自變量世界統一模型，重構機器人的底層革命

來源：獵云網

當雙足機器人在舞臺上完成后空翻、在馬拉松賽道上完成長距離奔跑，大眾總會驚嘆于具身智能的飛速發展。

但回到真實的家庭場景，這些看似先進的機器人，卻連收拾散落的拖鞋、整理雜亂的客廳這些最基礎的家務都無法完成。正如自變量CEO王潛所言：硬件已經到位了——雙足、靈巧手、力控關節都很好。但大腦沒有跟上。

但這種痛點，即將迎來顛覆性變革。

4月21日，自變量機器人發布全球首個世界統一模型（WUM）架構下的具身基礎模型WALL-B，宣布35天后搭載該模型的新一代機器人將正式入駐真實家庭。

這場從VLA拼接架構到世界統一模型的底層革命，讓家務機器人真正走出實驗室，更標志著具身智能迎來了物理世界的ChatGPT式拐點。

硬件狂歡背后，家務機器人的三重壁壘

過去數年，中國具身智能行業迎來了爆發式的硬件迭代，雙足機器人的運動能力、靈巧手的操作精度都已達到世界領先水平。

但尷尬的現實是，這些在實驗室表現驚艷的機器人，始終無法真正走進普通家庭，其背后是三重無法突破的核心壁壘。

首先是賽道認知的錯位。行業內普遍將馬拉松機器人、舞蹈機器人作為技術標桿，卻忽略了這兩類產品與家庭機器人是完全不同的賽道。

王潛直言：“馬拉松機器人和我們是兩個完全不同的領域，跟做語言模型的公司距離可能還要更近一點，跟跑馬拉松的公司可能還要更遠一點。”

馬拉松機器人的核心挑戰是下肢平衡與硬件工程，本質是在恒定重力場下的固定運動模式優化；而家庭機器人的核心是上肢精細操作與通用智能，需要應對完全隨機、不可預測的開放場景——地毯的摩擦力、物體的非線性摩擦、寵物與孩子的隨機動作，哪怕0.1毫米的操作偏差都會導致任務失敗。

這種認知錯位讓行業陷入了硬件參數的無效內卷，卻始終沒有解決機器人大腦的核心問題。

其次是技術架構的天花板。

目前市面上幾乎所有的具身模型都采用視覺-語言-動作（VLA）的三段式拼接架構。視覺模塊識別物體，語言模塊理解指令，動作模塊生成軌跡。

王昊指出：“VLA架構本質上是三個獨立模塊的拼接，數據在這三個模塊之間逐級傳遞，每經過一次模塊邊界就會發生信息損耗和延遲。更致命的是，它不理解杯子為什么會掉，不理解為什么盤子懸在桌邊需要推回去。它只是在重復見過的東西。”

這種知其然，不知其所以然的缺陷，讓機器人在實驗室表現完美，一進入真實家庭就徹底失效。

最后一重壁壘是數據訓練的陷阱。

行業內絕大多數具身模型的訓練數據，都來自實驗室環境下的標準化采集：固定的光照、固定的物體位置、無干擾的環境，自變量將這類數據形象地稱為糖水數據——干凈、可控，卻與真實世界相去甚遠。

而家庭場景中的數據，是嘈雜、多變、充滿隨機性的牛奶數據：不同家庭的裝修布局、物品擺放千差萬別，散落的玩具、突然跳上桌面的寵物，這些變量在實驗室中無法完全模擬。

王昊強調：“用糖水數據訓練出的模型，在真實環境中會迅速失效，實驗室數據是糖水，真實家庭數據是牛奶。”

世界統一模型重構底層智能

面對這些行業固有難題，自變量機器人選擇了一條完全相反的路：徹底拋棄行業通用的 VLA 拼接架構，從零開始訓練原生的世界統一模型（WUM），為家務機器人打造了一個真正能理解物理世界的 “大腦”。

這場從底層架構開始的范式革命，不僅破解了行業長期無法突破的技術壁壘，更構建了家務機器人賽道真正不可復制的核心競爭壁壘。

世界統一模型的核心突破，是用一體化架構徹底解決了VLA的先天缺陷。

WUM架構的設計邏輯與蘋果M系列芯片的統一內存架構有異曲同工之妙：將所有能力放在同一個網絡中，從零開始聯合訓練、融為一體，徹底消除模塊間的邊界與數據搬運損耗。

王潛說道：“模型在看到杯子的同時，就已經在準備伸手的動作；在觸碰到物體的瞬間，就已經通過觸覺反饋調整了握持力度。這種原生多模態的融合能力，讓機器人第一次擁有了類似人類的同步感知與決策能力。”

