上周末在北京亦莊舉辦的機(jī)器人馬拉松比賽證明了一件事：跑得最快的人形機(jī)器人，速度已經(jīng)可以把人類最頂尖的馬拉松選手甩在身后了。但這事兒之所以沒有引起太多的轟動，還是大家對機(jī)器人，或者具身智能行業(yè)有非常高的預(yù)期。

榮耀的人形機(jī)器人半馬只用 50 分鐘完成，宇樹的機(jī)器人能在春晚舞臺上完成人類極難完成的武術(shù)動作，這仿佛就是應(yīng)該的事兒，并且，人們還有疑問，具身智能機(jī)器人別整這些活了，干點(diǎn)真正的活兒吧，比如把碗洗了，把衣服收了疊了，把地掃了......

但這些普通人能做的家務(wù)活，卻遠(yuǎn)比跑馬拉松做武術(shù)動作難得多，也比進(jìn)廠在流水線打工難得多。

機(jī)器人什么時(shí)候，才能真正幫人收拾家里那一地狼藉？4 月 21 日，自變量機(jī)器人舉行發(fā)布會，正式發(fā)布新一代具身智能基礎(chǔ)模型 WALL-B，并宣布 35 天后，搭載該模型的新一代機(jī)器人將進(jìn)入首批真實(shí)家庭。

在這家公司看來，機(jī)器人行業(yè)真正的決賽場，不在舞臺，也不在實(shí)驗(yàn)室，而在家庭。因?yàn)榧彝キh(huán)境遠(yuǎn)比工廠復(fù)雜，也遠(yuǎn)比公開演示更難預(yù)測：拖鞋可能被踢到沙發(fā)底下，孩子把書包扔在地上，貓隨時(shí)跳上餐桌，剛拖完的地面又被打翻一杯水。這些看似瑣碎的小事，恰恰是機(jī)器人至今最難解決的問題。

從 WALL-A 到 WALL-B，機(jī)器人模型為什么要重寫一遍？

發(fā)布會上，自變量創(chuàng)始人兼 CEO 王潛用一個普通清晨開場：「早上七點(diǎn)，鬧鐘響了。你走到客廳，拖鞋不見了，廚房碗沒洗，孩子書包扔在地上，貓又打翻了一杯水�！�

這段描述背后的核心判斷是：家庭是一個隨機(jī)、碎片化、持續(xù)變化的環(huán)境。

而過去大量機(jī)器人能力展示，并不發(fā)生在這樣的場景里。舞臺上的后空翻、寫毛筆字、跳舞，多數(shù)依賴預(yù)設(shè)軌跡與固定動作流程；工廠里的工業(yè)機(jī)器人，則建立在高重復(fù)、低變量的標(biāo)準(zhǔn)化環(huán)境中。

但家庭恰好相反。每一次動作都可能不同，每一個障礙都可能臨時(shí)出現(xiàn)，每一秒都可能有新變量加入。

自變量認(rèn)為，當(dāng)前機(jī)器人行業(yè)的瓶頸，已經(jīng)不再是硬件本體，而是「大腦」。雙足、靈巧手、力控關(guān)節(jié)都在快速成熟，但如何理解環(huán)境、判斷風(fēng)險(xiǎn)、處理意外、持續(xù)學(xué)習(xí)，仍然是機(jī)器人進(jìn)入家庭前最大的門檻。

自變量此前已經(jīng)推出過第一代具身模型 WALL-A，采用行業(yè)常見的 VLA（視覺-語言-動作）架構(gòu)。

這類模型的基本邏輯是：

• 攝像頭看見東西（V，Vision）
• 模型理解語言指令（L，Language）
• 再生成動作軌跡執(zhí)行任務(wù)（A，Action）

聽起來合理，但問題也很明顯：這些能力往往來自不同模塊，再拼接到一起。

自變量聯(lián)合創(chuàng)始人兼 CTO 王昊解釋稱：

視覺模塊負(fù)責(zé)識別物體，語言模塊理解指令，動作模塊生成軌跡。信息在模塊之間逐級傳遞，每經(jīng)過一次邊界，就會出現(xiàn)損耗和延遲。

更關(guān)鍵的是，這類模型擅長模仿，卻不一定理解世界。機(jī)器人可以學(xué)會「拿杯子」，但未必知道杯子為什么會掉下來；它知道把盤子放桌上，卻未必知道半個盤子懸空意味著即將摔碎。

這也是 WALL-B 出現(xiàn)的原因。如果用更容易理解的話來說，它想做的事情是：讓機(jī)器人不再分模塊思考，而是像一個整體那樣感知和行動。官方用 Apple Silicon 的統(tǒng)一內(nèi)存架構(gòu)做類比。過去 CPU、GPU、內(nèi)存彼此獨(dú)立，數(shù)據(jù)搬運(yùn)本身就會拖慢效率；統(tǒng)一架構(gòu)后，所有能力共享同一套資源，性能明顯提升。

