通用世界模型问世机器人将具备自主进化与认知能力

33天后，你家或许就要迎来一位不知疲倦的硅基新成员了。

它将面对的是日复一日的家庭琐事：随处散落的衣物、孩子扔在地上的玩具、桌边摇摇欲坠的杯子，或是被猫咪“重新布置”过的客厅……这些看似永远做不完的家务，正是家庭服务机器人需要攻克的核心场景。关键在于，它能24小时在线工作，并且通过持续学习，越干越明白。

4月21日，自变量机器人在北京宣布，其搭载新一代自研具身智能基础模型WALL-B的机器人，将于5月25日正式入驻真实家庭，开启家庭服务机器人的新篇章。

这个名为WALL-B的模型，是全球首个基于世界统一模型（World Unified Model，WUM）架构的具身智能基础模型。它创新性地将视觉、听觉、语言、触觉、动作乃至物理预测，全部整合进同一个神经网络中进行从零开始的联合训练。这意味着，机器人首次有机会像人类一样，对环境、自身和任务形成一种整体性的、统一的理解。

更关键的是，WALL-B突破了此前VLA（视觉-语言-动作）模型只会模仿的“天花板”，开始具备对物理世界底层规律的认知能力，并能在真实交互中持续学习和自我进化。这标志着具身智能的基础模型，正从VLA的模块拼接架构，向原生多模态融合架构实现一次重大跨越，为人形机器人进入家庭扫清了关键障碍。

一、从WALL-A到WALL-B：机器人大脑从“模块拼装”进化到“原生统一”

近期，北京人形机器人马拉松火爆全网，机器人在硬件本体和运动控制上的进步有目共睹。但热闹背后，人形机器人在灵巧操作、任务泛化等方面，依然面临不少困境。这恰恰是机器人迟迟无法进入真实场景、替你“干活”的关键瓶颈。

目前主流的具身大模型，大多基于VLA架构。自变量早期也推出了基于此架构的第一代模型WALL-A。然而，当团队真正尝试把机器人送进家庭后，VLA架构的天花板便清晰显现。

VLA技术生态虽然成熟，但其本质是多个独立模块的串联拼接。信息就像流水线上的零件，需要逐级传递，每经过一个模块，信息就损耗一次。等传到机器人执行端时，指令可能已经“失真”或“残缺”，导致操作失误。

这很像苹果M1芯片问世前的Mac电脑：CPU、GPU、内存各自独立，数据在它们之间来回搬运，不可避免地产生延迟和损耗。

此外，VLA模型能让机器人模仿训练数据中的动作轨迹，却无法理解背后的物理规律。机器人只会“死记硬背”，不懂“底层逻辑”，一旦遇到训练集之外的状况，就容易“露怯”。正如自变量机器人CTO王昊所总结的：“模仿，就是VLA的天花板。”

例如，当看到一个盘子悬在桌边时，基于VLA的机器人无法理解重力作用会导致其掉落，自然也就想不到需要把它往里推一推，防止摔碎。

从WALL-A到WALL-B，自变量实现的并非一次普通迭代，而是一场从VLA到WUM的架构革命。其核心，是将机器人的“大脑”从“模块拼装”改造为“原生统一”。

WALL-B就像苹果M1芯片统一了内存架构那样，将视觉、语言、动作、物理预测等所有能力，置于同一个网络中从零开始联合训练。它彻底打破了模块间的壁垒，让各个模块从过去的“分头行动”走向“协同运转”，实现了信息的高效无损处理。

过去，机器人处理任务像是“传话游戏”；而现在，模块边界和数据搬运的损耗被消除，它能够对环境、身体、任务进行整体性思考。这种能力，就像我们看到杯子快掉下桌子时，手往往比脑子更快地伸出去接住——因为在那个瞬间，人类对环境、物体状态、身体动作和潜在后果，拥有一种瞬间完成的、整体性的理解。这正是WALL-B赋予机器人的核心能力。

