推翻VLA“舊世界”，自變量發(fā)布全球首個“世界統(tǒng)一模型”！

當全球具身智能賽道還在比拼誰能做出更穩(wěn)定的雙足、更靈活的靈巧手時，自變量機器人又在通用具身智能大模型領域向前推進了一大步。

4月21日，自變量機器人發(fā)布WALL-B世界統(tǒng)一模型（World Unified Model, WUM）。這不是其前代大模型WALL-A的升級版，而是一次從底層架構到訓練范式的徹底重寫。

發(fā)布會主題為“一個家庭成員的誕生”，看似溫情，實則野心磅礴。因為WALL-B要解決的，正是這個行業(yè)最核心的問題：機器人到底能不能真正“理解”這個世界，而不是“模仿”它？

01.

硬件有余，靈魂不足

“目前全球沒有任何一臺機器人，可以在無遙控操作的情況下，獨立完成一次家庭綜合整理任務?！?/p>

自變量創(chuàng)始人王潛在發(fā)布會上，用一個再普通不過的早晨場景，揭開了行業(yè)光鮮表象下的真實現(xiàn)狀：

拖鞋不知踢到哪里，廚房的碗還沒洗，孩子的書包扔在地上，貓打翻了一杯水……

這些對人類來說幾乎不構成挑戰(zhàn)的碎片任務，對當前所有機器人而言，卻是不可能完成的任務。

原因不在于硬件。事實上，今天的雙足機器人能后空翻，靈巧手能寫毛筆字，力控關節(jié)精度已達毫米級，問題出在智能。

“硬件已經(jīng)到位了，但大腦沒有跟上?！?/p>

當前主流機器人，本質上是“命令行機器人”或“遙控機器人”。它們的每一個動作，要么被預先編程，要么被遠程操控。工廠里的機械臂可以在固定位置重復抓取一萬次，但家庭里的一萬個動作，每個可能只做一次，每次的環(huán)境條件都不一樣。

這不是能力的差距，而是范式的失效。

而自變量認為，破局的關鍵，不在本體，而在模型。不是造一個更強的機器人，而是給機器人一個真正能理解世界的大腦。

02.

WALL-B：從VLA到WUM，一次架構級的“越獄”

要理解WALL-B的意義，首先要理解它取代了什么。

VLA（Vision-Language-Action）架構是目前具身智能領域的主流方案，其結構清晰：視覺模塊負責“看”，語言模塊負責“理解”，動作模塊負責“做”。三個模塊各司其職，數(shù)據(jù)依次傳遞。

但自變量聯(lián)合創(chuàng)始人兼CTO王昊指出，VLA的天然缺陷，恰恰藏在這種“分工”里。

數(shù)據(jù)在模塊之間每傳遞一次，就會發(fā)生一次信息損耗和延遲。視覺模塊“看到”的豐富空間信息，傳到動作模塊時，往往只剩一個模糊的摘要。更致命的是，VLA只能“模仿”訓練數(shù)據(jù)中的軌跡，它不理解杯子為什么會掉，也不理解為什么盤子懸在桌邊需要推回去。

這就是王潛所說的“模仿而非理解”的天花板。

而WALL-B所采用的世界統(tǒng)一模型（WUM），則是一次徹底的重構。

它的設計思路，很像當年蘋果M1芯片的統(tǒng)一內(nèi)存架構。在M1之前，Mac的CPU、GPU、內(nèi)存各自獨立，數(shù)據(jù)搬運成為性能瓶頸。而M1讓所有處理單元共享同一塊內(nèi)存，性能由此躍升。

WUM做的，正是同一件事：

將視覺、語言、動作、物理預測等所有能力，放在同一個網(wǎng)絡中，從零開始聯(lián)合訓練，融為一體。

沒有模塊邊界，沒有數(shù)據(jù)搬運，沒有信息損耗。

基于這一架構，WALL-B實現(xiàn)了三項現(xiàn)有模型不具備的核心能力：

1. 原生多模態(tài)+本體感

WALL-B從訓練第一天起，就同時接收視覺、聽覺、觸覺、語言、動作等多模態(tài)數(shù)據(jù)，實現(xiàn)“多模態(tài)進、多模態(tài)出”。它不需要“傳話”——看到杯子的同時，就已經(jīng)在準備伸手；感覺到重量的同時，就已經(jīng)在調(diào)整力度。

更重要的是，WALL-B首次展現(xiàn)出一種被稱為“原生本體感”的能力。它不需要持續(xù)觀察自身全身，就能內(nèi)在地感知自己的高度、寬度、手臂伸展范圍，判斷能否通過某個空間或觸及某個物體。這是一種內(nèi)生的空間感知能力，而非通過外部測量或建模獲得。王昊指出，這一點甚至許多動物都不具備。

2. 物理世界的“世界觀”

WALL-B能夠感知并預測重力、慣性、摩擦力、速度等基本物理規(guī)律。

比如，一個盤子一半懸空在桌沿外——它不需要見過這種情況，就能推斷出盤子會掉落、摔碎，從而采取預防動作。

這種對物理規(guī)律的理解，正是零樣本泛化的基礎。因為物理規(guī)律在不同環(huán)境中是一致的，WALL-B進入任何一個從未去過的家庭，都能利用對物理常識的理解來應對新場景，不需要重新訓練。