更重要的是，WALL-B還首次具備了原生本體感——無需外部傳感器即可內知自身空間尺寸，王昊指出這一點甚至許多動物都不具備。

更具顛覆性的是，世界統一模型讓機器人真正擁有了物理世界觀。WALL-B在訓練過程中，將重力、慣性、摩擦力、速度等基本物理規律融入了模型底層。

王潛以手指摩擦為例：“輕搓的時候很聽話，緊一點的時候會一跳一跳——這是可變性物體加上非線性摩擦，出現高度隨機性。這在自動駕駛、馬拉松機器人里從未遇到過，但卻是上肢操作中最復雜最困難的事。”

正是這種對物理世界的內生理解，讓WALL-B在從未見過的家庭場景中也能實現零樣本泛化，無需針對每個家庭重新訓練。

與此同時，世界統一模型構建了數據-模型-迭代的閉環。自變量放棄了先采數據、再訓模型、最后部署的離線模式，開創了在線進化模式。

王昊類比：“就像人類學習用筷子——筷子掉了無數次，但每一次失敗都在調整控制，最終形成穩定技能。WALL-B在失敗后會調整策略再次嘗試，成功后將經驗直接更新到模型參數中。”

畢竟機器人沒法像語言大模型那樣通過蒸餾快速實現，這是二者當下最大的不同。

而這種全鏈路工程體系，讓自變量在家庭機器人賽道擁有了三年以上的技術領先窗口期。

機器人進入家庭拐點已至

自變量世界統一模型的發布與家庭落地計劃的啟動，從來都不只是一款新品的上市，而是具身智能行業從實驗室炫技走向真實場景落地的關鍵拐點。

首先，世界統一模型的落地將推動具身智能迎來物理世界的Aha時刻。

王潛明確表示：“我們希望在兩到三年的時間里實現真正意義上的物理世界Aha moment，就像當年ChatGPT所做的事一樣。5月25日機器人入駐真實家庭正是這個拐點的起點。”

王昊描述了家庭場景的真實需求：“人們在家里沒有特別高頻的需求，但有很多很多小需求——擺鞋、疊衣服、鏟貓砂、遛狗——合在一起就是大的需求。過去沒有機器人能干多件事情，現在我們要解決這些長尾任務。”

當機器人能在普通家庭中完成這些日常家務，具身智能就將徹底擺脫花瓶式炫技的標簽。

其次，這場底層模型革命將徹底重構家務機器人賽道的競爭邏輯。

硬件在中國從來都是沒有壁壘的，今天有圖紙，明天供應鏈全都被你整出來了。真正的壁壘是模型與數據的全鏈路閉環。

王潛舉例說：“谷歌擁有遠超OpenAI的資源，卻在兩年時間里都沒能完成追趕。在機器人領域，技術本身的壁壘能帶來三年以上的領先。”

更重要的是，自變量已經構建了從數據采集到模型迭代的完整閉環。王昊透露：我們2024年初就自建了數據工廠，到現在仍然是全國乃至全世界規模最大的工廠之一。這種全鏈路能力，讓自變量在大廠紛紛下場的競爭中保持了獨特優勢。

而且最大的作用是，家務機器人的規模化落地，將激活一個十萬億級的隱性市場。

王潛算了一筆賬，家務勞動占GDP的比重大概在20%左右。人類每天花1-2小時做家務，8小時工作，差不多1/4到1/5的比例。

在中國，4.02億職工每天都要花費大量時間處理家務，這些隱性的勞動付出構成了一個尚未被數字化改造的巨大市場。

自變量希望機器人真正造福大家，替代人去做自己不想做的事，而且比人做得更好。

自變量發布會主題“一個新的家庭成員的誕生”，就是希望它是一種新的生活方式：當通用家務機器人實現規模化普及，它將像當年的洗衣機、冰箱一樣成為家庭必備的終端產品，打開一個遠超家電、汽車的全新終端市場。

結語：

從舞臺上的精準表演到家庭里的柴米油鹽，具身智能的終極價值從來都不是完成高難度的炫技動作，而是融入普通人的日常生活，解決真實的生活痛點。

王潛說：“盡管進入家庭的機器人現在還很笨，走得很慢，經常犯錯。人類從嬰兒時期邁出的第一步也是如此。每一個偉大的旅程，都是從踉踉蹌蹌的第一步開始的。”

自變量世界統一模型的出現，不僅為家務機器人裝上了真正能理解世界的大腦，更推開了具身智能走進真實世界的大門。

回望技術發展史，每一次通用技術的拐點都始于一個看似微小的場景突破——ChatGPT用對話交互打開了數字世界通用智能的大門，而搭載世界統一模型的家務機器人，正在用家庭場景的落地，開啟物理世界通用智能的全新時代。

隨著機器人真正走進千家萬戶，這場始于底層模型的革命，終將改寫整個具身智能產業的未來。