二、基于世界统一模型：WALL-B让机器人拥有“世界观”并能自我进化

基于世界统一模型（WUM）架构，WALL-B实现了三项区别于行业现有模型的核心技术特征，为家庭服务机器人提供了真正的“智慧大脑”。

1. 原生多模态

WALL-B从训练的第一天起，就对视觉、听觉、语言、触觉、动作等多模态数据进行同步标注与联合训练。这使得机器人能像人一样进行多感官协同决策。

于是，机器人看到杯子快掉下去的同时，手就已经伸了出去，并同步调整力度将其稳妥放好。模型不再需要像流水线一样，等待不同模块逐级“翻译”和“传话”才能进行下一步，极大地提升了反应速度和操作精度。

这种架构让模型首次拥有了“原生本体感”。机器人能感知自身的尺寸与空间位置，判断自己在环境中的状态。遇到狭窄过道、半开的门或高处的物品时，它能清楚判断能否通过、能否够到、够到后会发生什么。相比之下，许多扫地机器人甚至不具备这种基础的空间意识。

WALL-B还赋予了机器人“部件级理解”能力。看到一个杯子时，它能像人一样感知把手朝向、材质、图案、杯内是否有水，以及如何握持更合适。在一个家庭认识了一个杯子后，即便换到另一个环境、面对外形完全不同的杯子，它依然能识别其功能，实现真正的零样本泛化。

2. 物理世界的“世界观”

WALL-B让机器人不止“看见”世界，更能“读懂”世界。它能感知并预测重力、惯性、摩擦力、速度等基本物理规律，这是实现安全、可靠家庭服务的基础。

当机器人端起一个装满水的杯子时，它能感知杯中有水，重量会因液体晃动而变化；力度太小可能打滑，太大可能捏翻杯子，移动太快则会因惯性把水洒出。因此，它会动态调整手部力度和移动速度，确保平稳。

真正支撑零样本泛化能力的，并非模型记住了多少具体任务，而是它开始理解这个世界的基本运行规律。今天能在一个家庭里判断如何端稳水杯，明天就能在陌生环境里，处理材质、重量、形状各异的容器。机器人掌握的，不再是一个个孤立的动作模板，而是一套可迁移到无数场景的底层常识，这是迈向通用人工智能（AGI）的关键一步。

3. 与世界交互并自我进化

目前，基于VLA模型的机器人在任务失败后，通常直接停止并报错，无法从失败中学习。而WALL-B的行为模式截然不同：它在失败后会调整策略再次尝试；如果成功，则将这次成功的经验直接更新到模型参数中。这是WUM架构区别于所有现有VLA模型的最根本特征，也是实现持续学习的关键。

机器人的学习方式，从“等人喂数据、等工程师重训”，转变为在真实世界“边做边学”，越来越聪明。王昊比喻，这就像人类学习使用筷子，会在实践中不断调整角度和力度，最终将技能内化。

过去，我们看到许多会后空翻、跳街舞、写毛笔字的机器人表现惊艳，但其本质仍是预设轨迹的“命令行机器人”，每一个动作都经过精密编程或遥控操作。

家庭场景却无人能提前教完所有情况、预设所有轨迹。机器人只有理解更底层的物理规律和空间关系，并能在持续实践中不断进化，才可能真正落地于这个千变万化的场景。WALL-B的出现，让机器人具备了这种在复杂环境中学习和成长的能力。

三、从“糖水数据”到“牛奶数据”：用真实家庭场景转动数据飞轮

高质量真实数据的缺失，正是制约具身智能落地的核心一环。王昊认为，具身智能行业最大的秘密不是算法，不是架构，也不是硬件，而是数据。

规模化、流水线式的数据采集工厂，效率虽高，但依赖于预设场景和标准化任务，无法覆盖真实世界中那些非标准、非重复、琐碎的操作场景。

王昊将这类数据比喻为“糖水数据”——就像糖水除了甜味之外营养有限，这类数据虽然干净、可控、量大，但与真实家庭的复杂环境之间隔着一道鸿沟。基于此类数据训练的模型，在真实环境中往往迅速失效。

