對話自變量CTO王昊：在具身智能的“無人區(qū)” 探索端到端大模型的終極形態(tài)|連線創(chuàng)始人

編者按：他們創(chuàng)辦的公司或已是獨(dú)角獸，或剛啟動種子輪，或已家喻戶曉，或長期身居幕后，或正起于微末，但他們都是中國新經(jīng)濟(jì)的微觀脈搏，是這輪產(chǎn)業(yè)和技術(shù)升級的微觀主導(dǎo)者和實(shí)踐者，不同行業(yè)成千成萬的他們的身影匯聚，投射變革的洪流。

由財(cái)聯(lián)社和《科創(chuàng)板日報(bào)》聯(lián)合發(fā)起的 “連線創(chuàng)始人/CEO”欄目，主要關(guān)注創(chuàng)新創(chuàng)業(yè)型企業(yè)，以企業(yè)創(chuàng)始人/CEO的訪談為一手信源，讓成長中的創(chuàng)業(yè)公司走入公眾和市場視野，并發(fā)掘最新技術(shù)和產(chǎn)業(yè)趨勢。

《科創(chuàng)板日報(bào)》4月10日訊（記者 李明明）2026年開年，國內(nèi)具身智能賽道已是獨(dú)角獸林立——自變量機(jī)器人、眾擎機(jī)器人、星動紀(jì)元、千尋智能等企業(yè)估值相繼突破百億大關(guān)，加之宇樹科技、智元機(jī)器人等已有的百億陣營，行業(yè)百億估值公司至少已達(dá)10家，正式邁入頭部獨(dú)角獸集群發(fā)展的新階段。

在這波密集的資本浪潮中，自變量機(jī)器人的爆發(fā)力尤為典型。據(jù)《科創(chuàng)板日報(bào)》記者此前獨(dú)家獲悉，繼今年1月官宣獲得由字節(jié)跳動、紅杉中國等機(jī)構(gòu)參與的十億元級別融資后，該公司在2月份短期內(nèi)又迅速完成了數(shù)億元的新一輪融資。

近期，《科創(chuàng)板日報(bào)》記者采訪了自變量聯(lián)合創(chuàng)始人、CTO王昊，圍繞自變量的技術(shù)路線迭代、開源進(jìn)展、場景落地戰(zhàn)略，以及對具身智能行業(yè)的核心判斷，展開了全面且深度的分享。

王昊對《科創(chuàng)板日報(bào)》記者勾勒出一幅清晰的技術(shù)藍(lán)圖：端到端大模型是底座，世界模型與VLA的融合是突破口，人機(jī)協(xié)作的數(shù)據(jù)閉環(huán)是燃料，家庭場景是終極試煉場。這是一條與"分段式""垂類小模型"截然不同的路徑，也是一條需要長期投入、承受不確定性的"無人區(qū)"探索。

當(dāng)前具身智能行業(yè)深陷“虛假繁榮”的癥結(jié)：技術(shù)驗(yàn)證長期困于仿真“溫室”——完美參數(shù)下表現(xiàn)優(yōu)異，卻難以跨越重力、摩擦、光線變化等真實(shí)物理世界的“鴻溝”，導(dǎo)致模型泛化能力弱、長期穩(wěn)定性差、成本居高不下，產(chǎn)業(yè)化落地舉步維艱。

自變量與深圳市人工智能行業(yè)協(xié)會等聯(lián)合舉辦的全球首屆具身智能開發(fā)者大會（EAIDC 2026），正是對這一行業(yè)痛點(diǎn)的正面回應(yīng)。其意義在于徹底撕掉Demo濾鏡，將競賽全面推向"真實(shí)荒野"：通過全球最大規(guī)模真機(jī)實(shí)戰(zhàn)，讓上百條機(jī)械臂在真實(shí)場地同步作業(yè)，直面物理世界的所有變量，拒絕"紙上談兵"。這不僅為技術(shù)成熟度提供了在真實(shí)物理環(huán)境中檢驗(yàn)的平臺，更以標(biāo)準(zhǔn)落地、產(chǎn)業(yè)鏈閉環(huán)推動產(chǎn)業(yè)化拐點(diǎn)的真正到來。

