务涵盖上下料、分拣、填充、贴标签等长序列流程，需处理柔性物体与高度不可控环境，且允许游客干扰以验证抗干扰与泛化能力。

该任务背后的核心技术能力体现在：模型仅需几天短训即能完成复杂任务；同一模型“一脑多用”，支持同步制作香囊、交互及自主移动上下料；清理垃圾、收纳脏衣服；多机器人协同补料；在物流和工业场景中的任务完成速度媲美人为操作；能判断人手状态、理解人类意图，实现精准避障与安全控制。

显然，“量子1号”能完成的任务已非常广泛。那么，自变量机器人又为何决定推出“量子2号”呢？

首先，解决负载问题。“量子2号”通过硬件升级，能应对高负载操作需求。

其次，拓展工作空间与操作范围。“量子2号”身高1.72米，再加上臂展长度，可触及0-2m的工作空间，且腰部采用折叠式设计，可实现类似人踮脚、弯腰等动作，能直接够到地面及高处，覆盖空间更全面。

另外，增强交互性与场景适配。“量子2号”配备交互屏，能提供更丰富的人机交互价值，更适配服务场景中的交互需求。

两款机器人均为轮式地盘构造。和传统双足机器人相比，它们的主要区别体现在结构复杂性、成本、安全性等方面。虽然后者更适应户外复杂地形，且因外形更接近人类，而更能满足人类对交互对象的情绪需求。但前者由于结构复杂度低，所以不管是成本还是安全性，都要比后者高，在室内场景下的表现更优。

基于此，从应用场景来看，自变量机器人可广泛应用于酒店、零售店等泛商业场景，养老机构等康养场景，以及工业和家庭场景。

据了解，目前该公司已与头部酒店、养老机构合作探索落地场景，包括清洁任务、基础服务等。

综上可以看出，自变量机器人既是一家基础模型公司，又是面向终端的产品公司。“我们期望未来机器人能走入千家万户，替代千行百业中需要人工完成的工作。”王潜表示。