自变量的“最强大脑”，真正功夫在水面之下

　　撰文| 文烨豪

　　编辑| 王 潘

　　每隔一段时间，具身智能的叙事就会演变一次。

　　去年WRC，话题更多围绕硬件和全身运动控制，而今年，所有人都在谈“大脑”，谈大模型。

　　共识渐渐形成了，问题却才刚刚开始。很多厂商都在强调“大脑”，但多数展示却集中于单一场景，通用性存疑。

　　自变量是个例外。其展区里，既还原了家庭场景，亦搬来了一条物流分拣产线，同时展示了灵巧手拆快递与无本体数采方案。

　　家庭服务展区里，自变量机器人好似真人保姆，把取外卖、叠衣服、换垃圾袋，甚至铲猫砂等数十项任务全都揽了下来。

　　几步之外，两条机械臂以大约半秒一件的速度，持续分拣形态各异的真实包裹，使包裹以面单朝上的姿态落到传送带上。

　　两件事看起来虽毫不相干，但驱动它们的，其实是同一个“大脑”。而一个大脑，凭什么能同时打两场完全不同的仗？它打这两场仗，又是为了什么？

　　这或许正是自变量，想在这届WRC上回答的问题。

　　不同场景，同一个大脑

　　如果说，家庭是高度非结构化的“开放世界”，那么物流则是半结构化的“练兵场”。

　　家庭的难，难在几乎没有两件事是重复的。

　　每户人家的户型、家具摆放习惯、光照条件等都不一样，小物件位置更是天天在变，且任务又碎又长尾。除了整理柔软衣物、拿饮料、收拾桌面这类常规家务，还要处理拖鞋散落、猫跳上桌这样的意外，没有任何预设规则能穷尽。

　　常有人将家庭称为检验机器人通用能力的“终极考场”，道理就在这里。也因如此，家庭里，每天都在产出“没见过、很奇怪”的任务。而这，恰恰是检验模型泛化能力最好的考场。

　　换言之，家庭场景现阶段的核心价值，并不是把某一项任务干得多么漂亮。相反，是靠着极致的复杂，逼着模型把能力边界往外推，在动态环境里打磨环境理解、长程执行和常识推理这些通用底层能力。

　　而物流场景，则恰恰相反。

　　尽管其作业环境规整、流程也相对标准，但工况却相当残酷——包裹源源不断，每件大小、重量都不一样，强度极高，尤其考验机器人的快、准、稳。

　　在这里，每天滚滚而来的，是海量、高频重复的任务。而这，则能验证模型的调度效率、运动精度与故障容错，以及长时间持续作业的能力。

　　两间考场，行业里多数玩家目前只敢闯进一间。有的一头扎进工厂，聚焦相对单一的结构化场景，有的试图一步到位，却经不起产线的算账。更常见的是传统自动化的逻辑，家庭归家庭、物流归物流，模型、数据、硬件各自为战。

　　更何况，在任何一个场景里，能够真正进入大规模应用阶段的企业，都是凤毛麟角。

　　但事实上，一颗真正的最强大脑，既不能挑活，也得把活干好。

　　这亦是自变量和多数同行的分野。若只在家庭里练，模型可能什么都见过一点，但工业场景要求的一致性和精度，很难得到保障；只把机器人送进工厂，模型可能把一类动作练到极致，但遇到没见过的状况，就会“宕机”。

　　相比之下，自变量的做法更“贪”，即把两个场景的需求，全部用同一套数据基础设施来满足，使用同一个大脑——家庭那边拓展能力边界，物流这边淬炼工业级性能。而同时啃下这两块最硬的骨头的WALL-B，才配叫“真通用”。

　　最强大脑，强在哪？

　　作为“最强大脑”，WALL-B背后有着自变量对于行业、技术的独特判断。

　　据悉，WALL-B是全球首个基于“世界统一模型”（WUM）架构的具身大模型。

　　相较于行业主流的VLA路线，WALL-B把视觉、语言、触觉、动作和物理预测融进同一个神经网络，让机器人理解重力、惯性和摩擦力，能推演一个动作会带来什么状态演化，还具备记忆与持续学习的能力，天生就能跨本体、跨任务、跨场景执行。

