- 发布日期
国产机器人用更低成本反超 Figure AI
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
具身智能领域近日迎来“DeepSeek 时刻”。国产机器人公司自变量在物流分拣任务中，以更低成本的硬件方案反超了国际巨头 Figure AI，引发行业对“模型进步取代硬件堆叠”这一新路线的关注。
在最近一场连续一小时的直播中，自变量将一台双臂机器人置于传送带前，仅配备工业标准的平行夹爪，面对大小、重量、材质和朝向完全随机的真实包裹，完成了1816件有效分拣。按短时吞吐量计算，这一成绩比 Figure 03 此前创下的每小时1248件标杆高出45%。更值得注意的是，自变量方案的硬件成本据称下降了70%，分拣准确率超过98%。
两家公司选择了截然不同的技术路线。Figure 03 拥有完整人形身体和五指灵巧手，而自变量则去掉了分拣中不必要的腿和手指，将任务交给两条机械臂和夹爪。这种“减法”背后是一种新的思路：让模型承担更多复杂度，硬件只保留具体任务所需的能力。在仓库环境中，多一个关节或手指都可能成为新的故障点，而更简单的硬件意味着更低的成本和更高的可靠性。
自变量的核心优势在于其具身智能大模型 WALL-B。该模型采用世界统一模型架构（WUM），将视觉、语言、动作和物理变化预测整合在同一网络中联合训练。机器人不仅能识别包裹的属性，还能预判推、抓、拨等动作将导致的物理结果，例如软袋是否会滑落、纸箱是否可能翻倒。模型因此能动态组合夹、推、拨、摊和双臂托举等策略，弥补了夹爪自由度的不足。
这一成果并非一蹴而就。自变量此前是全球首个将具身机器人规模化带入普通家庭的企业。2024年发布的第一代模型 WALL-A 让机器人进入养老院和家庭，完成折毛巾、收纳杂物等家务；2026年又与58到家联合推出智能保洁服务，让机器人和保洁员共同上门。家庭场景积累的视觉理解、空间推理和物理预测能力，被自然地迁移到物流分拣中，实现了跨场景复用。
这种复用大幅降低了新场景的开发成本。过去，机器人每进入一条新产线都需要重新采集数据、调试动作；现在，一套通用模型可以通过硬件适配和流程调整快速复制到多个工位。当单工位的投入、吞吐量、维护成本和回本周期进入可接受范围，机器人才能从一次项目交付走向规模采购，这正是具身智能商业落地的“斩杀线”。
自变量的突破与 DeepSeek 在大模型领域的故事异曲同工——用更低成本交付足够强的能力。它证明，只要模型足够聪明，复杂的任务完全可以交给更简单、更便宜、更耐用的身体。未来，机器人或许不会更像人，但会变得更像一个用户愿意买单的伙伴。效率、成本、稳定性和复制速度，将取代“像不像人”成为衡量机器人的新标尺。
