對話自變量CTO王昊：在具身智能的“無人區” 探索端到端大模型的終極形態|連線創始人

編者按：他們創辦的公司或已是獨角獸，或剛啟動種子輪，或已家喻戶曉，或長期身居幕后，或正起于微末，但他們都是中國新經濟的微觀脈搏，是這輪產業和技術升級的微觀主導者和實踐者，不同行業成千成萬的他們的身影匯聚，投射變革的洪流。

由財聯社和《科創板日報》聯合發起的 “連線創始人/CEO”欄目，主要關注創新創業型企業，以企業創始人/CEO的訪談為一手信源，讓成長中的創業公司走入公眾和市場視野，并發掘最新技術和產業趨勢。

《科創板日報》4月10日訊（記者 李明明）2026年開年，國內具身智能賽道已是獨角獸林立——自變量機器人、眾擎機器人、星動紀元、千尋智能等企業估值相繼突破百億大關，加之宇樹科技、智元機器人等已有的百億陣營，行業百億估值公司至少已達10家，正式邁入頭部獨角獸集群發展的新階段。

在這波密集的資本浪潮中，自變量機器人的爆發力尤為典型。據《科創板日報》記者此前獨家獲悉，繼今年1月官宣獲得由字節跳動、紅杉中國等機構參與的十億元級別融資后，該公司在2月份短期內又迅速完成了數億元的新一輪融資。

近期，《科創板日報》記者采訪了自變量聯合創始人、CTO王昊，圍繞自變量的技術路線迭代、開源進展、場景落地戰略，以及對具身智能行業的核心判斷，展開了全面且深度的分享。

王昊對《科創板日報》記者勾勒出一幅清晰的技術藍圖：端到端大模型是底座，世界模型與VLA的融合是突破口，人機協作的數據閉環是燃料，家庭場景是終極試煉場。這是一條與"分段式""垂類小模型"截然不同的路徑，也是一條需要長期投入、承受不確定性的"無人區"探索。

當前具身智能行業深陷“虛假繁榮”的癥結：技術驗證長期困于仿真“溫室”——完美參數下表現優異，卻難以跨越重力、摩擦、光線變化等真實物理世界的“鴻溝”，導致模型泛化能力弱、長期穩定性差、成本居高不下，產業化落地舉步維艱。

自變量與深圳市人工智能行業協會等聯合舉辦的全球首屆具身智能開發者大會（EAIDC 2026），正是對這一行業痛點的正面回應。其意義在于徹底撕掉Demo濾鏡，將競賽全面推向"真實荒野"：通過全球最大規模真機實戰，讓上百條機械臂在真實場地同步作業，直面物理世界的所有變量，拒絕"紙上談兵"。這不僅為技術成熟度提供了在真實物理環境中檢驗的平臺，更以標準落地、產業鏈閉環推動產業化拐點的真正到來。

開發者大會啟示：具身智能需要"動手"的文化

作為全球首屆具身智能開發者大會的核心環節，"具亮計劃"決賽采用了極具挑戰性的賽制：參賽團隊在三天內，于現場完成數據采集、模型訓練和測試。王昊對《科創板日報》記者表示，這種賽制設計 deliberately 模擬了具身智能的真實開發環境。

"我們提供所有硬件，沒有力覺傳感器，"王昊舉例說，"但在限速柔性操作、需要處理力信息時，有的隊伍嘗試密集捕獲機械臂關節的電流信號。雖然沒有那么準確，但把關節電流信號加入模型，可以部分彌補力感受的缺失——這是很有意思的想法。"

更令他印象深刻的是團隊間的分化："第一天下午開源，到晚上有的選手還在調試環境，有的已經有成績了。后來我們發現，頻繁評測、仔細觀察數據和硬件的團隊，比不動手的成長得快得多。"

王昊從中提煉出一個關鍵認知：具身智能是交互學習，讓機器在測試和人的觀察中找到問題，越有可能找到物理世界復雜性的解法。 "這和一般的編程比賽差別很大——一般編程比賽沒有硬件，沒有數據。在具身智能黑客松中，愛動手、愛評測的團隊更容易突出。"