　　而这，源于自变量的一系列“非共识”选择。

　　近日，云启资本管理合伙人陈昱与深渡资本管理合伙人邵予佳的对谈，捅破了具身智能赛道的一层窗户纸——目前行业里充斥着投机者，市面上多数所谓的“大脑”，不过是在Physical Intelligence开源的π0.5模型上做后训练的产物，真正肯在预训练上砸钱的公司凤毛麟角，自变量算是一家。

　　自变量创始人兼CEO王潜有一个判断，即具身智能需要的，或许并不是把语言模型或多模态模型搬到物理世界。更具价值的，是一套独立于、平行于数字世界基础模型的、专门服务物理世界的“基础模型”。

　　他的参照系是人脑——负责精细操作的脑区规模，几乎和语言、高级思维相当，意味着操作这件事的复杂度不亚于语言本身。更耐人寻味的是，在所有脑区里，唯独负责手部精细操作的皮层，拥有直达脊髓的跨层直连。

　　换言之，自变量一直坚持的端到端模型，既符合AI发展中“依赖大规模学习的通用方法长期胜过人工规则”的经验，也能在生物演化中找到对应。也因如此，其主张把各种能力放进同一个“通才”模型中，让模型同时学习动作、视觉、语言和物理规律。

　　另一方面，跨本体的泛化能力，则是“大脑”另一重分水岭。

　　最强大脑，显然不能拘泥于同一副身体里。

　　WRC展台上，WALL-B同时驱动着量子一号和二号人形机器人、机械臂和标准夹爪、灵巧手。插花、拧风扇开关这些精细操作，交给灵巧手；翻包裹这种重复高强度、还得算ROI的活，则交给机械臂与夹爪。

　　一个简单的例子，今年5月，明星企业Figure AI旗下搭载五指灵巧手的机器人，在一场物流分拣直播中，以1248件/小时的速度，拿下了机器人切入物流场景的标志性一役。

　　WRC期间，自变量在海外平台发起了一场充满对标意味的挑战。最终，其两台搭载着标准夹爪的机械臂，在无人介入的情况下，连续作业5小时，实测分拣速度达到1911件/小时。如果说，自变量此前的一小时直播尚可解释为短时峰值能力，那么5小时连续作业跑出的稳定均值，再无争议余地。

　　值得一提的是，这场测试还戳破了一个行业惯性，即模型能力不够，就用硬件来凑。灵巧手靠高自由度硬件，就能分担掉大量操作难度；标准夹爪开合自由度有限，几乎全靠模型对物理规律的理解和实时决策硬扛。所以，用更简单、便宜的身体，把活干得更好，本身就是大脑能力的证明——唯有模型足够强，硬件才有资格做减法。

　　这也解释了资本市场的下注逻辑。硬件形态或许还会持续迭代，但模型能力是跨形态累积的。而当同一模型按任务调用不同身体，硬件便成为了大脑触达物理世界的“接口”——接口不拘泥于任何一种形态时，留在牌桌中央的正是大脑。

　　商业逻辑上，自变量既有以终为始的笃定，亦有沿途下蛋的务实。

　　毕竟，技术再前沿，终究也要回答“什么时候能赚钱”。

　　家庭是现阶段行业公认的终局，但距离大规模商业化还有距离。今年上半年，自变量机器人开始大规模地进入真实家庭工作，为日后更深度的落地应用打入锚点。

　　相比之下，物流分拣的账今天就能算清楚，每小时多少件、准确率多少、替代多少人工、投资回报周期多长，都是B端客户买单的硬指标。

　　此外，据王潜透露，自变量从数据采集、模型训练到生产部署打通物流产线只用了约三个月，投资回报率（ROI）已经能满足企业水平，而海外同类场景的投入通常长达两年半。这既说明了自变量预训练模型的强悍，也意味着，基于“最强大脑”，自变量或许已经具备了快速切入、扎根工业场景的能力。