原因在于，真实家庭并非标准化实验室，而是由杂乱物品、多变光线、穿梭的宠物、孩子的打断和临时任务构成的“生活现场”。

与之相对，王昊提出了“牛奶数据”的概念。牛奶能提供实打实的营养，同样，在真实家庭环境中采集的、嘈杂、多变、充满随机性的数据，训练价值更高。这也正是自变量选择的数据道路，致力于打造最懂家庭的机器人。

为了获取这类数据，自变量团队进入了数百个志愿者的真实家庭进行模型训练。每一户的布局、灯光和混乱程度都独一无二，为模型提供了最丰富的学习素材。

真实家庭的重要性，不仅在于环境更复杂，更在于它让“任务规划”本身变得不可预设。王昊提到，机器人在进入任何一个家庭之前，很难提前知道具体要做什么，无法进行事无巨细的规划。这种不确定性，恰恰是训练机器人自主决策和适应能力的绝佳环境。

这种耗时耗力的“笨功夫”，恰恰构成了自变量的关键壁垒。机器人只有在这种千差万别的环境中训练，才可能建立起真正的泛化能力，适应不同家庭的个性化需求。

因此，自变量的策略是：用实验室数据打底，靠真实场景提质。前者让模型拥有基本能力，后者让模型学会在不确定、不可预测的环境中“生存”和“工作”。

更重要的是，WALL-B能让机器人在与真实世界的持续交互中，不断产生新数据、回流新经验，推动模型完成自我进化，从而形成“进家庭—获取数据—模型进化—进更多家庭”的正向数据飞轮。这是实现机器人持续智能化的核心引擎。

一旦这个飞轮真正转动起来，数据就将成为模型持续成长的燃料。像自变量这样更早进入真实场景、积累更多高质量交互数据的企业，其领先优势有望不断扩大，建立起坚实的数据护城河。

四、机器人1个月后入驻家庭，在工作中“越变越聪明”

此前，自变量已与58同城合作，将搭载WALL-AS模型的机器人送入真实家庭，与保洁阿姨协同作业，完成了全球首次机器人进入家庭的实际作业，验证了技术路线的可行性。

这一次，王潜明确宣布，将在5月25日，让搭载更先进的WALL-B模型的机器人进入真实家庭“干活”，标志着家庭服务机器人从实验阶段迈向常态化服务阶段。

对于机器人进家可能引发的隐私担忧，王潜提到，自变量将采用视觉脱敏、透明授权、用途限定等方案来保障用户隐私安全，让用户用得放心。

机器人进入家庭的想象空间，显然不止于售卖一台硬件。当机器人开始长期驻留家庭，它就不再只是一个消费电子产品，而更像一个可持续更新的服务系统。企业可以通过服务订阅、功能更新和模型升级，不断提升其能力，为用户带来持续价值。

对行业而言，这门生意将不再是一次性的硬件销售，而是凭借持续服务和升级，与用户建立长期付费关系，开创智能家居服务的新商业模式。

王潜也坦言，当前模型仍处于“实习生”阶段，会犯错，需要远程协助，有时可能把拖鞋放进厨房，或擦桌子擦到一半停下来“思考”。但其优势在于能够实现24小时不间断工作，并且每工作一天，都会因为新数据的产生而变得更“聪明”，其成长速度远超人类。

结语：家庭这道终极考题，正成为机器人真正长大的地方

家庭，是具身智能最复杂、最琐碎、最难以标准化的场景，也因此成为检验机器人是否真正具备通用能力的终极考场。它要求机器人不仅会动，更要会思考、会适应、会学习。

今天的机器人或许还走得慢、做得笨、时常犯错，但真正重要的变化已经发生：它已经开始走进家庭，在这个充满随机性与不确定性的真实世界里，一边干活，一边学习，持续进化。这不仅是技术的进步，更是人机共融生活方式的起点。

对于具身智能而言，这不仅仅是一次场景落地，更像是一场真正意义上的启程。机器人已经在最复杂的地方，开始了自己的成长。未来，随着WALL-B这样的模型不断进化，一个由智能机器人协助打理家务的时代，正加速向我们走来。