具身智能公司自变量发布全球首个世界统一模型WALL-B

具身智能公司自变量4月21日发布世界统一模型WALL-B WorldUnified Model，WUM。

当天发布会上，自变量宣布推出全球首个基于世界统一模型架构的具身智能基础模型WALL-B，并宣布35天后搭载该模型的新一代机器人将首批入驻真实家庭。

自变量创始人兼CEO王潜以日常场景开场：“拖鞋不知踢到哪里，厨房的碗还没洗，孩子的书包扔在地上，猫打翻了一杯水。”这幅画面揭示了家庭环境的随机与碎片，目前全球没有任何一台机器人可以在无遥控操作的情况下独立完成上述场景中的综合整理任务。王潜表示，机器人进入家庭被视为这个时代最难的技术问题之一。

2024年底，公司发布基于VLA (Vision-Language-Action)架构的第一代具身基础模型WALL-A，随后，轻量化模型版本WALL-OSS开源。应用方面，自变量与58同城合作，将搭载WALL-AS模型的机器人送入真实家庭，与保洁阿姨协同作业，实现全球首次机器人在C端复杂环境的大规模落地。

正是这些真实家庭的部署，让团队看到了VLA架构的“天花板”。联合创始人兼CTO王昊解释道，VLA架构本质上是视觉（Vision）、语言（Language）、动作（Action）三个独立模块。数据每经一次模块边界就产生信息损耗和延迟。模型只能模仿轨迹，无法理解物理世界的规律。

WALL-B 正是对这一困局的回应。它不是WALL-A的下一个版本，而是一次从底层架构到训练范式的全面重写。

从“VLA”到“统一整体”

WALL-B真正区别于行业其他方案的核心，是从VLA到WUM的架构革命。

在机器人领域，VLA面临困境。视觉、语言、动作模块各自为政，数据搬运产生的延迟和损耗成为性能瓶颈。视觉学到的信息传到动作模块时，只剩下一个模糊的摘要。

WALL-B的WUM架构将视觉、语言、动作、物理预测等能力放在同一个网络从零开始训练，消除模块间的边界和数据搬运损耗。

王昊介绍，WALL-B具备三个核心技术特点，能够让机器人更适配家庭场景。一是原生多模态，模型不需要通过“传话”的方式在不同模块间转译信息，比如看到杯子的同时就能准备伸手；二是具备物理世界“世界观”，能够感知并预测重力、惯性、摩擦力、速度等基本物理规律，利用对基本物理常识的理解来应对新场景，不需要针对每个家庭重新训练；三是与世界交互并自我进化，这种机制使模型在真实环境中完成自我迭代，无需工程师重新训练，无需人工注入新数据，无需返回实验室。

王昊将其类比为人类学习使用筷子的过程，筷子掉了无数次，但每一次失败都在调整手上的控制，最终形成稳定的技能。WALL-B克服了Transformer 架构难以进行长期内化记忆的问题，所有经验以原生多模态记忆的方式，通过类似人脑记忆的机制实现自我更新。

从“糖水”到“牛奶”

目前，行业内大多数训练模型的数据来自实验室中的固定、无干扰环境。王昊将这类实验室数据比喻为“糖水数据”，在真实环境中会迅速失效。与之相对，自变量团队将进入数百个志愿者的真实家庭采集的数据比喻为“牛奶数据”，嘈杂、多变、充满随机性。自变量的策略为实验数据打底，真实场景提质，让模型学会在不确定环境中生存。真实随机、不可预测的现实数据所驱动的数据飞轮，才是真正的壁垒。

在商业化落地方面，自变量的时间表也已经明确。35天后，新一代搭载WALL-B，并根据家居环境进行硬件升级的新一代机器人将入驻首批用户的家庭。针对隐私问题，自变量团队明确给出承诺，机器视觉脱敏、用户主动授权、用途限定不共享第三方。王潜指出，当前模型仍处于“实习生”阶段，会犯错，需要远程协助，但其能够实现24小时不间断工作，且每工作一天都会因新数据的产生而变得更“聪明”。

即日起，自变量开始招募首进家庭机器人的家长，用户可通过官方渠道提交申请。