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，自变量没有选取 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总结 、清洁打扫
、搬运跑腿等数十项任务，覆盖总结 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，最常见的是总结 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
。

（文章来源：中国经营报）