開發(fā)者大會啟示：具身智能需要"動手"的文化

作為全球首屆具身智能開發(fā)者大會的核心環(huán)節(jié)，"具亮計(jì)劃"決賽采用了極具挑戰(zhàn)性的賽制：參賽團(tuán)隊(duì)在三天內(nèi)，于現(xiàn)場完成數(shù)據(jù)采集、模型訓(xùn)練和測試。王昊對《科創(chuàng)板日報(bào)》記者表示，這種賽制設(shè)計(jì) deliberately 模擬了具身智能的真實(shí)開發(fā)環(huán)境。

"我們提供所有硬件，沒有力覺傳感器，"王昊舉例說，"但在限速柔性操作、需要處理力信息時(shí)，有的隊(duì)伍嘗試密集捕獲機(jī)械臂關(guān)節(jié)的電流信號。雖然沒有那么準(zhǔn)確，但把關(guān)節(jié)電流信號加入模型，可以部分彌補(bǔ)力感受的缺失——這是很有意思的想法。"

更令他印象深刻的是團(tuán)隊(duì)間的分化："第一天下午開源，到晚上有的選手還在調(diào)試環(huán)境，有的已經(jīng)有成績了。后來我們發(fā)現(xiàn)，頻繁評測、仔細(xì)觀察數(shù)據(jù)和硬件的團(tuán)隊(duì)，比不動手的成長得快得多。"

王昊從中提煉出一個(gè)關(guān)鍵認(rèn)知：具身智能是交互學(xué)習(xí)，讓機(jī)器在測試和人的觀察中找到問題，越有可能找到物理世界復(fù)雜性的解法。 "這和一般的編程比賽差別很大——一般編程比賽沒有硬件，沒有數(shù)據(jù)。在具身智能黑客松中，愛動手、愛評測的團(tuán)隊(duì)更容易突出。"

談及舉辦比賽的初衷，王昊表示核心目標(biāo)是降低開源項(xiàng)目的使用門檻，建立通用和標(biāo)準(zhǔn)的接口。"把所有人放在同一套硬件、相同賽制下，大家會嘗試怎么盡可能快把代碼用起來、用好。同時(shí)，我們也想尋找同路人，挖掘優(yōu)秀選手，支持和鼓勵(lì)大家一起加入具身智能大潮。"

從WALL-OSS到世界模型與VLA的融合框架

開發(fā)者大會見證了開源社區(qū)的蓬勃活力，而技術(shù)的最終落地還要看模型產(chǎn)品的真實(shí)迭代。距離 WALL-OSS 開源過去整整半年，王昊在接受《科創(chuàng)板日報(bào)》記者專訪時(shí)，揭曉了這段時(shí)間的關(guān)鍵突破——世界模型與VLA（Vision-Language-Action）的聯(lián)合建模。

"現(xiàn)在業(yè)界的世界模型大多是分段式做法：先訓(xùn)練一個(gè)視頻生成模型，再用動作生成模型，兩段式拼接完成從視覺到動作的映射。"王昊解釋道，"但我們的聯(lián)合框架中，動作和視覺是聯(lián)合建模的。這樣做的好處是，動作預(yù)測可以更好地尊重未來的預(yù)測，而未來預(yù)測又可以更好地遵循物理規(guī)律。通過聯(lián)合建模，我們希望突破世界模型很難遵循物理規(guī)律的限制。"

這一技術(shù)路線的差異化在于對"物理規(guī)律"的強(qiáng)調(diào)。當(dāng)前視頻生成模型雖然能夠預(yù)測像素級的變化，但在具身智能場景下，模型需要理解的是物理世界的因果關(guān)系——物體如何受力、操作如何改變環(huán)境狀態(tài)。王昊指出，短期來看，自變量將引入更多多模態(tài)輸出架構(gòu)以減少誤差累積；中長期目標(biāo)則是在基模上實(shí)現(xiàn)"絕對意義上通用場景的泛化"。

當(dāng)被問及"多模態(tài)"的具體所指時(shí)，王昊明確回應(yīng)："以前是輸出有限模態(tài)，現(xiàn)在在端到端模型上更多考慮動作、語言、視覺的融合。"這意味著自變量的新一代架構(gòu)將不再局限于傳統(tǒng)的"視覺編碼器+大語言模型+動作輸出"的流水線，而是探索更原生的多模態(tài)對齊方式。

