作者：吕鑫燚

今年WRC上，一个耐人寻味的画面反复出现，展馆里相邻的展台，演示的项目惊人地相似，抓起、放下、叠一件衣服、递送一瓶水。不同的公司，不同的机器人，在做的事情却惊人的一致。

而当讲解员被问起自家模型的特点时，回答也出奇统一：我们做的是通用基座模型。

这个词如今无处不在，这也让WRC成为观察具身智能落地的一个窗口。你会发现，虽然展区内有大量展示家庭、物流场景的企业，但随着光线变化、动态人流变化等变量越来越多，模型处理的任务逐渐减少，在执行中还出现了各种各样的问题。

更重要的是，如果把这些现场演示放在一起看，会发现一个细节，无论在做什么任务，机器人始终没有离开过自己的位置，脚步仿佛被固定住。

这不是只有展台上才能看到的现象，在各家企业的DEMO中也是如此，一个被特意安排的空间动线、一类被反复演练的物体。模型可以在同一个场景里完成一百件事，但第一百件事和第一件事之间，并没有本质的距离。换一间屋子，换一条产线，换一类未曾见过的物体，能力便开始衰减，这就是很少有人主动提起的现象。

毕竟，当所有人的展板上都写着同一个词时，没有人愿意去追问它的含义。

通用这个词，在被广泛使用的过程中悄悄滑移了。它原本指向的是跨场景、跨本体、跨任务。如今它更多时候意指“在一个场景里，做很多种任务”。前者是地基，后者是装修。装修可以很华丽，但决定建筑能盖多高的，从来不是装修。

这并不是要否定多任务能力的价值，它恰恰是预训练模型泛化能力的证明。问题在于，通用基座模型的标尺不应该是能力清单的长度，而是跨场景的落地能力，不是模型在一个场景里会做多少事，而是它能否从一个场景走进另一个场景，而不必推倒重来。

按这把尺子重新打量今年的 WRC，值得驻足的展台并不多。自变量机器人的展位是其中之一，也是今年“含金量”比较高的展台。家庭场景的任务丰富、物流场景的效率高超，都达到了展馆内之最。有的观众站在层层叠叠的人群外，高高举起手机窥见机器人有条不紊地执行任务。

无论是家庭还是物流，自变量演示用的都是同一套端到端世界统一模型 WALL-B，同时驱动着家庭服务和物流分拣两类对能力要求截然相反的场景，前者已经作为上门家政服务走进千家万户，后者以每小时 1816 件的效率运行在一家全球头部物流企业的真实产线上。两个展台都不是为大会搭建的表演，而是从真实业务里搬来的切片，这也表明自变量在通用基座模型上做到了部署级的跨场景，展示出通用模型能力在不同场景的优越性。

这或许才是”通用”二字应有的分量，它不在演示视频的任务清单里，而在模型不得不独自面对真实世界的地方。

这次WRC所有落地的演示，其实都在回应同一个问题：具身智能到底能怎么用？而自变量却在此之上又回答了更深一步的问题：我们追求的通用模型到底是什么？

这两个问题都在自变量展台上有具象化的展示，展台一侧是家庭场景的切片。这是具身智能行业最热衷也最容易翻车的展示区。原因很简单，搭一个 “家” 太容易了，摆个茶几、让机器人端一杯水，就是“具身智能进家门”。

但真正的家庭不是这样的。

自变量在展台上做了一件不太讨巧的事，它没有只还原单个生活区域，而是把客厅和餐厅两个区域同时铺开。这意味着机器人面对的不是一套固定的空间语义，客厅是 “活动区”，家具低矮、动线开放；餐厅是 “吃饭区”，桌子、椅子占据核心空间、动线狭窄。机器人要从一个区域走到另一个区域，理解的不只是不同的环境，而是一套完全不同的工作逻辑。

