具身智能公司自变量发布全球首个世界统一模型WALL-B

4月21日，具身智能领域传来一个重磅消息：自变量公司正式发布了世界统一模型WALL-B。更关键的是，发布会现场宣布，仅仅35天后，搭载这一全新模型的新一代机器人，就将首批入驻真实的家庭环境。

从家庭日常的“混乱”说起

发布会开场，创始人兼CEO王潜描绘了一个再熟悉不过的场景：“拖鞋不知踢到哪里，厨房的碗还没洗，孩子的书包扔在地上，猫打翻了一杯水。”这看似琐碎的日常，恰恰揭示了家庭环境的随机性与碎片化本质。目前，全球范围内还没有任何一台机器人，能在无需遥控操作的情况下，独立完成这类综合整理任务。正因如此，让机器人真正走进家庭，被普遍认为是这个时代最具挑战性的技术难题之一。

回顾自变量的技术路径：2024年底，公司发布了基于VLA架构的第一代具身基础模型WALL-A，随后又开源了其轻量化版本WALL-OSS。在应用层面，他们与58同城合作，将搭载WALL-AS模型的机器人送入真实家庭，与保洁阿姨协同作业，实现了机器人在C端复杂环境中的首次大规模落地。

然而，正是这些宝贵的真实部署经验，让团队清晰地看到了VLA架构的“天花板”。联合创始人兼CTO王昊解释道，VLA架构的本质，是将视觉、语言、动作三个模块独立设计。数据每经过一次模块边界，就会产生信息损耗和延迟，导致模型只能机械地模仿轨迹，而无法真正理解物理世界的运行规律。

今天发布的WALL-B，正是对这一根本困局的回应。需要明确的是，它并非WALL-A的简单升级版，而是一次从底层架构到训练范式的全面重写。

从“VLA”到“统一整体”

WALL-B之所以引人注目，其核心在于一场架构革命：从传统的VLA走向了世界统一模型。

在机器人领域，VLA架构的困境日益凸显。视觉、语言、动作模块各自为政，数据在它们之间“搬运”所产生的延迟和损耗，成了性能提升的瓶颈。一个典型的后果是：视觉模块学到的丰富信息，传到动作模块时，往往只剩下一个模糊的“摘要”。

WALL-B采用的WUM架构，彻底打破了这种隔阂。它将视觉、语言、动作乃至物理预测等多种能力，置于同一个神经网络中从零开始训练，从根本上消除了模块间的边界和数据搬运损耗。

据王昊介绍，这一架构赋予了WALL-B三个关键的技术特点，使其能更好地适应复杂的家庭场景：

第一，原生多模态。 模型不再需要像“传话”一样在不同模块间转译信息。例如，看到杯子的瞬间，就能同步规划伸手的动作，反应更为直接和高效。

第二，具备物理世界“世界观”。 模型能够感知并预测重力、惯性、摩擦力、速度等基本物理规律。这意味着，它可以利用对物理常识的理解来应对从未见过的新场景，而无需针对每一个不同的家庭进行重新训练。

第三，能与世界交互并自我进化。 这是一种让模型在真实环境中完成自我迭代的机制。它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。王昊将其类比为人类学习使用筷子的过程：筷子掉落了无数次，但每一次失败都在微调手上的控制，最终形成稳定技能。WALL-B克服了Transformer架构难以进行长期内化记忆的难题，所有经验都以原生多模态记忆的方式，通过类似人脑的机制实现自我更新。

从“糖水”到“牛奶”

训练数据的质量，直接决定了模型的“实战”能力。目前，行业内大多数模型依赖的是在固定、无干扰的实验室环境中采集的数据。王昊形象地将这类数据比喻为“糖水数据”——纯净但脱离现实，在真实复杂环境中会迅速失效。

与之相对，自变量团队将进入数百个志愿者真实家庭所采集的数据，称为“牛奶数据”。这类数据“嘈杂”、多变、充满随机性，却富含现实世界的“营养”。自变量的策略是，用实验数据打底，用真实场景数据提质，让模型学会在不确定的环境中“生存”。可以说，由真实、随机、不可预测的现实数据所驱动的数据飞轮，才是构建长期壁垒的关键。

在商业化落地方面，自变量的时间表非常明确。35天后，搭载WALL-B并针对家居环境进行了硬件升级的新一代机器人，将正式入驻首批用户的家庭。针对公众尤为关注的隐私问题，自变量团队也给出了明确承诺：机器视觉进行脱敏处理、需用户主动授权、数据用途限定且不共享给第三方。

王潜坦言，当前的模型仍处于“实习生”阶段，会犯错，也需要远程协助。但其优势在于能够实现24小时不间断工作，并且每工作一天，都会因为新数据的产生而变得更“聪明”。

发布会最后宣布，即日起，自变量正式开启“首进家庭机器人”的用户招募，感兴趣的家庭可通过官方最新渠道提交申请。