作者 Dale

编辑 董雨晴

“家庭确实是具身智能的圣杯。”2026年3月30日上午，深圳零一学院，自变量机器人联合创始人兼CTO王昊在包括凤凰网科技在内的一场访谈中给出了这个判断。彼时正值首届具身智能开发者大会（EAIDC 2026）举办期间，进入决赛的20支顶尖队伍在此集结，参赛者只有三天时间从零完成数据采集、模型训练到真机部署的全流程。

在几乎所有同行都在优先拿下工业场景订单的2026年，自变量选择了一条更具冒险性的道路。今年3月，自变量宣布与58同城合作，由58到家平台随机调度阿姨与机器人组成搭档，共同进行家政服务，已在深圳开启试点。家庭，这个标准化程度最低、环境最开放的场景，正在成为自变量心中“通往通用机器人”的关键战场。

01 一场把机器人拉回真实世界的比赛

本次EAIDC 2026的赛制设计颇有玄机，所有参赛队伍使用同一套硬件平台，三天之内从初次接触具身智能基座模型及真机调试的状态，完成从数据采集到真机部署的全流程。通常情况下，专业研究实验室完成类似搭建至少需要6个月。

在王昊的观察中，比赛开始的第一天下午就出现了显著分化。“第一天下午开营，到了晚上有的选手还在调试环境，有的选手已经有成绩了，这是很大的差别。”后来他发现，那些频繁评测、仔细观察数据和硬件的团队，相比不动手的选手更加突出。“整个具身是交互学习，让机器在测试、以及人对它的观察中找到问题，越有可能找到真正物理世界复杂性的解法。”

一位参赛选手后来回忆，他们在最初面对“将环套在柱子上”的任务时，成功率只有20%到30%，经过不断迭代才逐步提升至60%到70%。

比赛还设置了A榜和B榜——A榜环境可控，供选手快速验证模型能力；B榜则是完全黑盒，考验模型在光照、背景、操作对象和操作位置变化下的泛化能力。王昊说，这是他们做比赛的初衷：“想通过这次比赛真正让整个开源项目可以降低对开发者的使用门槛，建立一个相对比较通用和标准的接口”。

在长期依赖仿真评测的具身智能行业，仿真环境虽然可以加速迭代，却难以还原真实世界的复杂性，sim2real（指从模拟环境到现实世界的技术迁移方法）的差距始终存在。王昊坦言：“长期依赖仿真评测，不可避免会掩盖模型能力的真实边界”。而EAIDC这场“真机演武场”，试图将评测、训练和数据采集三者重新拉回到同一个真实世界中。

02 端到端的“新故事”？

自变量从一开始就选择了“大小脑统一的端到端大模型”路线。在技术架构上，团队正尝试将世界模型与VLA（视觉-语言-动作）模型融合在一个联合框架下。

王昊解释了这个路线的底层逻辑。“大语言模型这个训练基础还是要用，只是我们要把语言、动作拉到一个空间当中，而不是像以前那样让所有视觉都服务于语言。”语言描述的信息很宏观，而物理世界的交互发生在厘米级和秒级尺度上，两者之间存在巨大的信息鸿沟。“如果我们能采用原生多模态的方式，动作可以同时在宏观和微观上都有非常清晰的表现，它能把视觉从以前静态的观察变成让视觉理解运动。”

这与当前不少VLA模型的简化设计形成对比。有行业观察者指出，许多具身模型仍偏向简化，多数VLA模型仍依赖单帧图像输入。

王昊认为，端到端模型最大的挑战在于训练复杂度和规模要求。“如果没有具备这两个条件，你选择端到端不一定有选择垂类小模型或分层模型的效果好。端到端意味着必须要有规模效应，数据量、模型参数量要上去。”此外，具身智能的评测也比语言大模型更棘手，“语言大模型可以看loss曲线，对具身来说往往不是这样，loss不能反映你在真实世界的表现，因为真实世界是闭环的系统。”

自变量的另一个核心策略是坚持真实世界的真机数据采集。王昊说，所有交互式学习和强化学习，最重要的数据都来自真机，“这个数据采集不会停，还会继续做。”但他也透露，2026年会有一个大的变化——“越来越依赖于人的穿戴式或Ego-Centric的方式采集数据”。

数据闭环的构建是自变量的另一个关键命题。王昊说：“尽早用人机协作的方式，让闭环跑起来。首先用高质量数据、大规模训练构建一个基础模型，虽然不能解决所有任务，但应该把它放到真实环境中开始做。它有做不好的地方，人就接管它，帮它从错误中恢复，这样的数据也会作为非常宝贵的来源。”他描述的是一套评测、训练和数据采集在同一过程中完成的系统。

03 为什么是家庭？

事实上，业内人士普遍判断家庭场景成熟应用需要等待5到10年，多数厂商在商业化上更倾向于工业场景——环境可控、任务单一、ROI可核算。2026年初，一批估值百亿的机器人公司涌现，而在家庭服务这个方向上，目前尚无真正意义上的成熟玩家。

王昊给出了不同的解题思路：“家庭代表最开放的环境和最广泛的任务，解决了家庭任务，就代表模型可以实现完全泛化。只有一开始就直面最复杂的场景，才能提升模型的智能化水平。不管从什么时候开始，越早开始越好，这是最重要的。”

然而，进入家庭有几个关键难点。一是零样本泛化能力——模型必须通过推理探索成功路径，而非依靠预先训练。“进入家庭一开始没有多少机会训练模型，这时候需要激发模型的推理能力，让它在家庭场景中通过推理探索出成功的例子。”二是长程操作的精细度。“现在基模进入家庭，在很多任务上有完成的趋势或动作意图，比如可以在任何物体上有伸过去抓它的趋势，但精细度不够，导致复杂长程任务时错误累积就会失败。”

王昊介绍，解决长程精细度问题有两个关键。第一是激发模型的推理能力，“让语言结合视觉进行推理，语言、视觉、动作在同一个水平下形成思维链，让机器人自己规划和反思。”第二是在大规模真机情况下做强化学习，“保持在基模标准下达到更高标准的空间精度。”

王昊预估“普通清洁、收纳这类任务，可以在1到2年时间实现完全自主。但要在所有家庭任务中实现闭环，时间可能要再长一点。”

这与自变量CEO王潜的表述形成呼应。王潜曾在采访中提到，今年内就能看到机器人以正ROI的方式实现商业化落地。而家庭场景的推进节奏显然更慢，但也更长远。

回到当下具身智能赛道最关心的争议性话题，技术路线选择与商业化孰轻孰重？

“在具身这个事情上，为了商业而牺牲技术而取得的成绩天花板不会高，真正高的天花板是商业与技术协同，由技术逐步推动商业的发展。”王昊认为，自变量的主线是让基模不停向前迭代，“但有一点，不要在垂直场景做太多模型系统，为了落地而做很多工程上的弥补。比如发现机器人在视觉上有盲区，就搞一个小模型来检测。短期来看可以帮助加快落地，但长期来看对基模的提升是危害的。”

这种坚持对应着自变量在场景选择上的逻辑——选场景的第一个依据是看它能否反哺基模能力。“不是说你先把技术做到完全泛化，再去考虑场景。恰恰相反，场景给你迭代，迭代让基模更强，更强的基模再反哺商业，才能形成完整的闭环。”

他透露，做基础模型的投入一直很高，公司从成立第一天起就在数据、算力和基础设施上大规模投入。“一旦建立规模化效应，当你投入10倍资源取得领先的时候，资源聚集效应会越来越明显，你会以数量级的优势在速度上超越别人。越早开始越有优势，越晚开始就越难做成。”