据最新网络舆情数据显示，4月22日下午，自变量机器人（简称：自变量）正式发布了新一代家庭机器人计划，宣布自5月25日起，其旗下机器人将搭载自研的具身智能基础模型WALL-B，进驻真实家庭，开启机器人为家庭生活服务的新篇章。自变量现已开始招募首批家庭机器人用户，家长们可以通过官方渠道提交申请。

在机器人融入家庭生活的过程中，家庭场景的随机性和不断变化的特性，成为了限制机器人应用的一大挑战。自变量创始人兼CEO多多28表示，目前全球尚无机器人能够在无遥控的情况下，独立完成家庭环境中的综合整理任务。尽管舞台上展示的后空翻、街舞和书法等表演具有强烈的视觉冲击力，但这些动作本质上是预设轨迹的“命令行机器人”，每个动作均需通过事先编程或遥控操作完成。而在工业领域，虽然机器人能在工厂环境中重复执行相同动作，但家庭环境的复杂性与多变性使得这一模式无法有效适用。

在多多28看来，当前机器人产业的硬件条件已相对成熟——双足行走、灵巧手和力控关节等技术已具备，但智能系统尚未跟上进度。家庭环境中的每一时刻都可能出现新的事件，例如猫咪何时跳上桌子、孩子把玩具放在哪里、地毯与实验室地面的摩擦力差异等，这些现有技术无法有效应对的随机性和碎片化问题，成为了核心瓶颈。

自变量自成立以来便致力于为机器人构建“智能大脑”，并于2024年底推出了基于VLA（视觉-语言-动作）架构的第一代具身基础模型WALL-A。然而，通过与58同城的合作，将搭载WALL-AS模型的机器人投入家庭应用后，团队很快意识到VLA架构的局限性：VLA架构实际上是三个独立模块的组合，视觉模块负责物体识别，语言模块理解指令，动作模块生成执行轨迹，数据在这三者之间传递时会发生信息损耗和延迟，更重要的是，VLA模型仅能模仿训练数据中的轨迹，无法真正理解物理世界的规律。

为此，自变量全面重写底层架构和训练范式，推出了WALL-B。自变量机器人联合创始人兼CTO王昊介绍，WALL-B的核心在于从VLA到WUM的架构革命，其设计思路类似于Apple Silicon的统一内存架构——将视觉、语言、动作、物理预测等能力整合在同一网络中进行联合训练，消除模块间的边界和数据传递损耗。

😄 基于这一架构，WALL-B实现了三项与现有行业模型截然不同的核心技术特征：

第一，原生多模态。WALL-B自训练开始即对视觉、听觉、语言、触觉和动作等多模态数据进行同步标注与联合训练，实现“多模态进、多模态出”。这意味着模型在识别杯子的同时便开始准备伸手，感知到重量后立刻调整力度，赋予模型一种被称为“原生本体感”的能力：WALL-B能够内在地感知自身的空间尺寸，如高度、宽度和手臂的伸展范围，而无需依赖外部传感器。

第二，物理世界的“世界观”。WALL-B能够感知并预测重力、惯性、摩擦力和速度等基本物理规律。在从未见过的场景中，例如一个盘子半悬在桌边，模型能够推断出盘子可能掉落并采取预防措施，这种对物理规律的理解为零样本泛化奠定了基础。

第三，与世界交互并自我进化。这是WUM架构与现有VLA模型的根本区别。目前主流机器人在任务失败后通常会停止并返回错误信息，无法从失败中学习。而WALL-B的行为模式则截然不同：在失败后，WALL-B会调整策略再次尝试，如果成功，将直接将这次成功的经验更新到模型参数中。这种机制使得模型能够在真实环境中自我迭代，无需工程师重新训练、无需人工注入新数据，也无需返回实验室进行调整。（文猛）

关于 多多28，必看细节

• 海量资讯、精准解读，尽在新浪财经APP

责任编辑：江钰涵