機(jī)器人也是類似邏輯。

在 WUM 架構(gòu)（世界統(tǒng)一模型架構(gòu)）下，視覺、語言、動作、觸覺、物理預(yù)測等能力被放進(jìn)同一個網(wǎng)絡(luò)里聯(lián)合訓(xùn)練，不是拆開后再組合。這帶來一些重要變化，傳統(tǒng)機(jī)器人常常是「先識別，再行動」，WALL-B 的目標(biāo)是同步完成感知與決策。

自變量稱，模型從訓(xùn)練第一天起，就讓視覺、聽覺、語言、觸覺、動作數(shù)據(jù)同時(shí)參與訓(xùn)練，實(shí)現(xiàn)「多模態(tài)輸入、多模態(tài)輸出」。簡單來說：它看到杯子的同時(shí)，就已經(jīng)在計(jì)算如何抓��；感受到重量時(shí)，也會同步調(diào)整力度。

王昊表示，模型開始學(xué)習(xí)重力、慣性、摩擦力、速度等基本物理規(guī)律。例如桌邊有一個半懸空盤子，即便機(jī)器人從未見過這個具體場景，也能推斷盤子可能掉落，從而主動把它推回安全位置。這意味著機(jī)器人未來不必為每一個家庭重新訓(xùn)練。因?yàn)榉块g布局不同，但物理規(guī)律是相同的。

過去很多機(jī)器人任務(wù)失敗后，只會停止執(zhí)行，等待人工介入，WALL-B 的設(shè)想是：失敗后重新嘗試，成功后把經(jīng)驗(yàn)直接寫進(jìn)模型。王昊將其比作人類學(xué)用筷子的過程：

筷子掉了無數(shù)次，但每一次失敗都在修正控制方式，最后才形成穩(wěn)定技能。

如果這一機(jī)制真正跑通，機(jī)器人迭代速度將不再完全依賴實(shí)驗(yàn)室訓(xùn)練，而是來自真實(shí)世界持續(xù)反饋。

35 天后，機(jī)器人真的要住進(jìn)用戶家里了

在訓(xùn)練數(shù)據(jù)上，自變量提出了一個很形象的說法：實(shí)驗(yàn)室數(shù)據(jù)像「糖水」，真實(shí)家庭數(shù)據(jù)像「牛奶」。前者干凈、穩(wěn)定、量大，但營養(yǎng)有限；后者復(fù)雜、嘈雜，卻更接近真實(shí)世界。

王昊透露，為獲取這些數(shù)據(jù)，團(tuán)隊(duì)進(jìn)入了數(shù)百個志愿者家庭采集環(huán)境樣本，而且，每個家庭都不同：燈光冷暖不同，地面材質(zhì)不同，玩具和拖鞋亂放，貓會突然跳上桌子，孩子會制造新的混亂......

這些變量在實(shí)驗(yàn)室里很難完整模擬，卻是機(jī)器人進(jìn)入家庭后每天都會面對的現(xiàn)實(shí)。

這也是具身智能行業(yè)正在形成的新共識：誰擁有真實(shí)場景數(shù)據(jù)，誰就更可能建立長期壁壘。比模型發(fā)布更具體的，是自變量給出的時(shí)間表。這家公司宣布，35 天后，新一代機(jī)器人將進(jìn)入首批用戶家庭。這意味著，它不再只是演示機(jī)，也不是封閉測試設(shè)備，而是真正開始面向 C 端環(huán)境落地。

當(dāng)然，自變量并沒有把這件事說得過于完美。王潛坦言，當(dāng)前機(jī)器人仍處于「實(shí)習(xí)生階段」。它會犯錯，可能把拖鞋放進(jìn)廚房，擦桌子擦到一半停下來思考，也仍然需要遠(yuǎn)程協(xié)助。但另一方面，它可以 24 小時(shí)持續(xù)工作，并在每天運(yùn)行中積累新經(jīng)驗(yàn)。這種「邊服務(wù)、邊成長」的邏輯，和今天的軟件產(chǎn)品迭代方式很像，只是這次載體變成了機(jī)器人。

過去幾年，機(jī)器人行業(yè)最擅長制造驚艷時(shí)刻。但真正改變生活的產(chǎn)品，往往不是最會表演的那個，而是最能解決瑣事的那個。

自變量這次發(fā)布 WALL-B，本質(zhì)上是在回答一個更現(xiàn)實(shí)的問題：機(jī)器人能不能先把家務(wù)做好，再談未來。

35 天后，答案會開始進(jìn)入第一批用戶的客廳。