展台上，自变量的机器人在这两个区域之间穿梭，执行不同维度的工作，整理、跑腿、清洁、巡检、宠物服务。机器人能轻轻拿起衣物的一角，不惧怕任何外界干扰叠好一件件衣服，它还能化身机器人保姆，取外卖、取可乐、取抽纸、套垃圾袋、取零食。更独树一帜的是，它可以完成一系列养宠家庭的日常，先去铲猫砂，然后拿起工具在家具上粘猫毛。

自变量所展示的十几种技能，就是家庭作为非结构化环境的核心所在，没有任何两个家庭是一样的。户型不同、家具不同、光照不同、物品摆放的逻辑不同，甚至同一个家庭在早上和晚上的状态都不同。叠衣服、浇水、套垃圾袋，这些任务每一个拆开看都不难，难的是它们无法被预设规则穷尽，也无法靠针对性后训练一个个覆盖。

为此自变量选择了一条最贴近真实生活的逻辑，今年初，它和 58 到家推出机器人上门家政服务，机器人和保洁员协同进真实用户家干活；5 月推出 “X 家庭成员计划”，让机器人在真实家里常驻，在连续、不中断的真实生活环境里提供服务，并持续完成模型迭代。7 月还入选了 APEC 官方《亚太地区数智赋能案例集》，是其中唯一以具身智能服务民生的案例。

这些进展的意义不在于“机器人会做家务了”，而在于一个端到端的模型，正在被放进成千上万种不同的非结构化环境里，持续跑、持续出错、持续修正。

如果说家庭场景考的是“能不能应对不确定性”，那物流分拣考的就是 “在确定的框架里，能把效率推到多高”。

物流产线是典型的半结构化环境，场地是固定的，流程是固定的，目标是明确的。展台上，自变量的机器人把包裹的面单翻到正确朝向。但输入是完全随机的，纸箱、泡沫箱、圆筒状快递、柔软的衣物包裹，大小不一、重量不一、摆放姿态不一、面单位置不一。

这种环境对机器人的要求和家庭完全相反，需要的是每一次抓取都稳定、每一秒都不浪费、连续运行不出故障。

自变量在 WRC 复刻的，是 8 月 12 日那场一小时公开极限实测的产线。全程无人工兜底、无固定脚本、无故障停机，最终分拣效率 1816 件 / 小时，准确率超过 98%。作为对比，美国 Figure AI 此前公开的平均成绩是 1248 件 / 小时，自变量快了 45%。

更值得注意的是成本。Figure 用的是 “人形机器人 + 五指灵巧手”，自变量用的是 “双机械臂 + 标准夹爪”，整套硬件成本大幅降低。这不是 “用便宜硬件凑活”，而是另一条产业路径的选择“模型先行”，用更强的通用模型驱动更简单的身体完成复杂任务。前者的上限取决于硬件工程，后者的上限取决于模型能力。

而这套方案已经不是 Demo。它部署在一家全球头部物流企业的真实产线上，进入常态化、规模化运行，通过了企业的效益考验。

家庭和物流，一个高度开放、一个极致速度，一个考泛化、一个考效率；一个容错空间大但环境不可控，一个环境可控但容错空间极小。这两类场景对模型的要求，几乎是相反的。而自变量不仅把机器人送到两个截然相反的真实场景中，其背后支撑的还是同一个模型“WALL-B ”。

回到最开始的问题：通用模型到底是什么？

从产业逻辑来看，真正难的是同一个模型，能不能同时在两种截然不同的环境里跑起来？能不能在真实产线上连续运行一个月不崩溃？能不能在一个从没见过的家庭里，自己理解环境、完成任务？

这才是 “通用” 的真正标尺，不是能力清单的长度，而是跨场景落地的深度。不是演示视频里的 “跨”，而是真实产线、真实家庭里 7×24 小时运行的 “跨”。

一个模型、多种场景，自变量在展台上诠释了通用基座模型的内核所在。

同一个通用模型能驱动两个完全不同的应用场景，恰恰证明了通用具身模型的“优越性”。而这种落地反馈，也是再次印证了自变量从始坚持的预训练、端到端的通用具身模型正确性，这条路线才是机器人在物理世界行动自如的关键。

