鑄造端到端：自變量

深圳的一家初創公司，成立不到一年半融資超20億，背后是阿里、美團等巨頭的重注押碼，以及一個清華學霸的機器人夢想。

2025年深圳國際人工智能展覽會上，一臺名為“小量”的機器人正在熟練地制作果味冰沙。從取杯、接冰到添加小料，所有動作一氣呵成，僅用兩分鐘便完成了一份晶瑩剔透的冰沙。這場展示吸引了大量圍觀者，但更引人注目的是。

這臺機器人背后的公司——自變量機器人，成立不到一年半已完成7輪融資，累計融資金額超過20億元人民幣，成為國內具身智能賽道最受資本青睞的創業公司之一。

在自變量機器人創始人兼CEO王潛的規劃中，制作冰沙只是起點，他的終極目標是“讓通用機器人真正走入千家萬戶”。

01 信仰

王潛身上有著典型清華學子的特質——理性、執著且富有遠見。他本碩畢業于清華大學，是全球最早在神經網絡中引入注意力機制的學者之一，與Google在該領域的首篇文章發表在同一會議。

這一貢獻后來成為Transformer架構的關鍵，奠定了現代大模型的技術基礎。

在美國南加州大學攻讀博士期間，王潛選擇了熱愛的機器人領域，在美國頂級機器人實驗室參與了多項機器人學習和人機交互的研究。這段經歷讓他對機器人技術有了更深刻的理解，也讓他意識到傳統機器人技術的局限性。

博士畢業后，王潛曾在美國創立量化基金公司，可“晚上經常睡不著想做機器人”。對機器人技術的執著始終縈繞在他心頭。2023年，隨著大語言模型等相關領域取得突破性進展，王潛敏銳地捕捉到機器人行業的新契機。

他毅然決定解散基金，回國創業。

王潛選擇回國創業并非一時沖動。在他看來，中國在硬件制造和供應鏈方面具有全球領先的優勢。“美國硬件人才大都被‘金手銬’拷進了大公司”，而“中國的供應鏈優勢可能領先了美國一個數量級”。

他特別指出，數據收集工作的成本在中國基本上是美國的1/10。

2023年12月18日，王潛第一次來到深圳，自變量機器人正式成立。深圳的產業鏈生態讓他印象深刻：“當時，我們實驗室里用的機器人硬件，包括零配件等等，很多都是深圳產的。

”他補充道，“在深圳，兩天甚至半天就能配齊所有零部件”。

02 堅守

自變量機器人從成立之初就選擇了一條與眾不同的技術路徑——“大小腦統一的端到端大模型”路線。這一選擇在當時顯得頗為孤傲，甚至遭到了業內專家的質疑。

幾年前，王潛提出端到端思路的時候，一位有名的機器人教授曾當面否定了他的設想：“端到端很有意思，但可能永遠只是個玩具，不會落地。”

什么是端到端模型？與傳統的分層架構不同，端到端模型試圖在統一架構中解決從感知、規劃到控制的全流程問題。傳統分層架構將任務分解為感知、規劃、控制等多個模塊，每個模塊有獨立模型，而端到端模型則是單一的、整合的模型。

王潛解釋道，“分層模型每多一步拆解，就會引入額外誤差和不可控的噪聲，難以實現真正可靠地執行；而端到端統一模型，能夠在‘感知—決策—執行’的全流程中保持連續性，從根本上解決這一問題。”

自變量機器人的技術理念可以概括為“縱向統一”和“橫向統一”。縱向統一指從視頻、傳感器等原始輸入到機器人運動輸出，全部由同一模型處理；橫向統一則是不同任務共用同一個模型，訓練和推理都在同一架構下完成。

這一技術路線的優勢在WALL-A模型上得到了充分體現。該模型使機器人僅用二指夾爪就能完成拉拉鏈、疊衣服、澆花等復雜操作，數分鐘級別的任務成功率達到了95%以上。

03 進化

自變量機器人的產品演化路徑清晰地反映了其技術路線的正確性。成立僅兩個月，公司就成功訓練出第一版具身智能操作模型，能夠實現切菜、倒水等復雜的操作任務。

2024年底，自變量機器人發布了全球目前最大參數規模的具身智能通用操作大模型——Great Wall系列（GW）的WALL-A模型。

WALL-A模型展現出三大技術突破：

首先，它實現了多模態信息融合，可以整合不同類型的感知數據、自然語言指令與運動控制信號，實現輸入到輸出的端到端映射。

其次，該模型具備零樣本泛化能力，即在部分未見過的新任務場景中無需重新訓練就能適應。這是實現通用機器人的關鍵標志之一。

第三，模型在動態環境感知、實時任務規劃和超長程任務方面取得顯著進展。例如，機器人可以處理拉上散開衣服的拉鏈或扣扣子、然后掛起來這樣的復雜長序列任務。

光速光合合伙人朱嘉在參觀自變量機器人DEMO時，特意做了突擊測試：他在公司附近的超市買了十幾個樣式各異的玻璃瓶、馬克杯甚至燒水壺，現場測試機器人的抓取能力。

“有些形狀的杯子它從來沒見過，雖然抓得很踉蹌，但最終還是成功了。”

04 選擇

在數據策略上，自變量機器人堅持“高質量真機數據”的路線，這與許多依賴仿真數據或互聯網視頻數據的同行形成鮮明對比。

王潛明確表示：“所有涉及到復雜物理交互（如接觸豐富的手部操作）完全不使用仿真數據。我們在這個方面探索了十幾年，基本結論是，手部復雜操作無法通過仿真數據來進化。”

