149元的家政服務火爆全網，具身智能機器人走入“尋常百姓家”

　　149元，3小時。

　　/朝聞通/近期，自變量與58同城合作推出的智能保潔服務引發了廣泛讨論。用戶下單後，家政阿姨、機器人和工程師一起上門。質疑和好奇随之而來：機器人到底做了多少活?為什麼還需要阿姨和工程師?它什麼時候才能真正替代人工?

　　149元，對應的是一次完整的人工上門保潔服務。對許多城市家庭來說，這個價格足以匹配家政阿姨投入的時間和勞動。而在這個服務流程中，機器人承擔部分可執行任務，工程師負責現場支持和安全保障。

　　在這其中，家庭隐私是首要考量。需要注意的是，自變量和58同城從這項服務設計之初，就保留了用戶拒絕的權利：用戶不同意，機器人不開機。

　　它給出的方案是視覺脫敏、透明授權和用途限定：原始數據完全脫敏，機器人經用戶同意後才啟動，數據不共享給第三方。

　　隻有在用戶允許之後，機器人才能真正進入家庭。自變量要做的，是讓機器人在這樣的環境裡理解任務、完成動作，并從一次次成功和失敗中繼續疊代。

　　這也指向中國機器人産業的一種新路徑：具身智能正在從資本、發布會和演示視頻驅動的熱鬧，走向真實世界裡的壓力測試。

　　關注具身智能的人可能會發現：今年國内企業都開始做數據采集，發令槍響就是沖刺。自變量機器人創始人兼CEO王潛做過判斷：“看不到具身智能的scaling low，是因為數據太糟糕了，全是噪聲。”

　　誰能率先積累足夠多高質量的具身數據，就可能率先撬開通用具身智能的大門。

　　自變量就是這樣一家公司：做機器人的身體、做數據采集、也做VLA、世界模型WM和世界統一模型WUM三種路線的具身模型。為了摘到“具身模型”的月亮，自變量必須自己動手，去物理世界采集數據，自己播種澆灌。

　　而在當下社會中，哪裡是高價值物理數據的富礦?自然是用戶的家庭家政場景。

　　家庭場景的價值，主要是帶來真實數據、真實反饋和真實約束。實驗室裡的機器人可以被反複調試，展廳裡的機器人也可以被安排在相對可控的環境裡。但一旦進入家庭，它就會遇到大量無法提前設計的問題：家具怎麼擺，地面是什麼材質，光線如何變化，雜物放在哪裡，用戶會怎樣下指令，機器人又會在哪些看似簡單的任務上失敗。

　　真實世界數據對應的是它對真機和複雜場景的重視。相比隻依賴公開視頻或仿真數據，機器人不僅要進入真實環境，還需要在真實任務中持續獲得反饋。不同家庭、不同物體、不同光線和不同地面條件，都會影響機器人的判斷和動作結果。

　　本體則決定模型能否真正落地。自變量自研通用輪式雙臂機器人、人形機器人、高自由度靈巧手和機械臂等硬件體系。

　　換句話說，自變量想打通的不是單一模型，也不是單一機器人本體，而是模型、數據和身體之間的循環。

　　這條路線和創始團隊背景有關。

　　創始人兼CEO王潛本科畢業于清華大學，後赴美國攻讀南加州大學博士，是神經網絡注意力機制領域的早期探索者之一。聯合創始人兼CTO王昊是北京大學計算物理博士，曾任IDEA研究院大模型團隊負責人。這種創始團隊的背景注定了自變量的基因中天生就是模型和算法

　　利用這些數據，在具身模型的研發上，自變量同時在走VLA、WM和自主架構WUM世界統一模型，三條路線。

　　VLA，即Vision-Language-Action，通常被理解為“視覺-語言-動作”模型。它試圖把機器人“看見環境、理解指令、生成動作”三個環節連接起來，讓機器人根據視覺輸入和語言指令，動态生成下一步動作。自變量第一代具身基礎模型WALL-A，走的就是這一路線。

　　2024年底，自變量發布基于VLA架構的第一代具身基礎模型WALL-A。2025年9月，公司又将同一思路架構下的輕量化模型版本WALL-OSS開源。

　　但傳統VLA架構仍有不足：更像是三個模塊的拼接：視覺模塊負責識别物體，語言模塊負責理解指令，動作模塊負責生成軌迹。數據在不同模塊之間的語義逐級傳遞，每經過一次邊界，就可能發生信息損耗和延遲。不僅如此，VLA更像是在模仿和預測，而不理解物理規律，也就不能理解如何正确地與物品交互。

　　2026年4月，自變量對原有技術路徑進行升級，推出新一代具身智能基礎模型WALL-B。WALL-B的核心是WUM架構，即World Unified Model。WUM試圖把視覺、語言、動作、物理預測等能力放進同一個網絡裡，從零開始聯合訓練，減少模塊邊界和數據搬運帶來的損耗。

　　過去很長時間裡，很多人對機器人的想象，來自科幻電影、發布會視頻和短視頻演示。那些内容塑造了一種期待：機器人一進入家庭，就應該像人一樣理解環境、完成任務、解決問題。

　　但真實産業路徑不是這樣發生的。過去機器人行業展示給公衆的，更多是能力上限。而家庭場景暴露出來的，則是系統下限。

　　機器人進入家庭，不會從完全替代人工開始，而會從人機協作開始。它不會一開始就是完美管家，而更像一個不斷學習的實習生。它可能需要遠程協助，可能把拖鞋放到廚房，也可能擦桌子擦到一半停下來“思考”。但它也可以24小時工作，并把每一次真實任務中的反饋，變成下一輪系統疊代的材料。

　　機器人行業下一階段的競争，可能會變得更具體，也更殘酷。真正拉開差距的，可能是誰能更早進入真實場景，并在真實場景裡形成模型、反饋、服務和商業化閉環。

　　而這道最殘酷、最真實的關口前，自變量成為了第一個闖關者。