10个亿，机器人赛道开年第一大融资来了

作者丨好好

编辑丨小龙

图源丨自变量机器人官网

1月12日，自变量机器人完成A++轮融资，金额为10亿元人民币。字节跳动、红杉中国、深创投等顶级机构领投。

图片来源：自变量官网

自变量成立于2023年12月，自成立以来，两年时间完成9轮融资。总金额超30亿元，估值从天使轮的2亿元快速攀升至A++轮后的100亿元，实现50倍增长。

两年前，具身智能对公众而言还是一个相当陌生的术语。它不同于传统工业机器人基于预设程序执行任务，而是指能通过“大脑”（智能模型）理解环境、自主决策的智能机器人。

如今，整个行业正迎来拐点。高工机器人产业研究所数据显示，2025年国内具身智能产业链发生144次融资事件，融资金额达195亿元，平均单笔融资规模达到1.35亿元。

自变量自创立之初就选择了技术难度极高的“端到端通用具身智能大模型”路线。这与传统机器人分模块、单任务优化的技术范式截然不同，目标是打造一个能统一处理感知、规划与控制的机器人“大脑”。

光速光合合伙人蔡伟认为，这种路径一旦突破，将实现机器人在广泛场景下的泛化能力，从而定义下一代机器人的智能标准。尽管这条路投入大、周期长，但资本认为这是通往通用机器人的关键桥梁。

更引人注目的是，自变量成为国内唯一同时获得字节跳动、阿里巴巴、美团三家互联网巨头投资的具身智能企业。这不仅是财务投资，更意味着战略协同：美团的本地生活场景、阿里的云算力生态、字节的内容与流量，为自变量未来的技术落地提供了无与伦比的场景和数据资源。这种“稀缺生态位”是其他竞争对手难以复制的独特优势。

01从“注意力机制”到具身智能的“造梦者

创始人王潜出生于1988年，童年时期的梦想是成为像爱因斯坦一样的物理学家，但这一想法在高中阶段发生了转变。他认为，现代物理学研究到达前沿所需的时间周期过长，而人工智能领域则提供了更直接的路径，去实现一个更为核心的追求：创造出能够扩展人类能力边界的机器。这一理念贯穿了他之后的学术与职业生涯。

自变量机器人创始人兼CEO 王潜

王潜的学术路径始于清华大学，他在那里完成了本科与硕士学位。之后，王潜赴美国南加州大学攻读博士学位，并在美国顶尖的机器人实验室进行博士后研究，专注于机器人学习与人机交互。在此期间，他在神经网络中引入注意力机制（Attention Mechanism）的早期探索，与谷歌同期发表的研究共同预示了后来以Transformer架构为代表的技术变革。

博士毕业后，王潜并未立即投身机器人产业，而是在美国创立并运营了一家量化基金公司。然而，对机器人事业的未竟之感始终萦绕。2023年，在看到大语言模型取得突破后，他判断实现通用机器人的技术路径已现曙光，同时考虑到中国在硬件供应链与数据成本方面的综合优势，他解散了基金，回国在深圳创立了自变量机器人。

在创立公司后，王潜在产品与经营层面做出了一系列关键决策，引领了公司的发展。这些决策紧密围绕他所坚信的“物理世界基础模型”这一核心展开。他坚定地选择了在当时尚属非主流的“端到端统一VLA大模型”技术路线。

在他看来，传统分层模型如同“搭积木”或“传话游戏”，模块间的误差会不断累积，而端到端模型则能让机器人像人一样“看见、思考、行动一气呵成”，这才是实现通用智能的关键。即便早期有专家质疑这“可能永远只是个玩具”，他仍基于长期研究经验坚持这一路径。

为了喂养这个独特的“大脑”，王潜制定了与众不同的数据策略。他明确表示：“所有涉及到复杂物理交互（如接触丰富的手部操作）完全不使用仿真数据。” 他认为，具身智能的核心竞争力在于高质量的真实世界数据。因此，公司投入大量资源自研数据采集设备，构建以真实数据为主的多元数据集，因为“数据质量的重要程度高于数据数量”。这一策略确保了模型能在复杂的物理随机性中可靠进化。

