两天暴走3万步，我把今年的世界机器人大会翻了个底朝天，给你5件真东西！
2026年8月20日下午，北京亦创国际会展中心B厅，自变量机器人CEO王潜站在一块实时显示家庭服务机器人运行状态的大屏前，指着某户北京朝阳区用户家中正在拖地的机器人说：“它今天已经完成了第17次任务，误差小于3厘米。”台下观众席中，多位来自制造业和投资机构的代表迅速记下这一数据。
在当日举行的2026世界机器人大会上，王潜首次系统披露其具身智能基础模型WALL-B在真实场景中的运行规模与效率指标。据其介绍，截至8月中旬，已有超400台搭载WALL-B模型的机器人进入家庭提供保洁服务，其中约三成以“常驻模式”部署，即7×24小时驻留用户家中。与此同时，在长三角和珠三角的多个电子制造与食品包装产线上，自变量的工业机器人已实现平均3个月从部署到ROI（投资回报率）转正——部分项目甚至优于人工成本。
数据不是“石油”，而是高复杂度工业品
王潜强调，当前行业对具身智能发展的最大误判之一，是将训练数据简单类比为“AI时代的石油”。他指出，互联网语言或图像数据具有天然可复用性，而具身数据涉及任务定义、动作采集、物理交互标注、环境扰动模拟等多个环节，“一条有效数据的生成链条可能比模型本身更复杂。”
为应对这一挑战，自变量已构建覆盖真机采集、仿真增强、质量评估与反向优化的闭环数据流水线。公司内部数据显示，其非真机（仿真+合成）数据利用率已提升至65%，显著降低对昂贵实机采集的依赖。此外，团队已开源部分VLA（Vision-Language-Action）模型组件、世界模型训练工具及标准化数据集，旨在推动行业基础设施共建。
通用操作仍是瓶颈，端到端模型成破局关键
尽管运动控制能力近年快速提升，王潜指出，通用精细操作（Manipulation）仍是具身智能的核心难点。“抓取一个透明玻璃杯，涉及遮挡、材质反光、摩擦系数不确定性，参数空间呈指数级膨胀。”他认为，传统模块化架构（感知-规划-控制分离）难以应对物理世界的连续性与突发性，必须通过端到端基础模型统一处理视觉、语言、动作与三维环境重建。
自变量的WALL-B模型即采用此路线，不仅能生成动作指令，还能预测操作后的物体位姿变化与环境响应，从而形成对物理规律的隐式理解。测试表明，在未见过的厨房工具操作任务中，该模型成功率较上一代提升42%（基于内部基准集Eval-Kitchen v2）。
商业化节奏：从情绪价值转向生产力验证
市场研究机构IDC在《中国具身智能机器人商业化路径报告（2026年7月）》中指出，2025年前机器人落地多集中于展示性场景或情感陪伴，而2026年起，工业与家庭服务领域开始出现明确的ROI指标。自变量的进展印证了这一拐点。
在家庭端，尽管王潜承认狭窄空间与非常规工具仍需远程人工兜底，但用户日均主动调用频次已达2.8次，远高于行业平均的0.9次（据艾瑞咨询《2026Q2家用服务机器人用户行为白皮书》）。在工业端，其机器人已在3C装配、药品分拣等高精度场景替代70%以上重复性人力，部署周期压缩至传统自动化方案的1/3。
面对“五年内能否普及”的争议，王潜重申其判断：“物理世界的GPT时刻不会迟到。五年后回看，我们会发现自己早已生活在机器人承担大部分体力劳动的世界里。”
本文由AI辅助生成
