作者：呂鑫燚

出品：具身研習(xí)社

鮮少有人意識到，具身智能不是在模仿人，而是對人類行為的精準(zhǔn)解構(gòu)和復(fù)現(xiàn)。

更具體一點(diǎn)來說，人形機(jī)器人從來不是在逐幀模仿人類的動(dòng)作軌跡，更不是靠海量示教、視頻投喂訓(xùn)練出來的 “動(dòng)作復(fù)刻機(jī)器”。它真正要完成的核心命題，是拆解人類完成一個(gè)行為背后的完整決策閉環(huán)。就像你不會(huì)專門去訓(xùn)練把桌子邊緣的盤子往里推推這個(gè)動(dòng)作，但這件事情則是機(jī)器人融入生活中一定會(huì)遇到的問題。

從環(huán)境的多模態(tài)感知、任務(wù)的意圖判斷、全局的動(dòng)作規(guī)劃，到末端的微調(diào)、實(shí)時(shí)的誤差修正、突發(fā)狀況的應(yīng)急應(yīng)對，把人類憑借本能和經(jīng)驗(yàn)就能下意識完成的動(dòng)作，拆解成可被算法理解、可被硬件執(zhí)行、可在不同場景中自由遷移的邏輯單元。

而我們所說的復(fù)現(xiàn)，從來不是在固定場景、固定條件下完成一次嚴(yán)絲合縫的動(dòng)作復(fù)刻，而是讓機(jī)器人擁有和人類同源的 “行為通用能力”。就像人類學(xué)會(huì)了 “端取” 這個(gè)動(dòng)作，就能端紙杯、玻璃杯、易碎的陶瓷碗，能在平穩(wěn)的桌面端、在顛簸的移動(dòng)場景中端，能給自己喂水、也能精準(zhǔn)地給他人遞物。具身智能要實(shí)現(xiàn)的，正是這種基于底層行為邏輯的、跨場景的能力遷移，而不是永遠(yuǎn)困在預(yù)設(shè)指令里的 “提線木偶”。

因此，具身智能不應(yīng)陷在模仿人類的陷阱，而是找到屬于自身的“Born this way”

自變量機(jī)器人前不久發(fā)布的新模型WALL-B正是對這一困局的精準(zhǔn)解剖。

WALL-B是全球首個(gè)基于世界統(tǒng)一模型架構(gòu)（WorldUnifiedModel，WUM）的具身智能基礎(chǔ)模型，是一次從底層架構(gòu)到訓(xùn)練范式的全面重寫，標(biāo)志著具身基礎(chǔ)模型從VLA架構(gòu)向原生多模態(tài)融合架構(gòu)的重大跨越。通俗而言，這意味著機(jī)器人從 “基因?qū)用妗?就具備了理解物理世界、解讀行為意圖的能力，能夠由內(nèi)而外地構(gòu)建起與真實(shí)世界相匹配的認(rèn)知邏輯，而非停留在 “照貓畫虎” 式的表面模仿，只知其然不知其所以然。

只有機(jī)器人基因里就更貼合人類的行為模式與認(rèn)知邏輯，具身智能才能真正無縫融入人類社會(huì)。

而這一愿景的實(shí)現(xiàn)，既非遙不可及的未來，也不是孤立的技術(shù)驗(yàn)證：它將在 30 多天后成為現(xiàn)實(shí)。

我們習(xí)以為常的「下意識」動(dòng)作，是人類智能最精妙的體現(xiàn)。不妨用「做一碗番茄炒蛋」這個(gè)最普通的家務(wù)來拆解問題。

一個(gè)普通人做飯時(shí)，是多感官全開的狀態(tài)：眼睛要分辨番茄的成熟度、雞蛋的新鮮度，還要留意灶臺(tái)的火候；手要感受菜刀的重量、番茄的軟硬，顛勺時(shí)能精準(zhǔn)感知鍋里食材的分量；耳朵要聽油燒熱的聲音，判斷什么時(shí)候下雞蛋最合適；甚至皮膚能感覺到窗外吹進(jìn)來的風(fēng)，順手把快要被吹到鍋里的廚房紙挪開。整個(gè)過程行云流水，所有信息是同步輸入、同步處理、同步輸出的。

我們從來不會(huì)把一個(gè)完整的動(dòng)作拆成「識別物體→理解目標(biāo)→生成軌跡」三個(gè)孤立的步驟，而是讓視覺、觸覺、聽覺、本體感在大腦中瞬間融合，形成對當(dāng)下場景的整體判斷，然后自然而然地做出反應(yīng)。

