中国具身智能的极限分拣实验：用一对夹爪跑赢美国灵巧手

1816 件/小时，机器人快递分拣新纪录诞生了

作者丨齐铖湧

编辑丨董子博

2026 年 8 月 12 日下午，自变量机器人在全网直播了一场特别的挑战任务。

和那些科幻感十足、打光精致的常规直播不同，画面一切进来，自变量机器人合伙人兼算法一号位甘如饴就站在物流传送带旁。他没有铺垫，直接介绍起身后的设备与挑战任务，全程反复强调硬件的“简易”与夹爪的“简单”。

这个机器人要干的活儿听起来挺枯燥：面对源源不断、完全随机上料的复杂快递包裹，连续分拣一小时。

挑战一开始，直播就燃起来了。

传送带上瞬间涌来各种包裹——包括容易会被卡住的圆筒件、极易破碎的生鲜泡沫箱、褶皱变形的软包……这些包裹姿态彻底随机，完全模拟了非常真实忙碌的物流分拣工况。

自变量这个机器人挥舞着两个标准工业夹爪，显得非常灵活：翻面，分拣，推送到对应传送带。

当直播倒计时归零，公屏上打出了最终的成绩单：有效分拣 1816 件，综合成功率 98%。

稍微换算一下，差不多是两秒钟就能分拣一件。

01

藏在传送带上的“非对称挑战”

分拣，一直是机器人进工厂的经典场景。

在这次自变量机器人1816 件/小时的分拣挑战成绩出来之前，其实具身智能圈子里公认的分拣标杆，是美国头部企业 Figure AI 留下的一组数据：200 小时连续作业，平均效率 1248 件/小时。

相比之下，自变量的 1816 件不仅在单小时效率上拉开了身位，更关键的是，看完了整场直播，我们意识到，过去几个月时间，机器人在分拣这件事上，已经有了质的变化。

首先，从 Figure AI 到自变量机器人，两次分拣任务，面临着的是两张难度完全不同的考卷。

海外的演示视频往往光鲜亮丽，处理的也多是四四方方的标准件。但自变量当天的直播镜头，简直堪称“物流灾难现场”：传送带上涌来的包裹毫无规矩可言，有稍不注意就会滚跑的圆柱快件、有极为脆弱的泡沫生鲜箱，还有一大堆姿态千奇百怪、碰一下就会彻底变形的快递软袋。

除了要把这些东西抓起来，机器人还得眼观六路，实时把异形件挑出来推进专门的分流卡槽，同时还要兼顾面单理正。

其次， Figure AI 用的是人形机器人本体+灵巧手的配置，而自变量这次用的是双臂机器人+简洁和成本更低的的夹爪。前者一套配置除了昂贵之外，在处理一些突发工况，也会比后者更有优势，但后者在更少关节灵活度的情况下，就需要有着更聪明的大脑。

从这个角度说，用简洁和成本更低夹爪，在最杂乱的真实工况下，这次挑战跑出了比造价高昂的人形机更高的效率。这其实是一场极其经典的“非对称反超”。

02

被漏掉的 2%，与真正的裁判

除去破纪录的效率，我们其实更关注另一个数据：98%。

在最后的结果公布中，自变量合伙人兼算法一号位甘如饴提到，这次一小时的挑战中，分拣成功率是98% 。

这可能会成为之后自变量在对外pr的一个宣传点，但在对接过各种工厂负责人之后，我们意识到其实2%更重要 ，因为这才是具身能不能进入产线的命门。

一小时下来，大约有 36 件包裹没有被成功处理。

这一点自变量机器人非常坦诚，并没有在直播里藏着掖着。我们清楚地看到，绝大部分抓取失误，机器人都迅速自主折返完成了打捞；当然也有极少数极端情况，比如微小包裹靠着惯性冲进了作业区的死角，机器人捞了几次依旧无果。

愿意在几十万双眼睛面前承认失败，才是讨论工业落地的正确姿态。

在过去一年时间里，大家应该见过很多具身机器人进入工厂的盛大场景，但实际上我们接触下来，在大家看不见的角度，更多的是机器人被退回，甚至赶出工厂。

原因可能是并线失败，roi无法打正，或者是成功率太低。

因为在真实的物流分拣线，这三点对应着三个关键指标，一是成本，二是效率，三是成功率。

自变量的机器人，比起Figure 那次，速度上提升了45% ，效率已经非常看齐人工分拣，与此同时，它的成本整体下降了70%。

最关键的，是98%的成功率，高于人工分拣97%成功率。

为什么成功率如此重要，因为这 2% 的失败需要工厂花钱雇人去兜底，如果失败率高，这笔人工兜底费就会很高，直接决定了采购主管会不会签字，机器人能不能进厂。

行业里有一个冰冷的共识：即便你雇佣最熟练的工人，常态化的自然误差回流率也就在 3% 左右。而自变量的这套分拣体系的稳定性，已经结结实实地踩在了熟练工的及格线上。

在这个赛道里，和海外公司的对比，只是直播的看点之一，在 AI 科技评论看来，真正的裁判永远是分拣员的时薪。

03

硬件的分岔口：

当前行业的一个非共识

为了把成本压到能跟分拣员拼刺刀的程度，当前具身智能行业其实存在一个隐秘的非共识：究竟是硬件迁就模型，还是模型迁就硬件？

很多具身公司目前普遍信奉“人形主义”。他们的逻辑很直白：既然现在的 AI 大模型动作输出还不够细腻，那就靠堆硬件自由度来凑，比如给机器人装上造价惊人的五指灵巧手。这本质上是用硬件的复杂度，去缝补大脑（模型）的短板。

