機器人這回真要進家當保姆了！世界統一模型登場，有世界觀、能自我進化

智東西
作者 許麗思
編輯 漠影

33天后，你的家里或許就要迎來一位硅基新成員了！

它要面對的，可能是隨處散落的衣服、小孩隨手扔在地上的玩具、桌邊快要掉下去的杯子、剛被貓弄亂的客廳……這些你每天都要做、似乎永遠做不完的瑣碎家務。關鍵是，它還能24小時全天在線，把家務活越干越明白！

4月21日，自變量機器人在北京舉行發布會，宣布將于5月25日，讓搭載新一代自研具身智能基礎模型WALL-B的機器人入駐真實家庭。

WALL-B是全球首個基于世界統一模型（World Unified Model，WUM)架構的具身基礎模型，把視覺、聽覺、語言、觸覺、動作乃至物理預測放進同一個網絡里從零聯合訓練，讓機器人第一次有機會同時形成對環境、自身和任務的整體理解。

更重要的是，WALL-B突破了VLA只會模仿的天花板，開始具備對物理世界規律的認知，并能在真實交互中持續學習和自我進化，標志著具身基礎模型從VLA架構向原生多模態融合架構的重大跨越。

一、從WALL-A到WALL-B，機器人大腦從模塊拼裝進化成原生統一

最近，北京人形機器人馬拉松火爆全網，機器人在硬件本體、運動控制上進步飛速。但是熱鬧之外，人形機器人靈巧操作、泛化性等方面，卻存在不少困境，這也是機器人一直沒辦法進入真實場景干活的關鍵。

目前的具身大模型大都基于VLA架構，自變量早期也推出了基于VLA架構的第一代具身模型WALL-A，但把機器人送進家庭后，團隊漸漸看清了VLA的天花板。

VLA技術生態雖然比較成熟，但本質上是多個獨立模塊的拼接。信息就像流水線一樣逐級往下傳，每傳一次信息就損耗一次，最后機器人真正要執行的時候接收到的信息就不完整了。

這其實很像在蘋果M1芯片出現之前，Mac上各自獨立的CPU、GPU、內存一樣，信息在這三個芯片之間每搬運一次就會產生損耗、出現延遲。

另外，VLA能夠讓機器人模仿訓練數據的軌跡，但沒法搞懂物理世界規律。機器人只會死記硬背但沒掌握底層規律、不會變通，真干活了就會暴露出各種不足。自變量機器人CTO王昊總結道，“模仿是VLA的天花板”。

比如，當看到一個盤子懸在桌邊，機器人無法理解它會在重力作用下往下掉，自然也就不知道需要把它往回推。

從WALL-B到WALL-B，自變量實現了從VLA到WUM的架構革命，本質不是做一次普通迭代，而是把機器人大腦從模塊拼裝改成原生統一。

WALL-B就像蘋果M1芯片統一了內存架構一樣，將視覺、語言、動作、物理預測等所有能力，放在同一個網絡中從零開始聯合訓練，打通模塊之間壁壘，讓各個模塊從過去的分頭行動走向協同運轉。

機器人之前就像“傳話式”地處理任務，而從現在開始，模塊間的邊界和數據搬運損耗被消除了，它就能夠整體性地對環境、身體、任務等進行思考，像人類一樣去理解世界。

這種整體性性思考的能力，就像我們看到一個杯子快從桌邊掉下去的時候，往往腦子還沒完全反應完，手就已經先伸出去接了。因為人在那個瞬間，對環境、物體狀態、身體動作和接下來可能發生的后果，擁有一種整體性的理解。

二、基于世界統一模型架構，WALL-B讓機器人有世界觀、能自我進化

基于世界統一模型（WUM）架構，WALL-B實現了三項區別于行業現有模型的核心技術特征：

1、原生多模態

WALL-B從訓練第一天開始，就對視覺、聽覺、語言、觸覺、動作等多模態數據進行同步標注與聯合訓練。

機器人看到一個杯子快要從桌子掉下去的同時，它的手就伸了過去，一邊還調整力度把杯子穩妥放好。模型不再需要再像流水線一樣等不同模塊轉譯、傳話，才能進行下一步。

這種架構讓模型第一次擁有了原生本體感，讓機器人能感知自身尺寸與空間位置，判斷自身在環境中的狀態。

遇到狹窄的過道、半開的門、高處的物品時，機器人能清楚地判斷能不能通過、能不能夠得著東西、夠到了會發生什么。而很多掃地機器人甚至都不具備這個能力，它連自己鉆進去沙發底、桌底會不會被卡住可能都不太清楚。

WALL-B還讓機器人擁有了部件級理解能力，在看到一個杯子的時候，機器人能像人一樣感知到杯子把手朝向哪里、是什么材質、杯身有什么圖案、杯子里有沒有水、怎么拿握更合適。在一個家庭中認識了一個杯子后，換一個地方它還能認得，即便外形完全不同。

2、物理世界的“世界觀”

WALL-B讓機器人不止看見世界，還能讀懂世界，感知并預測重力、慣性、摩擦力、速度等基本物理規律。

機器人端起了一個裝滿水的杯子，能感知杯子里有水、重量會隨著液體晃動發生變化，手上的力度太小可能打滑，太大又可能把杯子捏翻，移動過快還會因為慣性把水灑出來。所以它會一邊拿、一邊動態調整手部力度和移動速度。