但長期以來，機(jī)器人恰恰缺少這種「下意識」。

基于 VLA（視覺 - 語言 - 動(dòng)作）架構(gòu)的機(jī)器人，做這件事就像三個(gè)互不認(rèn)識的人在接力：視覺模塊先識別出「這是番茄」「這是菜刀」，把結(jié)果傳給語言模塊；語言模塊理解「把番茄切成塊」的指令，再翻譯成動(dòng)作語言傳給動(dòng)作模塊；動(dòng)作模塊最后生成一條預(yù)設(shè)的切菜軌跡。

數(shù)據(jù)在這三個(gè)模塊之間每傳遞一次，就會(huì)發(fā)生一次信息損耗，這就是為什么我們總看到機(jī)器人切菜要么太輕切不動(dòng)，要么太重把菜剁爛。它根本沒有「看到」完整的世界，只是在執(zhí)行一串翻譯過來的命令。

自變量機(jī)器人剛剛發(fā)布的世界統(tǒng)一模型 WALL-B，第一次真正試圖解決這個(gè)問題。它沒有在 VLA 架構(gòu)上修修補(bǔ)補(bǔ)，而是從底層重構(gòu)了機(jī)器人的「大腦」，采用了全球首個(gè)世界統(tǒng)一模型架構(gòu)。

這個(gè)思路其實(shí)很像蘋果當(dāng)年推出 M1 芯片時(shí)的革命。在 M1 之前，電腦的 CPU、GPU、內(nèi)存各自獨(dú)立，數(shù)據(jù)需要在不同部件之間來回搬運(yùn)，產(chǎn)生大量延遲和損耗；而統(tǒng)一內(nèi)存架構(gòu)讓所有處理單元共享同一塊內(nèi)存，數(shù)據(jù)不需要再搬家，性能直接躍升了一個(gè)量級。

在機(jī)器人領(lǐng)域，VLA 架構(gòu)就像是 M1 之前的電腦，視覺、語言、動(dòng)作三個(gè)模塊各自為政，就像三個(gè)只會(huì)說自己方言的人，需要層層翻譯才能溝通。而 WUM 架構(gòu)的核心理念，就是把視覺、語言、動(dòng)作、物理預(yù)測等所有能力整合，徹底消除模塊之間的邊界和數(shù)據(jù)搬運(yùn)的損耗。

這意味著WALL-B 第一次實(shí)現(xiàn)了真正的「多模態(tài)進(jìn)、多模態(tài)出」。它不再是「先看、再想、再動(dòng)」，而是整個(gè)動(dòng)作執(zhí)行過程沒有任何延遲，就像人類的「下意識」一樣自然。

WALL-B 因此擁有了「原生本體感」。它不需要盯著自己的手臂，也不需要依賴外部傳感器，就能內(nèi)在地知道自己的身高、臂展，知道自己能不能夠到書架頂層的書，能不能穿過廚房的窄門。這種內(nèi)生的空間感知能力，是之前所有機(jī)器人都不具備的。

更重要的是，WALL-B 和所有之前的機(jī)器人最大的不同，在于它理解這個(gè)世界運(yùn)行的基本規(guī)律。它知道重力會(huì)讓懸空的物體掉下來，知道摩擦力會(huì)讓推出去的箱子慢慢停下，知道慣性會(huì)讓裝滿水的杯子在移動(dòng)時(shí)灑出來。當(dāng)它看到一個(gè)盤子一半露在桌沿外，不需要見過一模一樣的場景，就能預(yù)測到「這個(gè)盤子會(huì)掉下來摔碎」，然后主動(dòng)伸手把它推回去。

這種對物理規(guī)律的理解，才是機(jī)器人能在真實(shí)家庭中生存的關(guān)鍵。家庭環(huán)境是世界上最隨機(jī)、最碎片化的場景：今天孩子把玩具扔在沙發(fā)上，明天貓把水杯打翻在地毯上，后天你買了一個(gè)新形狀的碗。你不可能把所有可能的情況都放進(jìn)訓(xùn)練數(shù)據(jù)里，但物理規(guī)律是永遠(yuǎn)不變的。

WALL-B 正是抓住了這一點(diǎn)。它不需要針對每個(gè)家庭重新訓(xùn)練，只要掌握了基本的物理常識，就能在任何一個(gè)從未去過的家庭里應(yīng)對新場景。就像一個(gè)第一次去朋友家做客的人，不需要?jiǎng)e人教，也知道不能把熱水杯放在木質(zhì)茶幾上，知道開門時(shí)要注意后面有沒有人。