但透过演示能力来看，更值得细细研究的是，做到通用性的基座模型具备的是什么能力？

最前置的能力在于“懂物理，而不是懂编写的物理规则”，目前很多模型依旧依赖于“语言”做中间介质，机器人能看到世界，但不代表看懂了世界。其在真实场景中的执行链条是识别-理解-决策-执行，靠视觉识别，靠语言理解，再到内部决策，最终才是动作执行，这条链路中经常会出现“丢失”，视觉学到的丰富信息，传到动作模块时只剩一个模糊的摘要。

这就是机器人难以真正在物理世界游刃有余的原因，链路太长，各模块之间太割裂，无法形成“实时反应”。

为此，自变量提出了新的落地尝试，WALL-B 的架构叫 WUM， 世界统一模型，核心理念可以用苹果 M1 芯片的统一内存来类比，在 M1 之前，CPU、GPU、内存各自独立，数据在模块之间搬来搬去，搬运本身就是性能瓶颈；M1 把所有处理单元放到同一块内存上，瓶颈消失了。

WALL-B 把视觉、语言、触觉、动作和物理预测全部放进同一个端到端神经网络，从零开始联合训练。这意味着 “看到一个软包” 这件事，和 “理解它会变形”“ 决定用什么角度夹 ”“预测夹下去会发生什么”，是在同一个表征空间里同时完成的，没有模块边界，没有信息损耗。

也就是说，WALL-B 对物理规律的理解不是被灌输的，而是内生的。它知道重力会让物体下落，知道惯性会让快速移动的物体难以骤停，知道摩擦力分布不均匀会导致抓取打滑。它能在动作执行之前就推演后果， 这个角度夹软包会滑，那换一个角度；这个箱子太重，单臂搬不动，那就双臂协同。

这是“懂物理” 和 “被编写物理规则” 的本质区别。被编写的规则只能覆盖工程师想到的情况，内生的理解可以应对工程师没想到的情况。而真实世界里，绝大多数情况都是工程师没想到的。

通用基座的第二个修养，是跨场景迁移能力。

VLA 架构的模型在跨场景时通常的做法是，保留预训练权重，在新场景上做针对性后训练，采集一批新场景的数据，fine-tune 几个轮次，然后上线。

WALL-B 的端到端统一架构带来的一个关键变化，跨场景迁移不需要大规模重新训练。因为视觉、语言、动作、物理预测在同一个网络里融合，模型学到的不是 “家庭任务的策略” 或 “物流任务的策略”，而是对物理世界运行规律的统一理解。

这种理解在家庭里表现为“知道怎么整理卧室散落的物品”，在物流产线上表现为 “知道怎么翻转一个软包”，底层是同一套能力，只是任务目标不同。

这对产业的意义是深远的。如果每进一个新场景都要重新采集数据、重新训练模型，那具身智能的规模化就永远是一句空话。 场景的边际成本不会下降，每个客户都是一个定制项目。只有当跨场景迁移的成本足够低，低到“拿来就能用、用着还会自己变好”，通用基座才真正具备了规模化复制的基础。

如果说前两个修养解决的是“模型出厂时有多强”，那第三个修养解决的是 “模型出厂后能不能继续变强”。

这是当前具身智能行业最大的痛点之一，WALL-B 真正值得关注的，不是它现在能做多少任务，而是它具备了“在真实世界里持续生长”的能力。一个模型如果出厂即巅峰，那它的天花板是固定的，一个模型如果越用越聪明，那它的天花板是开放的，只取决于它能在多少真实场景里跑、能积累多少真实数据、能把数据飞轮转多快。

