北京
8月19日-23日，世界机器人大会（WRC）在北京举行，自变量机器人在大会上带来了家庭服务、物流分拣两个典型应用场景和无本体数据采集的可操作展示。前两个场景均来自自变量已经规模化落地、大规模应用的实际案例的1:1复刻。
在大会现场，自变量搭建的展台，展示出以通用模型驱动各场景应用的优越性。
在家庭场景中，机器人流畅完成收纳整理、清洁打扫、搬运跑腿等数十项任务，覆盖机器人家庭服务的主要类型，展示出“科技进步革新生活方式”的动人图景。
在物流场景中，自变量复刻了不久前全球直播的物流分拣产线：两条机械臂配合夹爪，全自主分拣复杂随机的真实包裹，分拣效率高达1816件/小时，展示出“具身智能服务产业升级”的真实案例。
自变量还展示了无本体数采方案QUANXTA Zero，让观众能够亲身体会自己的动作被捕捉采集、变为机器人可训可用的数据。模型企业反向赋能数采，展示出“基础科研加速行业发展”的经典路径。
在家庭服务展区，自变量展示了行业内最“广”的家庭服务：机器人正有条不紊地完成家务劳动，包括整理柔软衣物、取外卖、拿饮料、收拾桌面、浇花、铲猫砂、自行充电等。有时还会拿起宠物玩具，逗一逗机器狗。
展区另一侧，一双由WALL-B模型驱动的灵巧手则拆开快递，取出风扇并拧开开关，为观众送去徐徐凉风。另一台人形机器人夹起观众指定颜色的花束，插在花瓶中递给观众。
这些展示还原自真实家庭服务。今年3月，自变量与58到家推出机器人上门家政服务，由机器人与保洁员协同完成清洁、收纳等家务。这是机器人行业首次大规模实现机器人进家庭服务。今年5月，自变量还推出“X家庭成员计划”，让机器人在用户家中常驻最长一个月，在连续、真实的生活环境中提供服务。
自变量的“机器人进家庭项目”也入选APEC数字周大会官方《亚太地区数智赋能案例集》，成为唯一以具身智能服务民生的典型案例。
自变量在真实用户家庭开展服务，说明机器人已经具备一定的理解环境并规划动作的能力，表现出越来越高的泛化性能。
在物流分拣展区，自变量则展示了产业最“深”的物流分拣：两条机械臂搭配夹爪，持续对大小、形状、材质和重量完全随机的真实物流包裹进行分拣，将面单翻转至适当朝向。
面对不同包裹，它会自主采取不同的策略：对于轻小包裹直接夹取搬运；对于大件沉重包裹则从侧面推动；对于蜷曲折叠软包则先摊平理顺，再调整面单方向。
物流分拣作为最先落地的具身产业应用，代表着技术赋能产业的“深度”。在不久前的全球直播中，自变量实现了1816件/小时的分拣效率，超过美国同行45%。同时，“机械臂+夹爪”的硬件方案，相比同行“人形机器人+五指灵巧手”，成本大幅下降70%。自变量处理的还是形态随机的真实物流件，而非同行定制的标准尺寸盒子，分拣准确率仍达到98%。
通过展区演示和此前直播，自变量向全行业证明了一条可行的产业路径：凭借更加通用智慧的具身大脑，而非堆砌更昂贵的硬件身体，能够让机器人完成更复杂的产业任务。泛化任务能力来自预训练的大脑，整套方案也更容易迁移到不同产线、场景乃至行业，而无需采集大量数据、定制专用硬件或对产线大规模改造。这是一条真正可以规模化复制、低成本落地的产业路径。
这套方案也不仅限于展区演示，而是复刻自真实产线：目前，自变量已经与一家头部物流企业合作，将物流分拣方案部署到真实生产环境，实现常态化和规模化运行，并通过企业对生产效率和经济效益的考验。
家庭服务与物流分拣对机器人的能力要求截然不同：家庭环境高度开放，任务长程且随机，更考验机器人在陌生环境中的泛化和应变能力；物流产线则更看重作业效率、操作准确率、运行稳定性和部署成本。兼顾这两类应用场景，对具身模型的通用泛化能力提出了极高要求。
驱动这两类场景的，正是自变量全自研的同一个端到端的世界统一模型WALL-B。该模型由自变量从零预训练，将视觉、语言、触觉、动作和物理预测等能力融合进同一个神经网络。让其不仅具备空间推理能力，还能够理解重力、惯性和摩擦力等物理规律，推演不同动作可能带来的状态演化，并具备记忆能力、能在与环境的交互中持续学习。
这个“大脑”使得机器人天生就具备跨本体、跨任务、跨场景执行操作的能力，就好像人类接受了更好的“通识教育”，无需太多“技能培训”就能迅速上手新的工作。这正是自变量找到的大规模普及具身智能产业应用的路径：让机器人形成对物理规律和事件演化的统一理解，在物理世界行动自如，最终穿越“物理世界的智能奇点”，服务每一个人的生活。
此外，自变量展示了QUANXTA Zero系列无本体数据采集方案，数据入库有效率超过85%，可将模型训练的数据成本降低90%。在展台上，观众可以穿戴设备，亲身体验人的动作被采集、转化为机器人可学习的数据。据自变量介绍，这套方案还具备行业唯一的“移动采集数据本体回放”能力。
不仅如此，自变量还搭建了整套数据管线，涵盖数据清洗、自动化标注、质量控制和数据增广等流程，将原始数据持续加工为模型可训、可用的资产。在模型基础设施层面，自变量自研了面向具身大模型的分布式训练与高性能推理框架，可将数据采集、模型训练到真机部署的全流程工作从6个月缩短到3天。