更符合人類行為本質(zhì)的是 WUM 架構(gòu)不會(huì)害怕失敗，目前主流機(jī)器人在任務(wù)失敗后通常直接停止，而WALL-B 的行為模式則完全不同：它在失敗后會(huì)調(diào)整策略再次嘗試。成功后會(huì)將經(jīng)驗(yàn)直接更新到模型參數(shù)中。它會(huì)從錯(cuò)誤中學(xué)習(xí)，會(huì)在和世界的交互中自我進(jìn)化。

人類的「下意識」，是幾百萬年進(jìn)化刻在基因里的本能。而機(jī)器人的「下意識」，才剛剛邁出第一步，當(dāng)機(jī)器人走上發(fā)布會(huì)舞臺(tái)上，撿起王潛隨意丟落的紙團(tuán)，或許正是具身智能真正走進(jìn)我們生活的開始。

所有醫(yī)生在剛上崗的時(shí)候，都會(huì)面臨一個(gè)轉(zhuǎn)折點(diǎn)：知識是從課本里學(xué)的，但人不會(huì)照著教科書生病。

這個(gè)現(xiàn)象和機(jī)器人進(jìn)入真實(shí)世界如出一轍。在絕對完美的實(shí)驗(yàn)室環(huán)境里用標(biāo)準(zhǔn)化數(shù)據(jù)喂養(yǎng)，永遠(yuǎn)訓(xùn)練不出一個(gè)能解決實(shí)際問題的機(jī)器人。

自變量把這種數(shù)據(jù)形象地稱為 "糖水?dāng)?shù)據(jù)"干凈、可控、量大，就像糖水一樣甜，但除了甜沒有太高營養(yǎng)價(jià)值。用這類數(shù)據(jù)訓(xùn)練出的模型，能精準(zhǔn)完成實(shí)驗(yàn)室里預(yù)設(shè)的每一個(gè)動(dòng)作，卻無法應(yīng)對真實(shí)家庭中隨時(shí)變化的自然光、隨意擺放的物品、孩子和寵物的隨機(jī)動(dòng)作。

與之相對的是 "牛奶數(shù)據(jù)"。真實(shí)家庭環(huán)境中采集的嘈雜、多變、充滿隨機(jī)性的數(shù)據(jù)。這種數(shù)據(jù)采集成本高、獲取難度大，但卻是真正能讓機(jī)器人 "長身體、更聰明" 的營養(yǎng)來源。

自變量機(jī)器人選擇了這條看似最難的道路，團(tuán)隊(duì)進(jìn)入了數(shù)百個(gè)真實(shí)家庭進(jìn)行模型訓(xùn)練。有的家庭地面散落著拖鞋、快遞箱、玩具和襪子；有的家庭中貓會(huì)突然跳上桌子；有的家庭廚房燈光偏暖色而客廳偏冷色。

這涉及到的是不規(guī)則光照變化、無規(guī)律的人類運(yùn)動(dòng)軌跡、各式各樣的動(dòng)線和操作物體，在這種高度不可控的環(huán)境中訓(xùn)練、學(xué)習(xí)，是模型必須學(xué)會(huì)應(yīng)對的真實(shí)條件。畢竟，實(shí)驗(yàn)室中無法模擬無規(guī)律的變量，但這就是我們家庭環(huán)境中的日常，因此牛奶數(shù)據(jù)對于訓(xùn)練模型而言，是真正訓(xùn)練出具備零樣本泛化能力的具身智能基礎(chǔ)模型必然要走的路徑。

但這還不足以還原WALL-B的完整圖景，其數(shù)據(jù)策略為“實(shí)驗(yàn)室數(shù)據(jù)打底、真實(shí)環(huán)境數(shù)據(jù)提質(zhì)”。其中，實(shí)驗(yàn)室數(shù)據(jù)用于建立基本能力，類似于人類的「通識教育」識別常見物體、執(zhí)行基礎(chǔ)動(dòng)作。真實(shí)家庭數(shù)據(jù)則讓模型學(xué)會(huì)在不確定環(huán)境中生存，在高動(dòng)態(tài)環(huán)境中一次又一次完成沒有劇本的任務(wù)。

