“一脑多用”双场景落地，自变量想成为“具身界的OpenAI”

来源：第一财经

今年世界机器人大会上，具身智能企业围绕实际应用场景展开的展示，几乎已经成为行业标配。

本届大会上，自变量将家庭与物流两个差异鲜明的应用场景呈现在展位上：家庭场景中，机器人完成整理衣物、铲猫砂、套垃圾袋等日常任务；物流场景中，两条机械臂协同夹爪，面对随机摆放的包裹完成快速分拣，并将快递面单逐一翻转朝上。

据自变量介绍，这两个场景并非停留在展示阶段，而是已经实现真实落地。其中，进入家庭提供服务的机器人已入选APEC官方示范案例集；物流场景则已经部署至真实产线，实现7×24小时运行。支撑两个场景的，是同一个基础模型WALL-B。

在大会主论坛演讲中，自变量创始人、CEO王潜表示，“具身智能需要的不是把语言模型或多模态模型‘搬’到物理世界，而是一个平行于数字世界基础模型的、专门服务于物理世界的‘基础模型’。”

打造通用具身智能是自变量的目标。在技术路线尚未完全收敛的阶段，自变量希望成为“具身界的OpenAI”，实现具身智能领域“从0到1”的突破。

一脑多用：家庭服务验证“广度”，物流分拣验证“深度”

包括自变量在内，多家参展企业都展示了机器人在家庭场景中完成长程任务的能力：人类通过语音下达指令后，机器人能够理解任务需求，并自主完成相应操作。

然而，在整个WRC展区内，自变量是目前唯一一家真正实现机器人规模化进入用户家庭、提供家政服务的企业。

由于环境复杂多变、任务高度碎片化，家庭场景一直被认为是检验具身智能泛化能力的重要场景。公司成立之初，自变量便将这一方向作为重点探索领域。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。

王潜在演讲中透露，目前自变量机器人已经服务数百户家庭。“通过和家政平台合作，机器人入户完成钟点工保洁工作。”他介绍，目前仍有部分机器人长期驻扎在用户家中，团队会根据用户反馈持续进行迭代优化。

除家庭场景外，物流分拣也是自变量验证具身智能落地能力的重要方向。

在展台现场，两条搭载夹爪的机械臂协同配合，对随机摆放的包裹进行识别与分拣：普通包裹被快速处理，面对泡沫包裹、玩偶等异形件，机器人也能够完成识别，并将其分拣至另一条流水线。

此前，自变量曾进行机器人夹爪物流分拣直播，实测分拣速度达到1911件/小时。直播过程中，自变量合伙人兼算法负责人甘如饴表示，在真实产线中，这一速度已经超过人类操作效率。

甘如饴介绍，物流行业还有一个重要指标——回流率，用于衡量分拣准确率。这一指标要求机器人不仅能够准确识别异形件，还需要保证整个操作过程的连续性和稳定性。

此外，成本也是物流行业普遍关注的问题。据了解，自变量机器人已经投入真实分拣产线，从方案立项研发，到系统跑通，再到部署应用，整体周期约为三个月。相比之下，海外企业往往需要两年以上。

“相比灵巧手，夹爪成本更低，同时维修也更加方便。”甘如饴表示，依靠强大的基础模型，两指夹爪同样能够完成分拣任务。这是更容易被产线接受、实现规模化产业应用的方案。

值得关注的是，在家庭和物流两类场景中，自变量机器人搭载的均为同一个WALL-B模型。这是一款基于世界统一模型架构打造的具身智能基础模型。

“WALL-B最核心的特点是‘多模态进、多模态出’的统一模型，能够进行端到端预测，同时采用多种模态联合建模方式，从而提升模型泛化能力以及操作成功率。”甘如饴补充道。这个模型原生具备对物理世界的理解，是它能够从容应对各种场景任务的原因。

同一套“大脑”在非结构化、半结构化场景中接受持续验证，也让“一脑多用”从概念逐渐走向现实。

王潜认为，“基础模型能够相比专用模型、专家工程以及单点场景方案，实现更好的效果、更低的成本和更快的速度。”在他看来，这一设想已经进入“现在时”，通用模型路线的产业价值正在得到验证。

“最强大脑”的诞生：来自模型、数据、infra和硬件的闭环

模型能力的提升，离不开高质量数据的支撑。

今年以来，具身智能数据采集成为行业关注热点，多家企业提出百万小时级数据采集目标。但有行业人士指出，数据规模提升的同时，真正有效的数据仍然有限。

在王潜看来，数据并非简单的“原始素材”，而更像是复杂的“工业制成品”。根据团队实践，能够用于模型训练的高质量数据，采集的难度并不低于机器人本体或模型研发，甚至可能更高。

他解释称，“难度主要在于数据加工的链路非常长，定义数据需求、采集、清洗、标注，喂给模型后再根据结果反过来调整数采端，这些都需要大量工作。”

自变量坚持使用高质量、包含真实物理交互的数据。王潜表示，物理过程与动作模态之间存在巨大鸿沟，不能简单复制数字世界的方法获得物理世界的洞察，因此需要从头预训练模型、并依赖包含真实物理交互的数据。

而这类数据成本同样较高。为此，自变量推出了无本体数采设备和系统。据介绍，其采集到的全模态数据支持回放、迁移和模型训练，并支持“无本体+真机数据”的混合训练。同时，自变量还自研了完整的数据管线，覆盖采集接入、数据清洗、智能标注、人工质检、训练评测、模型迭代等环节。

除数据之外，自变量也持续建设“AI Infra”，即支撑模型训练和推理的底层软硬件体系与工具平台。王潜认为，AI Infra将直接影响模型产出的数量和质量。

围绕机器人学习效率提升，自变量推出了多项基础设施能力。今年8月初发布并开源的HOST框架（Human-to-robot One-Shot Skill AcquisiTion，人类到机器人单样本技能获取），能够让机器人仅观察一段数十秒的人类视频，就学习新的技能，同时保留已有能力。

今年7月，自变量发布DMuon优化器，解决了Muon应用于分布式计算时产生的冗余计算和额外通信等系统开销问题。Muon是近两年出现的一种神经网络优化器，通过“矩阵正交化”提升训练效率和收敛速度。

今年6月，自变量发布跨模态具身动作分词器X-Tokenizer，将动作数据“分词”转化为与其他模态数据的对齐问题，使拆分后的动作token具备更明确的语义，从而提升多模态对齐能力和长程任务表现。

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以及世界模型WALL-WM，三个模型均达到世界领先水平，也体现出其AI Infra体系建设的成果。

王潜表示，具身模型Infra并不比语言模型Infra简单，甚至更具挑战。这是因为其中涉及大规模机器人集群，不同硬件体系会带来大量通信和训练方面的特殊问题。然而，这也是让模型保持长期领先的企业根基。

“我们的技术发展快，很大程度上得益于打通模型、数据、Infra到硬件的整个闭环。”王潜相信，在底层Infra支持的模型快速进步下，距离具身智能达到ChatGPT时刻，机器人进入千行百业、千家万户并不遥远。