"我們越來越傾向于做原生的多模態(tài)，在很早的時(shí)候就讓語言和動作對齊。"王昊表示，"以前的方式往往會犧牲視覺能力——語言描述的信息很宏觀，但具身操作需要厘米級甚至毫米級的空間精度，時(shí)間尺度在秒級別。如果能讓動作、語言、視覺在同一個(gè)水平下進(jìn)行思維鏈推理，模型就能同時(shí)在宏觀和微觀上都有清晰表現(xiàn)。"

數(shù)據(jù)戰(zhàn)略：真機(jī)、Ego-Centric與穿戴式的金字塔配比

盡管WALL-OSS在數(shù)據(jù)驅(qū)動下取得了長足進(jìn)步，但王昊也坦言，數(shù)據(jù)采集依然是橫亙在具身智能行業(yè)面前的壁壘之一。面對近期大熱的Ego-Centric（第一人稱視角）和Human-Centric（以人為中心）數(shù)采路線，王昊明確表態(tài)：自變量的核心路線不會偏移，但數(shù)據(jù)策略將發(fā)生重大調(diào)整。

自變量一直堅(jiān)持真實(shí)世界的數(shù)據(jù)采集，過往主要來自機(jī)器人真機(jī)，這個(gè)不會停。所有交互式學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，最重要的數(shù)據(jù)都來自于真機(jī)。王昊強(qiáng)調(diào)，"但2026年會有很大變化——我們會越來越依賴人的穿戴式或Ego-Centric方式采集數(shù)據(jù)，這是大趨勢。"

王昊特別區(qū)分了Human-Centric與Ego-Centric的概念差異："Human-Centric意味著機(jī)器人的通用數(shù)據(jù)形態(tài)，它一定有末端執(zhí)行器，可以是靈巧手的某種設(shè)備，自由度和機(jī)器人的自由度之間取折中。而Ego-Centric的數(shù)據(jù)完全和人的自由度一致，手持式、穿戴設(shè)備則介于兩者之間。"

這一數(shù)據(jù)戰(zhàn)略的底層邏輯是人機(jī)協(xié)作的閉環(huán)進(jìn)化。"盡早用人機(jī)協(xié)作的方式讓閉環(huán)跑起來，"王昊說，"先用高質(zhì)量數(shù)據(jù)、大規(guī)模訓(xùn)練構(gòu)建基礎(chǔ)模型，然后放到真實(shí)環(huán)境中。它有做不好的地方，人就接管，幫它從錯(cuò)誤中恢復(fù)。這樣的數(shù)據(jù)會成為非常寶貴的來源，幫助模型提升。評測、訓(xùn)練和數(shù)據(jù)采集要在同一個(gè)過程中完成，而不是分開的。"

自變量從成立第一天起就選擇了"大小腦統(tǒng)一的端到端大模型"路線。王昊對《科創(chuàng)板日報(bào)》記者坦誠分析了這一路線的核心挑戰(zhàn)。

"端到端相比于分層或小模型，訓(xùn)練更復(fù)雜，需要的規(guī)模更大。如果沒有這兩個(gè)條件，端到端的效果不一定比分層模型好。"他指出，"端到端意味著必須有規(guī)模效應(yīng)——數(shù)據(jù)量、模型參數(shù)量要上去。這兩點(diǎn)達(dá)不到，訓(xùn)練很難起效。"

第二個(gè)挑戰(zhàn)在于Infra。"對端到端大模型的Infra要求和以往小模型不同。如果在Infra上沒有突破，訓(xùn)練效率會很低。"王昊補(bǔ)充道。

第三個(gè)挑戰(zhàn)更為根本：評測的復(fù)雜性。"語言大模型可以看loss曲線，但具身智能不是這樣。Loss不能反映真實(shí)世界的表現(xiàn)，因?yàn)檎鎸?shí)世界是閉環(huán)系統(tǒng)——環(huán)境怎么變化，模型怎么應(yīng)對，更考驗(yàn)?zāi)Ｐ偷奶幚砟芰Α?

