在8月19日至23日举行的2026世界机器人大会（WRC）上，自变量机器人将家庭服务、物流分拣与无本体数据采集三个展区并列呈现，试图用同一个端到端世界统一模型WALL-B串起“服务家庭生活、赋能产业应用、定义数采基建”的完整叙事。

公司创始人兼首席执行官王潜在大会论坛演讲中提出，具身模型应被视为与数字大模型平行的另一类基础模型，并判断机器人广泛进入家庭与产业“绝对不用等五年、十年”。

两类场景验证同一个模型

本届WRC上，自变量没有选择发布新的模型名称，而是把已经进入真实场景或从产线1:1复刻的能力搬进展台。《中国经营报》记者在展台现场观察到，家庭展区、物流分拣展区与数据采集体验区并列，背后指向同一条技术主线——用同一个WALL-B模型驱动不同本体、不同任务和不同场景。

在家庭展区，机器人连续完成收纳整理、清洁打扫、搬运跑腿等数十项任务，覆盖整理柔软衣物、取外卖、拿饮料、收拾桌面、浇花、铲猫砂、自行充电等高频家务；有时还拿起宠物玩具逗一逗机器狗。另一侧，一双由WALL-B驱动的灵巧手拆开快递、取出风扇并拧开开关，另一台人形机器人则根据观众指定颜色夹起花束插入花瓶。

现场看似轻松的生活展示，并非概念演示。据悉，今年3月，自变量与58到家合作推出机器人上门家政服务；5月又推出“X家庭成员计划”，让机器人在用户家中常驻最长达一个月。该公司“机器人进家庭项目”还入选APEC数字周大会官方案例集，成为唯一以具身智能服务民生的典型案例。

自变量方面向记者表示，机器人进家服务已经大规模服务用户家庭，最常见的是整理衣物、搬运东西、收拾桌面等高频家务。最大挑战是物品多样性、环境非结构化和人机协同同时出现，需要让机器人在连续真实环境中持续迭代。

王潜在WRC论坛演讲中提到，公司机器人已为数百户家庭提供过保洁服务，部分机器人长期驻留用户家中，能够与用户产生情感连接并实时获得反馈。

物流分拣展区呈现的是另一类要求。两条机械臂配合夹爪，对大小、形状、材质、重量完全随机的真实包裹进行分拣，将面单翻转至适当朝向。遇到轻小包裹，它直接夹取搬运；遇到大件沉重包裹，它从侧面推动；遇到蜷曲折叠软包，则先摊平理顺再调整面单。

在不久前全球直播中，该方案实现1816件/小时的分拣效率，超过美国同行45%；面对真实物流件，分拣准确率达到98%；相比“人形机器人+五指灵巧手”方案，硬件成本下降70%。

这套方案并非只在展区演示，据自变量方面介绍：“其已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；在产业端，自变量还进入华晨宝马产线，并与顺丰合作物流分拣。据王潜透露，公司在真实工业产线上部署的机器人，投资回报率已达到或超过人工水平；项目从数据采集、模型训练到生产部署用时约三个月。”

具身智能的“工业品”逻辑

家庭与物流对机器人能力要求差异极大：家庭环境开放、任务长程且随机，更考验泛化与应变；物流产线则看中作业效率、准确率、稳定性和部署成本。自变量将两类场景放在同一展台，试图证明同一个WALL-B可以同时兼顾。

据公司介绍，WALL-B由自变量从零预训练，把视觉、语言、触觉、动作和物理预测融合进同一个神经网络，使其理解空间关系、重力、惯性和摩擦力等物理规律，推演不同动作带来的状态演化，并具备记忆和持续学习能力。这使得机器人无需为每个场景从零训练模型，进入新产线时只需进行部署适配，无须重新采集海量数据、定制昂贵硬件或大规模改造产线。

王潜在演讲中进一步解释了这条技术路线。他认为，具身智能的关键任务不是跑步、跳舞或攀岩，而是精细操作。抓取、使用工具等操作涉及遮挡、不确定性、三维空间结构和复杂接触过程，参数空间会迅速膨胀。因此，不能简单把语言模型或多模态模型迁移到物理世界：动作模态与视觉、语言模态存在显著差异，互联网视频也难以完整记录摩擦、受力和接触等物理信息。具身模型应当成为与数字世界基础模型平行的另一类基础模型，模型不只是输出动作，还应学习物体如何运动、环境如何变化以及操作会带来什么结果。

在数据问题上，王潜提出“数据不是石油，而是工业品”。真正能训练具身模型的数据，链条长、加工复杂，覆盖任务定义、采集、质量判断、处理、训练验证和反向优化，复杂程度甚至可能高于模型本身。

自变量WRC展区展示的QUANXTA Zero无本体数据采集方案，即是对这一环节的直观呈现——观众穿戴设备后，动作被捕捉并转化为机器人可学习的数据。

据自变量介绍，该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%，并具备行业唯一的“移动采集数据本体回放”能力。公司还搭建了覆盖数据清洗、自动化标注、质量控制和数据增广的整套管线，自研面向具身大模型的分布式训练与高性能推理框架，将数据采集、模型训练到真机部署的全流程从6个月缩短到3天。

王潜认为，具身AI基础设施并不比语言模型基础设施简单，甚至更难，因为大部分机器人集成必须与硬件打交道，涉及大量通信和同步问题。

今年6月，自变量开源WALL-OSS-0.5并发布世界模型WALL-WM。对此，公司方面向记者表示，开源目的是降低具身智能开发门槛，让更多开发者基于经过真机验证的预训练模型继续探索，减少重复建设，同时推动行业更加重视预训练和基础模型能力，而非针对每项任务反复后训练。WALL-OSS-0.5仅靠预训练，在17个真机任务中已有4个达到80%以上自主完成率。WALL-WM则以“事件级预测”替代传统“帧级预测”，将“接触杯子—稳定抓取—杯子离开桌面”视为一个完整事件，把动作、视觉状态变化和语言描述对齐，从而提升动作规划、结果预测和偏差纠正能力。

节奏判断与商业验证

公开信息显示，王潜本科、硕士毕业于清华大学，曾赴美国南加州大学攻读博士，在机器人实验室从事机器人学习与人机交互研究，是较早在神经网络研究中引入注意力机制的研究者之一。2023年12月，他在深圳创立自变量机器人，带领团队聚焦端到端通用具身智能基础模型研发。

对于行业反复讨论的“机器人何时进入家庭”，王潜在本届WRC论坛上回应称，社会注意力与机器人模型发展存在“微妙的错位”：去年很多人过于乐观，认为一年内机器人能很快进入家庭；今年又有很多人过于悲观，认为需要五到十年。

他判断，物理世界的通用智能并非遥不可及，机器人广泛进入千行百业和千家万户“绝对不用等五年、十年”；五年后回看，机器人可能已经进入千行百业、千家万户，基本替代人类体力劳动。

从本届WRC的展示看，自变量希望证明的并非单一场景突破，而是“模型—本体—数据—场景”闭环开始运转。家庭服务提供泛化能力的广度，物流分拣验证产业落地的深度，无本体数采则降低数据门槛。王潜给出的乐观判断，建立在家庭服务、真实产线部署和模型快速迁移的基础上，而非单纯技术想象。

不过，家庭中狭窄空间、复杂工具、长尾任务等挑战仍然存在，机器人能否真正跨越从“可用”到“常用”的鸿沟，仍需规模化服务和真实反馈的进一步检验。

（编辑：卢志坤 审核：童海华 校对：陈丽）