真正支撐零樣本泛化的，不是模型記住了多少任務，而是它開始理解這個世界的基本運行規律。今天能在一個家庭里判斷裝滿水的杯子該怎么端，明天就能在另一個完全陌生的環境里，處理材質不同、重量不同、形狀不同的容器。

機器人掌握的不再只是某一個動作模板，而是一套可以遷移到更多場景中的底層常識。

3、與世界交互并自我進化

目前，基于VLA模型的機器人在任務失敗后通常直接停止，返回錯誤信息，沒法從失敗中學習。而WALL-B的行為模式則完全不同：它在失敗后會調整策略再次嘗試，如果成功，則將這次成功的經驗直接更新到模型參數中。這是WUM架構區別于所有現有VLA模型的最根本特征。

機器人的學習方式從等人喂數據、等工程師重新訓練，變成了在真實世界里邊做邊學，越來越聰明。

王昊比喻，這就像人類學習如何用筷子一樣，會在實踐過程中不斷調整角度、力度，最后內化為自身的技能。

過去，我們看到許多會后空翻、跳街舞、寫毛筆字的機器人表現驚艷，但本質上仍是預設軌跡的“命令行機器人”，每一個動作都經過預先編程或遙控操作。

而家庭場景沒有人能提前把所有情況教完、預設好軌跡，機器人只有理解更底層的物理規律和空間關系，并能夠在持續的實踐中不斷進化，才可能真正落地在千變萬化的家庭場景中。

三、從糖水數據到牛奶數據，自變量靠真實家庭場景轉動數據飛輪

高質量真實數據的缺失，正是制約具身智能技術落地的核心一環。王昊認為，具身智能行業最大的秘密不是算法，不是架構，不是硬件，而是數據。

規模化、流水線式生產數據的數采工廠，雖然效率高，但依賴于預設場景、標準化任務，無法覆蓋真實世界中各種非標準、非重復、瑣碎的操作場景。

王昊把這類數據比喻為“糖水數據”，就像糖水除了甜之外對身體沒什么好處，這類數據雖然干凈、可控、量大，但和真實家庭里的復雜環境之間仍然隔著一道很深的鴻溝，基于這種數據訓出來的模型，在真實環境中會迅速失效。

這是因為，真實家庭不是一個標準化的實驗場，而是由雜亂物品、不同燈光、寵物穿行、孩子打斷和臨時任務等組成的生活現場。

與之相對的，王昊比喻為“牛奶數據”，牛奶是能夠給身體帶來實打實的營養的，真實家庭環境中采集的嘈雜、多變、充滿隨機性的數據，訓練價值更高，這也是自變量選擇的數據道路。

為了拿到這類數據，自變量團隊進入了數百個志愿者的真實家庭做模型訓練。每一戶的布局、燈光和混亂程度都不一樣。

真實家庭之所以重要，不只是因為更復雜，而是因為它讓任務規劃這件事本身也變得不可預設。王昊提到，機器人呢在進入任何一個家庭之前，很難知道具體要做什么任務、沒法提前規劃任務。

這種耗時耗力的“笨功夫”，卻恰恰形成了自變量最關鍵的壁壘，機器人只有在這種差異里訓練，才可能建立真正的泛化能力。

所以，自變量選擇用實驗數據打底，真實場景提質，前者讓模型擁有基本能力，后者讓模型學會在不確定、不可預測的環境中生存。

更重要的是，WALL-B能讓機器人能夠在與真實世界的持續交互中不斷產生新數據、回流新經驗，并推動模型完成自我進化，形成“進家庭—獲取數據—模型自我進化—再進更多家庭”的正向數據飛輪。

一旦這個飛輪真正轉起來，數據就會變成模型持續成長的燃料，像自變量這樣更早進入真實場景、積累更多高質量交互數據的企業，就能夠不斷擴大自身的領先優勢。

四、機器人1個月后入駐真實家庭，在工作中越變越聰明

前陣子，自變量和58同城合作，將搭載WALL-AS模型的機器人送入真實家庭，與保潔阿姨協同作業，在全球首次機器人進入家庭作業。

這次，王潛明確表示，將在5月25日，讓搭載WALL-B模型的機器人進入真實家庭干活。

對于機器人進入家庭后可能會帶來的隱私問題，王潛提到，自變量會采用視覺脫敏、透明授權、用途限定的方案來保證用戶的隱私安全。

機器人進家庭這件事的想象空間顯然不止賣一臺機器人，因為當機器人開始在家庭中長期駐留，它就不只是一個消費電子產品，更像是一個可持續更新的服務系統，可以通過服務訂閱、功能更新和模型升級，不斷提升它的能力。

對企業來說，這門生意不再是一次性賣機器，而是憑借持續服務和持續升級，與客戶形成長期付費關系。

王潛也承認，當前模型仍處于“實習生”階段，會犯錯，需要遠程協助，有時可能把拖鞋放到廚房、擦桌子擦到一半停下來思考。但其能夠實現24小時不間斷工作，且每工作一天都會因新數據的產生而變得更“聰明”。

結語：家庭這道終極考題，正成為機器人真正長大的地方

家庭既是具身智能最復雜、最瑣碎、最難標準化的地方，也是最能檢驗機器人是否真正具備通用能力的終極目標場景。

今天的機器人也許還走得慢、做得笨，還經常犯錯，但真正重要的變化是，它已經開始走進家庭，在這個充滿隨機性和不確定性的真實世界里，一邊干活、一邊學習，持續進化。

對于具身智能而言，這不只是一次場景落地，更像是一場真正意義上的啟程：機器人已經在最復雜的地方，開始了自己的成長。