但自变量显然是个“异类”。他们试图通过极其强悍的底层大模型能力，让机械臂的动作空间收敛。说白了，就是当系统自己能算出最高效、最刁钻的操作路径时，手长得稍微笨一点也没关系。

一对标准的工业夹爪，已经足够干完 99% 的搬运活儿。这正是 AI 定义硬件的核心表现，模型越聪明，硬件的冗余就被压缩得越狠。

04

笨拙的夹爪，装着“原生世界模型”

直播里有几个一闪而过的细节，十分生动地证明了这台机器人的“脑力”完全盖过了硬件的笨拙。

比如有个纸箱过来时，系统根本看不到底部的面单。但它居然能根据箱体侧面的微小凸起，自主预判面单就在下面，直接原地给它翻了个面。再比如，有个异形件卡在了斜坡上，它没有像以前那些死脑筋的机械臂一样疯狂硬拽，而是转身先去清掉主线上激增的小包裹，等传送带空出间隙了，再回头去处理卡阻。

这种十分“类人”的常识判断，不可能是程序员在后台写 If-else 穷尽出来的。它的底牌，其实是自变量自研的 WALL-B 具身智能大模型。

这套原生世界统一模型（WUM）架构最有意思的地方在于，它不再把视觉、语言、动作当成三个独立的部门来回传话，而是在同一个网络里一气呵成。系统不是在死板地执行动作指令，而是在实时预判物理世界下一秒会发生什么。

05

分拣挑战的本质，

是具身公司的一次“泛化”秀肌肉

现在大厂开发布会，一定会提到“泛化”，但真正落到产业里，泛化其实分成了极其严苛的分类。

基础的是环境泛化，光线忽明忽暗、传送带反光，系统照样运转。然后是物体泛化，就算扔进去一个从没训练过的奇葩包裹，它也知道怎么抓。其次，还有任务泛化，能听懂陌生的语言指令干长流程的活儿。再往前是本体泛化，一套模型插在机械臂上能分拣，插在机器狗上能巡逻。

在我们看来，最难的是“意图推理”的泛化。

就像你跟机器人说“帮我把这堆乱七八糟的衣服弄整齐”，它能自己拆解步骤，抓错了还能自己想办法纠正。

整场直播看下来，前面的成熟度已经毋庸置疑。而对于“意图推理”，甘如饴在直播技术问答里十分坦诚地表示这还是个“长期目标”。

在行业都在吹牛的当下，自变量这种克制反而挺拉好感的。

06

机器人进车间，

靠的是“一 分钟”生存法则

其实看满了一小时的实测，最让我们感到意外的一个技术指标，根本不是什么几百毫秒的推理速度，而是“1 分钟”。

直播中，负责解说的自变量算法负责人甘如饴透露，这套夹爪采用了极简的快拆设计，就算真的出现硬件故障，现场换个新的最多只要 1 分钟。他甚至半开玩笑地管这叫 F1 换胎式运维。再配上整机进场 30 分钟就能部署完的设定，工业味儿拉满了。

五指灵巧手确实有科技美感，但在粉尘乱飞、磨损极大的物流车间，那玩意儿一旦坏了，维修时间得按天算。停机一天，干线物流就得爆仓。

把硬件做到极简，把换损时间压到按秒计，这是一套抛弃了所有光环的、最务实的生存哲学。在车间里，活得久永远比跑得快更难。

07

聊聊这次挑战背后的公司：自变量

如果你翻翻这家公司的底牌，会发现一件很有违直觉的事：自变量其实并不是一家专做物流设备的厂商。在去车间干苦力之前，WALL-B 模型最先大规模铺进去的场景，是千家万户的客厅。

从给普通人干家务，到去产线上分包裹，这听起来有点割裂，但商业逻辑其实极为严密。

家庭是最不讲道理、最长尾的场景，模型在这个“地狱副本”里验证了应对未知环境的生存边界；而转战枯燥、高频的物流产线，则是为了验证执行动作的极限效率。

这是一个极为典型的难场景练兵易场景变现的样本。同一套大模型能横跨这两个天差地别的领域，足以证明通用具身智能的场景拓展成本正在锐减。大家以后不用再从零开始定做代码了，底层能力自然外溢就够了。

08

具身行业落地，

需要跟自变量学习“算账”

这次直播围观下来，我们最大的感受，是具身行业里，大家正在学会算账。

比如这次自变量，因为砍掉了所有为了“像人”而存在的硬件冗余，只留了最便宜的夹爪，自变量这套软硬一体的方案部署成本，比海外同级别的明星产品暴降了 70% 以上。

要知道，自变量并不是做不了灵巧手，早在 2025 年，自变量就自己发布过单手 20 个自由度的五指灵巧手。

但这次选择低成本部署，某种程度上，这在具身智能领域印证了一种类似 DeepSeek 式的破局逻辑：不去凑算力和昂贵硬件的热闹，而是靠死磕底层算法优化和务实的工程能力，硬生生砸出一条高性价比的血路。

当模型优先、硬件务实的路线被跑通，顶尖的 AI 就有能力把机器变成低门槛的耗材。靠大规模铺货来摊薄成本，这才是能让企业自己活下去的商业闭环。

当然，一小时的直播实测只是一张入场券。真实仓储里日复一日的酷暑、粉尘和高强度磨损，还在前面等着它们，海量的工程细节依然需要填补。

但这 60 分钟标志着，整个行业在狂热的“硬件军备竞赛”中被猛地踩了一脚刹车。它用极其刺眼的数据证明了：机器的智能上限，从来不是由它长得有多像人决定的。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。