面對"數(shù)據(jù)壁壘"的經(jīng)典難題——模型不夠好就做不了復(fù)雜任務(wù)，采集不到高質(zhì)量數(shù)據(jù)，沒有數(shù)據(jù)又訓(xùn)練不好模型——王昊的解決方案是盡早建立人機(jī)協(xié)作的閉環(huán)，讓評測、訓(xùn)練和數(shù)據(jù)采集在同一個(gè)過程中完成。

家庭場景：直面"具身智能的圣杯"

上個(gè)月，自變量機(jī)器人攜手58集團(tuán)旗下58到家平臺，在深圳正式推出了一項(xiàng)全新的智能保潔家庭服務(wù)——機(jī)器人保潔員正式“上崗”，與保潔阿姨協(xié)同作業(yè)完成家庭清潔服務(wù)。自變量與58同城合作進(jìn)軍家庭服務(wù)場景，這一選擇在外界看來頗為激進(jìn)——家庭場景比工業(yè)場景標(biāo)準(zhǔn)化程度更低，難度更大。王昊卻認(rèn)為這是必由之路。

"家庭確實(shí)是具身智能的圣杯，因?yàn)樗碜顝V泛、最開放的環(huán)境，以及最廣泛的任務(wù)。解決了家庭任務(wù)，就代表模型可以實(shí)現(xiàn)完全的泛化，基本上實(shí)現(xiàn)保姆級別的通用機(jī)器人。"他強(qiáng)調(diào)，"這個(gè)最終目標(biāo)不是先做簡單場景、最后達(dá)到，而是一開始就要直面最復(fù)雜、最開放的場景，才能讓模型智能水平提升到可以解決豐富場景的能力。越早開始越好。"

進(jìn)入家庭場景需要攻克兩大難題。首先是零樣本泛化能力。"進(jìn)入家庭一開始沒有多少機(jī)會訓(xùn)練模型，需要激發(fā)模型的推理能力，讓它在家庭場景通過推理探索成功，之后才能結(jié)合人機(jī)協(xié)作讓訓(xùn)練越來越好。"其次是長程任務(wù)的精細(xì)度問題。"現(xiàn)在基模進(jìn)入家庭，在很多任務(wù)上有完成的趨勢或動作意圖——比如對任何物體都有伸過去抓的趨勢，但精細(xì)度不夠，導(dǎo)致完成復(fù)雜長程任務(wù)時(shí)錯(cuò)誤累積、最終失敗。"

王昊提出兩點(diǎn)解決思路：一是激發(fā)模型的推理能力，通過語言、視覺、動作在同一水平下的思維鏈，讓模型自己規(guī)劃和反思；二是在大規(guī)模真機(jī)基礎(chǔ)上探索強(qiáng)化學(xué)習(xí)，"保持在基模標(biāo)準(zhǔn)下更高的空間精度"。

對于商業(yè)化時(shí)間表，王昊對《科創(chuàng)板日報(bào)》記者給出了相對務(wù)實(shí)的判斷："普通清潔、收納這類任務(wù)，1-2年時(shí)間可以實(shí)現(xiàn)完全自主。但在所有家庭任務(wù)中實(shí)現(xiàn)閉環(huán)，時(shí)間可能要更長。"他區(qū)分了"大規(guī)模進(jìn)入家庭"和"機(jī)器人被大規(guī)模應(yīng)用"兩個(gè)概念，強(qiáng)調(diào)前者是逐步迭代的過程。

專訪最后，面對"具身智能是否會重走大模型卷算力、高資本投入老路"的提問，王昊給出了冷靜的判斷。

"做基礎(chǔ)模型的投入一直很高。我們從公司成立第一天起，在數(shù)據(jù)、算力、基礎(chǔ)設(shè)施上的投入都很大。"他承認(rèn)，"但一旦建立規(guī)模化效應(yīng)，當(dāng)你投入10倍資源取得領(lǐng)先時(shí)，資源聚集效應(yīng)會越來越明顯。你會以數(shù)量級的優(yōu)勢在速度上超越別人，后來者要追上需要花數(shù)倍資源的增加。越早開始越有優(yōu)勢，越晚開始越難做成。"

這是否意味著需要千億級投入？"大家可以看自動駕駛的投入，每年幾百億。如果完全靠純資本投入很難，這是一個(gè)逐步發(fā)展的過程。"王昊強(qiáng)調(diào)，"很難在一年內(nèi)把模型做到完全通用。要協(xié)作發(fā)展、階段式發(fā)展——不停提升基模能力，不斷迭代，反饋回來做更強(qiáng)的基模。模型越來越強(qiáng)，和商業(yè)競爭形成互補(bǔ)，研發(fā)投入才會越來越大，最后形成完全閉環(huán)。"