3. 與世界交互并自我進化

這是WUM架構與所有VLA模型最根本的區(qū)別。

目前的機器人在任務失敗后，通常直接停止，返回錯誤信息。而WALL-B的行為模式完全不同：它會調(diào)整策略再次嘗試，如果成功，就將這次成功的經(jīng)驗直接更新到模型參數(shù)中。

這意味著，它不需要工程師重新訓練、不需要人工注入新數(shù)據(jù)、不需要返回實驗室。它在真實環(huán)境中完成自我迭代。

王昊將其類比為人類學習使用筷子：筷子掉了無數(shù)次，但每一次失敗都在調(diào)整手上的控制，最終形成穩(wěn)定的技能。

這就是“與世界交互”的真正含義，不是被動執(zhí)行，而是主動學習。

03.

數(shù)據(jù)飛輪：為什么“牛奶數(shù)據(jù)”才是真正的護城河？

在具身智能領域，有一個行業(yè)共識：算法可以復制，算力可以購買，但數(shù)據(jù)無法速成。

而自變量在這個維度上，構建了一條幾乎不可復制的護城河。

王昊在發(fā)布會上提出了兩個很有趣的概念：“糖水數(shù)據(jù)”與“牛奶數(shù)據(jù)”。

糖水數(shù)據(jù)：實驗室中采集的干凈、可控、量大的數(shù)據(jù)。光照固定、物體位置固定、無干擾。這種數(shù)據(jù)像“糖水”，好喝但沒營養(yǎng)。

牛奶數(shù)據(jù)：真實家庭環(huán)境中采集的嘈雜、多變、充滿隨機性的數(shù)據(jù)。拖鞋散落、貓突然跳上桌、燈光忽冷忽熱。這種數(shù)據(jù)像“牛奶”，有營養(yǎng)，但難采集。

行業(yè)普遍在用“糖水數(shù)據(jù)”訓練模型，然后奇怪為什么一到真實環(huán)境就失效。

而自變量的選擇是：實驗數(shù)據(jù)打底，真實場景提質。

實驗室數(shù)據(jù)用于建立基本能力——識別常見物體、執(zhí)行基礎動作。而真實家庭數(shù)據(jù)，才是模型學會在不確定環(huán)境中生存的關鍵。

為了獲取“牛奶數(shù)據(jù)”，自變量團隊進入了超過100個志愿者的真實家庭，進行模型訓練。每一戶家庭的布局、燈光、物品擺放和混亂程度各不相同。

這些變量在實驗室中無法模擬，但卻是家庭環(huán)境中的日常。

而更重要的是，WALL-B的“與世界交互”能力，開啟了一個自我強化的數(shù)據(jù)飛輪：

進入真實家庭 → 產(chǎn)生真實數(shù)據(jù) → 模型自我進化 → 能力更強 → 進入更多家庭

這個飛輪一旦啟動，數(shù)據(jù)本身就成為了模型進化的燃料。自變量的領先優(yōu)勢，將不斷擴大。

04.

35天進家庭：“實習生”機器人的第一份工作

在商業(yè)化落地上，自變量給出了一個極其激進的時間表：35天后，搭載WALL-B的新一代機器人，將入駐首批真實家庭。

這不是demo，而是真正的“上崗”。

王潛坦承，當前模型仍處于“實習生”階段，需要遠程協(xié)助，有時可能把拖鞋放到廚房、擦桌子擦到一半停下來“思考”。

但它有兩個無可替代的優(yōu)勢：

24小時在崗，不會累、不會請假、不會情緒化。

每工作一天，都會因為新數(shù)據(jù)的產(chǎn)生而變得更“聰明”。

在隱私方面，自變量也給出了明確解決方案：視覺脫敏、透明授權、用途限定，確保原始圖像不上傳、開機需用戶主動同意、數(shù)據(jù)絕不共享給第三方。

在商業(yè)模式上，自變量也沒有走傳統(tǒng)的“賣硬件”路線，而是更接近服務訂閱模式。機器人本身只是載體，于行業(yè)而言，真正創(chuàng)造長期價值的，是它不斷進化的能力，以及由此產(chǎn)生的數(shù)據(jù)資產(chǎn)；于用戶而言，是每天實實在在完成的各種不同的家務活兒。

05.

結語

發(fā)布會最后，王潛說了這樣一段話：

“盡管進入家庭的機器人現(xiàn)在還很笨，走得很慢，經(jīng)常犯錯。人類從嬰兒時期邁出的第一步也是如此。每一個偉大的旅程，都是從踉踉蹌蹌的第一步開始的?！?/p>

WALL-B不是終點，甚至不是“第二個版本”。它是一個新范式的起點。

在VLA“統(tǒng)治”了具身智能三年之后，世界統(tǒng)一模型（WUM）或許第一次讓機器人擁有了真正的“世界觀”——它能理解物理規(guī)律，能感知自身邊界，能在真實世界中不斷學習、自我進化。

35天后，第一批“機器人實習生”將走進真實家庭。

而這，正是“一個家庭成員”真正的誕生。