更為重要的是，自變量 CTO 王昊在群訪中進(jìn)一步提到，WALL-B在做推理或者是執(zhí)行任務(wù)的同時(shí)一直在做數(shù)據(jù)的回流，所以并不會(huì)有所謂迭代周期的概念，它是實(shí)現(xiàn)在線式的學(xué)習(xí)。

當(dāng)機(jī)器人在真實(shí)家庭中完成每一次任務(wù)、應(yīng)對每一個(gè)突發(fā)狀況時(shí)，都會(huì)產(chǎn)生新的高質(zhì)量數(shù)據(jù)反哺模型，形成一個(gè)由真實(shí)隨機(jī)、不可預(yù)測的現(xiàn)實(shí)數(shù)據(jù)所驅(qū)動(dòng)的正向飛輪。這個(gè)飛輪一旦轉(zhuǎn)動(dòng)起來，就會(huì)成為難以復(fù)制的核心壁壘，隨著時(shí)間的推移復(fù)制窗口期也會(huì)逐步擴(kuò)大。

這種迭代方式也正是具身企業(yè)長久競爭力的關(guān)鍵。

一個(gè)家庭成員的誕生，這是自變量機(jī)器人這場發(fā)布會(huì)的主題，也是一個(gè)極易被行業(yè)忽略的本質(zhì)定義 ，機(jī)器人在家庭場景中首先是「成員」，而非「保姆」。

我們當(dāng)然有理由期待，未來的家庭機(jī)器人能媲美甚至超越一個(gè)優(yōu)秀的保姆。

但回歸客觀現(xiàn)實(shí)，當(dāng)下所有走進(jìn)家庭的機(jī)器人，本質(zhì)上都只是一個(gè) “新來的成員”。

它會(huì)像每一個(gè)初入陌生家庭的人一樣，需要一點(diǎn)點(diǎn)摸清家里的動(dòng)線，記住每個(gè)人的作息習(xí)慣，慢慢讀懂你的情緒與偏好。它會(huì)犯錯(cuò)，會(huì)手忙腳亂，會(huì)做出讓人哭笑不得的舉動(dòng)，但也會(huì)在一次次與家人的磨合中持續(xù)進(jìn)化，越來越懂這個(gè)家。

這正是自變量科技堅(jiān)持的進(jìn)家庭初心。王潛在發(fā)布會(huì)上直言，自變量從創(chuàng)立之初就沒想過要打造一個(gè) “無所不能的完美保姆”，而是要做一個(gè)能真正扎根家庭、與家人共同成長的 “新成員”。

5 月 25 日，自變量機(jī)器人將開啟進(jìn)入家庭的腳步，從擺鞋子、疊衣服到覆蓋家庭里那些零散卻耗時(shí)的長尾需求。但自變量機(jī)器人也在現(xiàn)場坦誠表示，這并不意味著機(jī)器人能實(shí)現(xiàn)百分之百的全自主運(yùn)行，會(huì)有人工為安全和體驗(yàn)兜底。

很多人會(huì)問，既然還不完美，為什么要急著走進(jìn)家庭？答案藏在具身智能的迭代邏輯里。不應(yīng)該為機(jī)器人預(yù)設(shè) “要做多少次才能學(xué)會(huì)某件事” 的條條框框，最好的方式就是讓它直接去做、去嘗試，在真實(shí)的人機(jī)交互中收集數(shù)據(jù)、修正不足。

如果因?yàn)榭謶?“不行” 就按下前進(jìn)的暫停鍵，機(jī)器人永遠(yuǎn)只能停留在實(shí)驗(yàn)室的預(yù)設(shè)場景里，永遠(yuǎn)無法真正理解復(fù)雜多變的真實(shí)家庭生活。

從產(chǎn)業(yè)演進(jìn)的視角看，這一步的意義遠(yuǎn)不止于一款產(chǎn)品的落地。它標(biāo)志著通用機(jī)器人終于走出了實(shí)驗(yàn)室的 “溫室”，開始直面最開放、最復(fù)雜的家庭場景。這是具身智能發(fā)展史上的一個(gè)巨大轉(zhuǎn)折，當(dāng)機(jī)器人開始在千萬個(gè)真實(shí)家庭中邊做邊學(xué)、持續(xù)迭代，那個(gè)屬于物理世界的 “Aha moment”，或許真的比我們想象中來得更快。

從 “工具” 到 “成員”，這是改寫人與機(jī)器的關(guān)系瞬間，也重新定義了未來家庭的形態(tài)。這條路注定漫長，但每一步堅(jiān)定的邁進(jìn)，都在為這個(gè)時(shí)代寫下新的注腳。