　　归根结底，自变量仍在通往物理世界AGI的攀峰路上。但相比一步登天，其选择先沿途铺设营地、架设绳索，用近处能变现的场景，养远处真正想做成的事。

　　水面之下的自变量

　　WRC上所看到的场景、机器人，不过是自变量不断溢出的涓流；而在水面之下，涌动着一片尚未被探明的深海。

　　据王潜透露，自变量的核心竞争力，既来自模型本身，更来自水面之下的模型架构、数据管线与Infra，以及组织管理等部分。

　　以数据为例。现阶段，很多厂商将数据视为石油这样的标准化大宗商品，开采出来就能用。但在王潜看来，具身数据更像极度复杂的工业品，需要被定义、采集、判别、处理，再根据模型效果反复迭代：“做一个很好的数据，复杂程度比做一个很好的模型要高很多。”

　　另一方面，语言模型和视频模型的数据可以从互联网廉价抓取，具身模型却没有这条捷径——真机、UMI、Ego-centric等数据，都要靠人力和时间堆出来，采到足以支撑基础训练的规模，周期往往拉得很长。这既是多数团队知难而退、转向后训练的一大原因，亦是预训练的门槛所在。

　　据悉，自变量坚持使用高质量的、包含真实物理交互的数据。但具身数采的难点往往不是“采不到”，是“采了用不起来”——市面上很多所谓的数采设备，本质上只是几组摄像头和传感器拼凑的产物，采完的数据还得专门清洗、标注、对齐，数据生产与模型训练是割裂的两段。最后发现，可用的数据少之又少，大几十万小时的数据最后可用的只有十几万小时。

　　自变量的解法是，将所有链路合为一条闭环。为此，其自研了包括采集硬件、数据清洗、训练评测等维度的完整数据管线。

　　早在2024年，自变量便建起首个大规模数采工厂；今年，其又推出了Quanxta Zero无本体数采方案，用定位头环加智能双夹爪实现全身移动采集，定位毫米级，视觉、触觉、听觉等多模态时间同步精度约1毫秒。数据上传云端后，自动完成时间戳对齐、清洗、智能标注与人机协同质检，再流入模型训练环节。

　　这是一个自转的数据飞轮，亦是目前全球唯一跑通“数据采集—数据处理—模型训练”完整闭环的数采产品。据悉，基于这整套数采链路，自变量使用10%的遥操作或真机数据，再配合90%的无本体数据，可以达到100%真机数据基线的训练水平，数据成本降低90%。

　　而这，亦开辟了模型厂反向定义数采的方法论——不是先采一堆数据，再看能否发挥价值，而先判断模型需要什么，再定义采什么，从而替自己、也替行业迈过数据这道坎。

　　再往下一层是Infra。

　　数据规模一旦上来，瓶颈就不在模型本身。语言模型的训练效率高度依赖底层基础设施，DeepSeek的突破，很大程度上正是Infra层的胜利。

　　而具身智能迟早要撞上同一堵墙，而且墙或许会更高。毕竟其在分布式训练、优化器和通信系统之外，还多了大规模机器人集群，硬件的通信、时钟同步、训练与真机运行之间的数据衔接都需要单独处理。

　　为此，自变量开源了分布式DMuon优化器。Muon是当前深度学习领域公认表现最好的优化器之一，但原有方案的通信带宽比经典AdamW高出约50%；而自变量通过分布式改进，把这部分额外开销去掉，同时获得约30%的收敛速度增益。

　　在王潜看来，这一贡献并不限于具身领域，整个语言模型领域也会受益，下一个版本的语言模型很可能就由这类优化器训练出来。

　　此外，自变量在今年6月，推出跨模态具身动作分词器X-Tokenizer；在8月初，发布并开源单样本学习框架HOST。

　　这些开源项目只是自变量Infra体系的一部分。

　　从4月到6月短短两个月内，自变量还连续发布了三个具身大模型，包括世界统一模型架构WALL-B、开源VLA模型WALL-OSS-0.5以及开源世界模型WALL-WM，三个模型均达到世界领先水平。自变量“敢于”不断开源的背后，一方面体现出其AI Infra体系建设的成果，另一方面可窥知其手里一定还有更“硬核”的技术。

　　即便模型会迭代，技术范式会更迭，但Infra能力却能穿越周期，成为长期的护城河。

　　因此，纵使具身智能仍有诸多技术路线尚未收敛，但手握“最强大脑”、全栈功力极深的自变量，显然已经为终局攒下了一笔厚实的筹码。