在商业化路径上，王潜直言当时常见的“人形机器人进工厂干简单重复性工作”在某种程度上是“一个PR行为”。他认为，工业场景往往“避开了模型最擅长的部分”，而服务业和家庭场景中存在的复杂长序列任务，才是通用大模型的价值所在和真正市场。因此，他规划了从To B场景切入，最终面向家庭市场的路径，并预测“3-4年会出现早期产品”。同时，他推动公司走向“软硬一体”，因为机器人需要软硬件高度耦合，这是他认为“最合理的商业模式。

02从“编程躯体”到“智能体”的行业演变

具身智能行业的发展，本质上是机器“躯体”与“大脑”不断融合、智能范式持续升级的过程。

早期的自动化时代由发那科、库卡等传统工业机器人巨头定义，它们依靠高精度编程在结构化场景中作业。进入21世纪10年代，随着深度学习兴起，机器人开始通过传感器“感知”世界，波士顿动力（Boston Dynamics） 成为这一时期的明星，其Atlas机器人凭借先进的驱动与控制技术，将机器人的运动性能推向极致。

真正的范式革命发生在2022年之后，大语言模型的突破为机器人注入了常识与推理能力，行业竞争焦点从“躯体”转向“大脑”。以特斯拉为代表，将其在自动驾驶中验证的端到端神经网络技术迁移至Optimus人形机器人；美国的Figure公司则展示了如何用自然语言直接控制机器人完成泛化操作。在这一最新范式中，自变量机器人自成立起便旗帜鲜明地选择了最前沿的“完全端到端”路径，旨在打造直接理解物理世界并输出行动的智能“大脑”。

关于“智能体”，国内领先的机器人公司普遍采用“以终为始”的策略，从“车间”反推“大脑”。其技术研发紧密围绕明确的商业化场景展开，追求在特定高价值领域实现快速闭环和部署。

自变量致力于把“理想主义”工程化。创始人王潜坚信，具身智能的终局是创造一个能理解并自主适应物理世界的“大脑”。他曾阐述：“我们坚持端到端路径，是希望机器人能像人一样，看见、思考、行动一气呵成，而不是玩一个误差会不断累积的‘传话游戏’。”为此，自变量构建了独特的“真实数据闭环”，其开源的 WALL-OSS 模型在第三方测评中已展现出不俗的泛化能力。投资者如光速光合的蔡伟看好其“定义下一代机器人智能标准”的潜力，但这条高难度路径的商业化正处于从技术验证到小规模量产的关键爬坡期。

智平方则是追求“商业信仰”落地。与自变量的技术信仰形成对比，智平方展现了极强的商业驱动特性。其创始人曾表示，公司的逻辑是“技术信仰与商业理性的合二为一”。这直接体现在其彪悍的战绩上：其自研的GOVLA模型已成功落地于半导体显示行业，并获得了来自惠科（HKC）的超1000台、价值近5亿元的订单。这意味着其“大脑”已经过严苛工业环境的检验，并创造了清晰的经济价值。

相比之下，国外头部创业公司获得了更为充裕的资本支持，其目标往往更宏大，致力于打造不依赖特定硬件的、平台级的通用智能体，商业化节奏相对从容。

由OpenAI等机构投资的PI，是纯软件路线的代表。其创始人Karol Hausman明确表示：“我们正在构建一个适用于任何机器人身体的通用大脑。”他们的模型 π*0.6 在复杂操作任务中取得了突破性成功率。投资者押注的是其成为机器人领域“操作系统”的远期潜力。

图片来源：Skild AI

Skild AI则构建了一个超大规模的仿真训练场，让机器人在虚拟世界中完成“相当于一千年”的训练。其联合创始人形容他们的目标是创造“机器人的基础模型”。这种路径的优势在于能高效、低成本地获取海量训练数据，为机器人智能提供广阔的“想象力”空间。

全球机器人“大脑”的竞赛已形成“东方务实，西方务远”的双线叙事。国内战局已进入“刺刀见红”的实战阶段，胜负手在于能否在高价值工业场景中，证明技术能创造不可替代的经济效益。而国外战局仍处于定义未来的“黄金实验期”，其探索将不断拓宽技术天花板，但最终也需回答商业化的考题。

两条路径孰优孰劣尚无定论，但它们的碰撞与融合，正共同加速通用具身智能时代的到来。

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。