自變量的數據收集主要來自三個渠道：集中式數據采集場地、分布式現實環境收集，以及機器人部署后的回流數據。這種多渠道、高質量的數據收集策略，為模型訓練提供了堅實保障。

王潛將泛化能力劃分為四個層次：基礎條件的泛化（適應光照、物體位置等變化）、跨環境的泛化（從一個場景擴展到不同場景）、對象層面的泛化（對同類但未見過的全新物體依然能完成任務），以及任務的泛化（對完全未學習過的任務具備探索和解決的能力）。

他透露，目前自變量的模型在前三個層面都體現出了很好的通用性、泛化性能力。

05 野心

自變量機器人在資本市場的表現令人矚目。自成立起不到一年半時間內，公司已完成7輪融資，累計融資金額超過20億元。

2025年9月，自變量機器人宣布完成近10億元A+輪融資，阿里云、國科投資領投，國開金融、紅杉中國、渶策資本跟投，老股東美團、聯想之星、君聯資本追投。這是阿里云首次投資具身智能公司，也是美團第二次參與自變量機器人的融資。

三大電商巨頭在具身智能領域的布局邏輯存在明顯差異：

阿里投資的具身智能公司數量最多，已投了10家。其邏輯并不僅限于業務場景，而是更希望通過云計算和大模型擴展人工智能的應用邊界，構建具身智能技術生態。

美團雖然投資數量不及阿里，但對機器人的布局更早、更廣。從未來機器人、非夕、普渡科技等物流、協作、室內配送方向的機器人本體企業，到智譜AI、光年之外、月之暗面等大模型和AI芯片公司，美團幾乎在機器人相關的上下游都有布局。

京東今年才開始投資具身智能，但節奏很快，4個月內就投了6家具身公司。與阿里類似，京東也希望打造具身智能技術生態，但更強調場景導向，重點聚焦零售、物流、家庭三大垂直應用。

一位雙幣機構投資人指出，從融資金額看，目前國內人形機器人創業公司已經形成了鮮明的梯隊。第一梯隊的公司有三家：宇樹科技、智元機器人和銀河通用，融資金額都在15億元以上。

自變量機器人融資金額超過10億元，已從二線企業進入準一線之列。

06 路徑

面對商業化這一具身智能領域最受質疑的問題，王潛有著清晰的規劃。他認為，“家庭是機器人最大市場，預計3-4年會出現早期產品”。

經濟學有過測算，人類家務勞動未計入GDP，但占比高達四分之一，因此家庭機器人市場潛力巨大，甚至可能比工業場景，以及所有其他場景都要更大。

自變量的商業化路徑是從To B場景切入，逐步延展至To C。王潛指出，公司今年將在多個功能性場景中做商業化落地，讓機器人在開放性、隨機性場景里自主完成各種復雜的操作。

對于目前行業中部分企業將人形機器人送入工廠從事簡單重復性工作的做法，王潛直言“那其實就是一個PR（公關）行為”。在他看來，要實現真正有價值的商業化，必須要依靠具身智能模型的泛化能力提升。

在價格方面，王潛預測，消費者能接受、產業鏈能夠提供的一個價格可能在1-2萬美元之間，也就是10萬元上下。但他坦言，現在大家還是做不到這一點，這需要產業鏈成本進一步優化。

王潛預計，類GPT-3水平的具身智能大模型有望在一年左右出現。而人形機器人的“ChatGPT時刻”則需要3-5年時間周期，才會達到類似ChatGPT的水平。

07 未來

盡管自變量機器人取得了顯著進展，但王潛清醒地認識到，通往通用機器人的道路上仍充滿挑戰。他認為，現階段限制機器人產業化應用的主要因素是機器人的“大腦”，而非硬件。

“大家在展館中看到了大量運動能力做得很不錯的機器人，但與此同時，他們能夠提供的‘實用價值’有限，更多提供的還是‘形式價值’。”

數據隱私和安全性問題也是具身智能發展過程中必須面對的挑戰。隨著具身智能從實驗室走向實際應用，通過傳感器（攝像頭、麥克風）持續收集環境數據（如家庭布局、人臉圖像、對話內容）可能侵犯隱私。

面對這些挑戰，自變量機器人正在積極構建具身智能生態系統。2025年9月，公司在合肥發布了《具身智能生態建設計劃》，通過引入自研具身基礎模型，打造全球具身智能創新與產業的核心樞紐。

同時，公司還開源了自研端到端具身智能基礎模型WALL-OSS，這是唯一一個面向物理世界交互、具備真正落地能力的開源端到端具身智能基礎模型。

對于長遠發展，王潛認為機器人會采用軟硬一體的商業模式。“機器人相對特殊，無法形成像Windows或Android這樣的商業模式，機器人需軟硬件高度耦合，軟硬一體是最合理的商業模式。”

2025年世界機器人大會上，搭載自變量WALL-A模型的“量子2號”機器人自如地完成制作香囊、整理客廳等復雜任務，引來眾多圍觀。

王潛站在展臺旁冷靜觀察，臉上沒有太多表情。于他而言，展臺上的喝彩只是過程，真正的征程遠未結束。

那個讓通用機器人走進千家萬戶的夢想，正在以“深圳速度”一步步變為現實。