技术闭环讲完了，但更重要的问题是：这对买机器人的人来说，到底有什么实际好处？

好处不是抽象的“模型更强了”，而是几个非常具体的商业逻辑变化。

第一，交付不是终点，而是起点。 在真实环境中积累的经验是不可复制的资产，机器人不是在折旧，而是在增值；第二，边际成本递减。随着模型在真实场景里持续进化，它处理新场景的能力会越来越强；第三，异常处理能力持续提升。 真实场景中最怕的不是常规任务做不好，而是异常情况处理不了，持续学习的模型会把每一次异常都变成训练数据，跑得越久，遇到的边界情况越多，模型的鲁棒性越强。

懂物理，让它能在真实世界里安全地行动；能迁移，让它的能力可以跨场景复制；会成长，让它的价值随时间递增。这三个修养加在一起，才构成了“通用基座”这四个字的真正分量。

当前具身智能的竞争点，还依旧被认为是“模型之争”，谁的架构更先进、谁的参数更大、谁的 benchmark 分数更高，谁就掌握了通用的钥匙。

但如果把自变量这家公司拆开来看，你会发现模型只是浮在水面上的那一角。水面之下，是一整套的系统工程。这套决定了模型的上限到底能到哪里。换句话说通用基座模型的竞争，表面是模型之争，实质是系统能力之争。

这套能力的起点是数据，行业已经达成共识，谁能高效地生产高质量的具身数据，谁就掌握了模型进化的燃料。自变量建了一条覆盖全链路的数据管线。最上游是数据采集，中间是清洗、自动化标注、质量控制和数据增广，下游是分布式训练和高性能推理，最后是真机部署和数据回流。整条链路是自研的、闭环的，数据从物理世界进来，经过管线加工变成模型能力，再通过部署回到物理世界，产生新的数据。

管线的最上游，是数据采集设备。这是整个链路里最容易被忽视、但实际上最关键的一环，采集端决定了数据的天花板，下游再怎么清洗也救不回来。

自变量在 WRC 现场展示了 QUANXTA Zero 系列无本体数据采集方案，人穿上采集设备去做任务，记录人的动作和视角，然后把人的动作转化为机器人可学习的数据。这项能力是行业独有的，采集员不需要拆分步骤，可以一次性完成 “移动 - 抓取 - 操作” 的完整任务流程，数据经过管线处理后直接用于训练，而且兼容不同的机器人本体构型。

这件事的产业含义在于，当数据采集的成本降到足够低、效率提到足够高时，模型迭代的飞轮才真正转得起来。

更深一层的系统能力在于7月自变量开源的DMuon，一个对 Muon 神经网络优化器的分布式改造。Muon 是一种新的优化器，理论上在大模型训练中效果优于传统的 AdamW，但有一个致命问题：放到分布式训练环境里，它引入的额外系统开销非常大，每步训练时间是 AdamW 的 2.2 倍。

DMuon 做的事情，是把这个开销几乎消掉了。极大提升了模型训练速度并降低了成本。

它是自变量工程化能力的一个切片，自变量从成立至今，每一层都在自己做、做扎实。最具象的体现就是自变量在infra层的积累，这些看不见的工程能力，才是一个通用基座模型要持续迭代、持续进化的根本。

把这些拼在一起看，自变量的竞争力就清晰了。

它不是只做了一个 WALL-B 模型，并把模型送到不同场景里。它做了一整套系统，模型是这套系统的输出，而系统才是模型持续变强的原因。

这也是为什么说，通用基座模型的门槛不只是技术，而是系统性。谁的数据飞轮转得更快、谁的基础设施更扎实、谁的真实场景更多更深，谁的模型上限就更高。模型本身只是结果，不是原因。检验通用的终极场所，从来不是 benchmark，而是物理世界本身。而模型的上限，从来不是模型本身，是支撑它的那整套系统，以及那套系统能在多少真实场景里持续运转。

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)