談及舉辦比賽的初衷，王昊表示核心目標是降低開源項目的使用門檻，建立通用和標準的接口。"把所有人放在同一套硬件、相同賽制下，大家會嘗試怎么盡可能快把代碼用起來、用好。同時，我們也想尋找同路人，挖掘優秀選手，支持和鼓勵大家一起加入具身智能大潮。"

從WALL-OSS到世界模型與VLA的融合框架

開發者大會見證了開源社區的蓬勃活力，而技術的最終落地還要看模型產品的真實迭代。距離 WALL-OSS 開源過去整整半年，王昊在接受《科創板日報》記者專訪時，揭曉了這段時間的關鍵突破——世界模型與VLA（Vision-Language-Action）的聯合建模。

"現在業界的世界模型大多是分段式做法：先訓練一個視頻生成模型，再用動作生成模型，兩段式拼接完成從視覺到動作的映射。"王昊解釋道，"但我們的聯合框架中，動作和視覺是聯合建模的。這樣做的好處是，動作預測可以更好地尊重未來的預測，而未來預測又可以更好地遵循物理規律。通過聯合建模，我們希望突破世界模型很難遵循物理規律的限制。"

這一技術路線的差異化在于對"物理規律"的強調。當前視頻生成模型雖然能夠預測像素級的變化，但在具身智能場景下，模型需要理解的是物理世界的因果關系——物體如何受力、操作如何改變環境狀態。王昊指出，短期來看，自變量將引入更多多模態輸出架構以減少誤差累積；中長期目標則是在基模上實現"絕對意義上通用場景的泛化"。

當被問及"多模態"的具體所指時，王昊明確回應："以前是輸出有限模態，現在在端到端模型上更多考慮動作、語言、視覺的融合。"這意味著自變量的新一代架構將不再局限于傳統的"視覺編碼器+大語言模型+動作輸出"的流水線，而是探索更原生的多模態對齊方式。

"我們越來越傾向于做原生的多模態，在很早的時候就讓語言和動作對齊。"王昊表示，"以前的方式往往會犧牲視覺能力——語言描述的信息很宏觀，但具身操作需要厘米級甚至毫米級的空間精度，時間尺度在秒級別。如果能讓動作、語言、視覺在同一個水平下進行思維鏈推理，模型就能同時在宏觀和微觀上都有清晰表現。"

數據戰略：真機、Ego-Centric與穿戴式的金字塔配比

盡管WALL-OSS在數據驅動下取得了長足進步，但王昊也坦言，數據采集依然是橫亙在具身智能行業面前的壁壘之一。面對近期大熱的Ego-Centric（第一人稱視角）和Human-Centric（以人為中心）數采路線，王昊明確表態：自變量的核心路線不會偏移，但數據策略將發生重大調整。

自變量一直堅持真實世界的數據采集，過往主要來自機器人真機，這個不會停。所有交互式學習和強化學習，最重要的數據都來自于真機。王昊強調，"但2026年會有很大變化——我們會越來越依賴人的穿戴式或Ego-Centric方式采集數據，這是大趨勢。"

王昊特別區分了Human-Centric與Ego-Centric的概念差異："Human-Centric意味著機器人的通用數據形態，它一定有末端執行器，可以是靈巧手的某種設備，自由度和機器人的自由度之間取折中。而Ego-Centric的數據完全和人的自由度一致，手持式、穿戴設備則介于兩者之間。"

這一數據戰略的底層邏輯是人機協作的閉環進化。"盡早用人機協作的方式讓閉環跑起來，"王昊說，"先用高質量數據、大規模訓練構建基礎模型，然后放到真實環境中。它有做不好的地方，人就接管，幫它從錯誤中恢復。這樣的數據會成為非常寶貴的來源，幫助模型提升。評測、訓練和數據采集要在同一個過程中完成，而不是分開的。"

