小米领投，自变量机器人要进家庭了

4月21日，自变量机器人举办了一场名为“一个家庭成员的诞生”的发布会。会上，创始人兼CEO王潜确认，公司已完成由小米战投领投的B轮融资。



这是自变量在2026年的第三轮融资，也是自2023年10月成立以来的第十一轮。最引人注目的是，自变量已成为业内唯一同时获得美团、阿里、字节跳动和小米四家互联网巨头战略投资的具身智能公司。这些巨头本身都在布局机器人业务，它们的入局，是对自变量技术路线的强力认可。

发布会上，自变量还发布了新一代自研具身智能基础模型WALL-B，并宣布搭载该模型的机器人将于一个月后开启家庭场景服务，成为国内首家明确将下一阶段重心放在家庭场景的头部公司。

不只是世界模型，定义新的“机器人大脑”
此次发布会的核心，是自变量提出的一种全新模型架构——世界统一模型（WUM）。

当前行业主流的技术路线主要有两条：一是从视觉语言模型（VLM）延展到视觉语言动作模型（VLA），二是从视频生成模型或世界模型向动作控制延伸。但在王潜看来，这两种路线本质都是在“继承”原本并非为具身任务训练的模型，前者对物理世界的空间和动作细节不够敏感，后者则未必能抓住物理世界最核心的因果关系，因此都很“糟糕”。

自变量提出的世界统一模型，试图打破这一僵局。它不是传统意义上的世界模型，也不是VLA，而是一套将视觉、语言、动作、触觉乃至物理预测等能力，放进同一个网络中从头联合训练的新架构。

自变量将这一架构的意义，类比为苹果M1芯片带来的“统一内存架构”时刻。过去的VLA路线如同M1之前的电脑，各模块分离，信息传递中损耗严重；而WALL-B采用的世界统一模型，则像一次底层重写，将感知、理解、预测和动作能力整合进同一系统，从源头减少损耗，让模型直接围绕“如何在真实世界中行动”来学习。

这一路线的提出，基于自变量对数据积累的判断：当数据规模突破某个门槛后，零样本泛化的迹象已开始出现。因此，模型架构本身变得至关重要。WALL-B强调“原生多模态”，旨在从头训练一个真正面向物理世界的基础模型，回答“如果从一开始就按具身智能的要求来做，模型应该长成什么样”的问题。

进家庭，是为了逼模型长出泛化能力
如果说WALL-B是“机器人大脑”的解决方案，那么将机器人送进家庭，则是自变量为这个“大脑”选择的“成长环境”。

在行业普遍讨论仿真数据、合成数据以降低成本时，自变量依然将真实数据视为模型演进的核心资产。王潜认为，互联网视频中可供利用的“低垂果实”已基本被摘完，行业下一步必须转向自己生产数据。他更直言，仿真数据未必比真实数据便宜，且存在真实世界关键参数不可得、柔性物体难模拟等上限。

这种数据观解释了自变量为何选择家庭场景。在自变量看来，工业和家庭代表了两种相反的技术目标：工业场景封闭、固定，追求效率和稳定，适合做后训练和针对性优化；家庭场景则极度开放、充满长尾变化，对泛化能力的要求近乎极致，更适合检验和提升基础模型的预训练能力。

换句话说，如果目标是让机器人在确定场景中快速交付价值，工业是自然选择；但如果目标是让机器人在复杂开放的真实世界里，面对未知任务仍能工作，家庭就是更苛刻也更有价值的环境。

这并非要将家庭变成新的数据采集场。自变量承认，现阶段人机协作乃至一定程度的遥操作仍然存在。但它强调，机器人进入家庭，是因为基础模型已具备一定的零样本泛化能力，可以直接面对开放任务集合。除了物理上做不到的事，机器人应被鼓励尝试任何任务。家庭场景的价值，在于让模型在真实执行中持续暴露于新任务，获取多样化的环境和任务数据，并在下一轮训练中真正学会解决这些困难。

被四大巨头同时下注，自变量押注的是什么？
自变量能同时获得四大互联网巨头青睐，核心原因在于它同时占据了具身智能竞争中最关键的三项能力：基础模型、真实世界数据和机器人本体。

一方面，自变量持续推进Great Wall系列基础模型，从WALL-A到WALL-B，力求在架构和数据效率上取得突破；另一方面，它高度重视真实世界数据，坚持通过真机和复杂场景形成数据闭环，而非一味追求低成本的仿真数据。同时，公司拥有自研通用轮式双臂机器人、人形机器人、灵巧手等全套硬件体系，打通了模型、数据和身体的链条。

2025年，行业热度多围绕本体能力和场景落地；到了2026年，资本开始更明确地押注机器人“大脑”的扩展潜力。阿里、字节、美团和小米并非不懂模型的纯财务投资者，它们本身也在持续投入AI和机器人探索。正因为懂行，它们才更清楚，什么样的团队是在搭建下一阶段竞争所需的核心能力。

与一些急于铺开商业化场景的公司不同，自变量似乎并不着急尽快算清ROI。无论是发布WALL-B、提出统一世界模型，还是选择让机器人进入家庭，这些动作都指向同一个方向：优先搭建一个更接近通用智能的系统，而非寻找最容易交付的场景。

融资之后，公司的重心仍是物理世界基础模型研发、复杂场景拓展与数据收集，以及AI基础设施和机器人研发体系的升级。自变量吸引来的市场化资金，最终支持的却不是最短路径的商业化验证，而是更长周期的基础能力建设。

从这个意义上说，四大巨头同时下注自变量，押的已不只是它今天能做出什么样的机器人，而是它是否有机会率先打通基础模型、真实世界数据和机器人本体，在下一阶段的竞争中占据更核心的位置。