机器人进家庭短期内不被看好，这家独角兽为何逆势“重仓”？

人形机器人走进家庭的叙事颇受普通公众欢迎，但骨感的现实是，许多创业公司对此仍然望而却步。近期，少数具身智能玩家逆势而行，试图打破机器人短期内不适合进家庭的普遍认知。

4月21日，刚获得小米战投领投的“独角兽”机器人公司自变量发布新款具身智能基础模型WALL-B，并宣布搭载这款模型的机器人将于5月25日正式入驻首批用户的真实家庭，目前已开启用户招募。招募网页显示，自变量将基于用户实际需求、公司现有的软硬件技术能力等因素来筛选参与者。此前3月，自变量已和58集团合作，在深圳推出机器人上门保洁服务。这一系列的动作，是行业鲜见的让轮式人形机器人进入家庭干活的试验性探索。

自变量不讳言机器人的不成熟，现阶段将其定位为“实习生”。“当大家对机器人的期望不是特别高，机器人进入家庭就能给你很多惊喜；如果以一个人的智能标准去衡量一台机器人，你可能就会对它比较失望。”自变量联合创始人兼CTO王昊接受南都等媒体采访时坦言，人形机器人仍存在局限性，不是所有家庭任务都能做。但如果在不同家庭环境下，都能完成叠衣服或其他某项任务，这也是机器人泛化能力的体现。

自变量的轮式人形机器人演示插花。

家庭环境复杂多变，对机器人的泛化能力和安全性要求高；相比之下，特定工业场景更加结构化。这成为诸多人形机器人公司率先涉足工厂落地的逻辑起点。

智元联合创始人、总裁兼CTO彭志辉在4月17日接受南都等媒体采访时提到，每个家庭的环境不一样，机器人要做的任务更是千奇百怪，而且涉及跟人的亲密交互，安全性要求比在工厂不只是高了一个维度。“我们肯定还是要遵循客观的技术发展规律，先易后难，先找简单场景下的复杂任务，比如在工厂做装配、分拣，未来再考虑推到家庭。”他预计，机器人可能5年之后才能逐步进入家庭。

彭志辉的观点代表了行业内的一种常见判断。不过，自变量方面向南都记者回应称，工厂目前更适合采用传统自动化的方式，因为节拍比较快，对效率的要求很高，如果一个动作错了，可能对整个流水线造成很大影响。而且，工业场景某个具体岗位的数据比较单一，本质上是在重复一个动作。对于模型训练来说，这部分的数据并非高质量数据。

自变量创始人兼CEO王潜受访时表示，家庭和工业是两类极端相反的场景，前者极致开放，后者则完全封闭固定，导致二者对技术的要求不同：在家庭端更需要通过预训练以构建具身智能基础模型，而在工厂更依靠强化学习后训练等手段，以提升机器人的工作效率和准确率。

王潜介绍，自变量倾向于优先在开放复杂场景部署机器人，完善预训练模型，再在此基础上针对单点的工业场景落地。原因在于，只有当具身智能基础模型的泛化性、准确性、做任务的复杂度等足够好之后，做模型后训练才有机会让机器人完成一些此前无法实现的任务。

采集模型预训练所需的数据，是自变量推进真实家庭环境机器人部署的目的之一。王昊称，行业内大多数训练模型的数据来自实验室，拥有固定的光照、固定的物体位置、无干扰环境。用这类数据训练出的模型，在真实环境中会迅速失效。而真实家庭环境中的嘈杂、多变、充满随机性的数据，则可以让模型学会在不确定环境中生存。自变量采取实验数据打底、真实场景提质的数据基建策略。

与自变量通过机器人真实作业环境跑通“数据飞轮”不同，业内新近兴起无本体数据采集方式来支撑具身智能模型的预训练。采集员在手部或头部佩戴专用的可穿戴设备后进行作业，进而产生操作轨迹数据。这种采集方式门槛低，被行业视为低成本快速获取数据进而训练有效算法的理想路径。一个直观的案例是，美国具身智能模型公司Generalist使用50万小时来自真实世界的无本体数据，声称实现模型在多个简单操作任务中超过99%的成功率。

不过，王昊强调，看起来越容易获取的数据，训练起来难度反而越高。对于来源于真实世界、以纯视频形式存在的数据，如何实现高质量压缩，仍需找到合适的方法。

一旦机器人进入家庭，用户隐私保护问题不可回避。王潜称，自变量会在设备端对原始图像进行实时打码处理，机器人看到的是去除个人特征的场景数据。另外，还建立明确的授权机制，只有当用户主动按下同意键后方可开机。

行业当下热衷于讨论大厂入局下创业公司的壁垒，在王潜看来，建立“护城河”的关键靠数据。模型架构容易被模仿照搬，但从数据收集、清洗、过滤、后处理到模型训练，再到基于模型评测结果反向优化数据处理流程并迭代模型的完整闭环，才是能构建长久竞争力的核心。他举例说，谷歌在大语言模型领域用了两年时间才追赶上OpenAI，机器人模型领域创业公司相对大厂的领先时间窗口将会更长，“可能有三年以上。”

采写：南都N视频记者 杨柳