自變量從成立第一天起就選擇了"大小腦統一的端到端大模型"路線。王昊對《科創板日報》記者坦誠分析了這一路線的核心挑戰。

"端到端相比于分層或小模型，訓練更復雜，需要的規模更大。如果沒有這兩個條件，端到端的效果不一定比分層模型好。"他指出，"端到端意味著必須有規模效應——數據量、模型參數量要上去。這兩點達不到，訓練很難起效。"

第二個挑戰在于Infra。"對端到端大模型的Infra要求和以往小模型不同。如果在Infra上沒有突破，訓練效率會很低。"王昊補充道。

第三個挑戰更為根本：評測的復雜性。"語言大模型可以看loss曲線，但具身智能不是這樣。Loss不能反映真實世界的表現，因為真實世界是閉環系統——環境怎么變化，模型怎么應對，更考驗模型的處理能力。"

面對"數據壁壘"的經典難題——模型不夠好就做不了復雜任務，采集不到高質量數據，沒有數據又訓練不好模型——王昊的解決方案是盡早建立人機協作的閉環，讓評測、訓練和數據采集在同一個過程中完成。

家庭場景：直面"具身智能的圣杯"

上個月，自變量機器人攜手58集團旗下58到家平臺，在深圳正式推出了一項全新的智能保潔家庭服務——機器人保潔員正式“上崗”，與保潔阿姨協同作業完成家庭清潔服務。自變量與58同城合作進軍家庭服務場景，這一選擇在外界看來頗為激進——家庭場景比工業場景標準化程度更低，難度更大。王昊卻認為這是必由之路。

"家庭確實是具身智能的圣杯，因為它代表最廣泛、最開放的環境，以及最廣泛的任務。解決了家庭任務，就代表模型可以實現完全的泛化，基本上實現保姆級別的通用機器人。"他強調，"這個最終目標不是先做簡單場景、最后達到，而是一開始就要直面最復雜、最開放的場景，才能讓模型智能水平提升到可以解決豐富場景的能力。越早開始越好。"

進入家庭場景需要攻克兩大難題。首先是零樣本泛化能力。"進入家庭一開始沒有多少機會訓練模型，需要激發模型的推理能力，讓它在家庭場景通過推理探索成功，之后才能結合人機協作讓訓練越來越好。"其次是長程任務的精細度問題。"現在基模進入家庭，在很多任務上有完成的趨勢或動作意圖——比如對任何物體都有伸過去抓的趨勢，但精細度不夠，導致完成復雜長程任務時錯誤累積、最終失敗。"

王昊提出兩點解決思路：一是激發模型的推理能力，通過語言、視覺、動作在同一水平下的思維鏈，讓模型自己規劃和反思；二是在大規模真機基礎上探索強化學習，"保持在基模標準下更高的空間精度"。

對于商業化時間表，王昊對《科創板日報》記者給出了相對務實的判斷："普通清潔、收納這類任務，1-2年時間可以實現完全自主。但在所有家庭任務中實現閉環，時間可能要更長。"他區分了"大規模進入家庭"和"機器人被大規模應用"兩個概念，強調前者是逐步迭代的過程。

專訪最后，面對"具身智能是否會重走大模型卷算力、高資本投入老路"的提問，王昊給出了冷靜的判斷。

"做基礎模型的投入一直很高。我們從公司成立第一天起，在數據、算力、基礎設施上的投入都很大。"他承認，"但一旦建立規?；?，當你投入10倍資源取得領先時，資源聚集效應會越來越明顯。你會以數量級的優勢在速度上超越別人，后來者要追上需要花數倍資源的增加。越早開始越有優勢，越晚開始越難做成。"

這是否意味著需要千億級投入？"大家可以看自動駕駛的投入，每年幾百億。如果完全靠純資本投入很難，這是一個逐步發展的過程。"王昊強調，"很難在一年內把模型做到完全通用。要協作發展、階段式發展——不停提升基模能力，不斷迭代，反饋回來做更強的基模。模型越來越強，和商業競爭形成互補，研發投入才會越來越大，最后形成完全閉環。"