深圳2026年1月13日 /美通社/ -- 自變數機器人已於近期完成10億元A++輪融資。本輪融資由位元組跳動、紅杉中國、北京資訊產業發展基金、深創投、南山戰新投、錫創投等頂級投資機構及多元地方平臺聯合投資。這也是深創投AI基金成立以來的第一筆投資。 值得關注的是，除位元組外，自變數此前也曾先後獲得美團、阿里的投資，是國內唯一同時被這三家網際網路大廠投資的具身智慧企業。 跨領域資本的協同下注，既凸顯了資本市場對具身基礎模型重要性的集體共識，同時也印證了對自變數技術領先性與發展潛力的深度認可。 一、構建物理世界基礎模型，讓機器人真正能幹活 近兩年，具身智慧持續吸引市場目光，其「身體」——機器人的運動與控制能力已取得顯著進步。行業競爭焦點也從「肢體」轉向「大腦」。如何為機器人構建能理解物理世界、能操作、能靈活應對複雜多變場景的智慧「大腦」，使其真正勝任多樣化的實際物理世界的工作，成為突破的關鍵。 具身智慧基礎模型是獨立於、平行於大語言模型、多模態模型等虛擬世界基礎模型的物理世界的基礎模型。基礎模型的核心在於突破泛化性與通用性瓶頸，物理現實世界的複雜性要求機器人能夠具備實時處理非結構化、動態及隨機任務的能力。自變數的具身基礎模型，以所有機器人的感知資訊（例如視覺、觸覺、語音等）為輸入，直接輸出機器人的動作、視覺，以及語言等。 自變數機器人創始人兼CEO王潛表示：「具身智慧的下一階段競爭，本質上還是資料閉環構建的基礎模型與模型進化能力的競爭」。在這個判斷下，全球正在從資料、模型、算力等多個方面加快投入，快速推進具身智慧的發展。 VLA與世界模型深度融合，真機強化學習自主進化 自變數WALL-A模型的核心架構首創VLA與世界模型深度融合的系統正規化。作為原生的多模態輸入輸出架構，WALL-A率先實現了具身多模態思維鏈。WALL-A利用世界模型機制進行時空狀態預測，協同視覺因果推理理解環境反饋，並透過可學習記憶機制從資料中內化物理常識。 這一融合機制，顯著提升了機器人執行非結構化環境中移動操作任務的零樣本泛化能力。 同時，依託於大規模真機強化學習，基礎模型進一步在與真實物理世界的互動中獲得高質量學習經驗，自主解決長尾問題，實現機器人能力的持續進化。 自變數以完全端到端技術路線構建了物理世界基礎模型-真機自主進化的技術閉環。 高質量真機資料，構建模型進化引擎 資料是基礎模型進化的核心燃料，自變數自成立以來即重度投入，堅持硬體-資料-模型的閉環迭代。 作為國內最早規模化擴充套件真機資料採集的公司，自變數自研了主從遙操、外骨骼、無本體等多種數採裝置，實現了各種數採裝置上的資料驗證和模型突破。 公司還搭建了模型驅動的資料管線，透過資料生成、資料過濾、資料增強、資料標注等環節持續產生規模化的高質量資料。 自變數堅持透過基礎模型給資料處理和硬體設計等各個環節提供反饋，迭代更高質量的資料和更高效率的數採裝置，進一步提升基礎模型的效果。 模型迭代驅動能力躍遷，自主在真實世界完成任務 模型的持續進化，讓自變數的機器人在真實場景中體現了極強的適應力。 作為全球首個基於物理世界基礎模型的、成功跨越室外與室內場景的移動操作範例，機器人在外賣配送與紙箱回收任務中，面對強風乾擾或視線遮擋，均依靠基礎模型的泛化能力與世界模型的因果推演，不僅能像人類一樣腦補被遮擋物體的全貌，還能在遭遇卡頓時透過強化學習策略自主糾錯，無需人工幹預即可完成任務閉環。 這種適應力也體現在複雜困難的真實物流場景中。面對堆疊混亂的包裹，機器人憑借基礎模型的零樣本泛化能力識別異形件，並利用強化學習快速適應工作節拍。 值得一提的是，自變數基礎模型的進化還解鎖了高自由度靈巧手的潛力，機器人自主掌握了手內重定向等類人技能——從使用工具，到發牌這類對指尖力控要求極高的精細動作，成功攻克了具身智慧精細操作的最後一釐米。 在不斷突破技術邊界、專注探索前沿的同時，2025年9月，自變數還開源了其自研端到端具身基礎模型WALL-OSS，推動具身智慧技術的開放普及。 二、從全棧自研到多業落地：打通模型驅動商業化的關鍵路徑 自變數堅持軟硬體全棧自研。從模型演算法、資料驅動的需求出發，深度定義了機器人的硬體架構，設計釋出了「量子一號」、「量子二號」兩款高效能的機器人本體，同步實現了機械臂、關節模組、動力驅動器、主控制器等核心零部件的全面自研與演算法深度適配，促成了整機成本的大幅下降，為具身智慧機器人的規模化量產與商業化落地奠定堅實的基礎。 目前，自變數已逐步進入工業製造、物流、養老等多個高價值領域，跨行業的應用證明自變數的機器人正以高泛化、低成本部署的能力，精準對接真實的市場商業需求。 王潛曾在多個場合明確表示，在具身智慧這一前沿賽道，應爭當引領者，而非跟隨者。自變數持續深耕模型迭代、資料管線與機器人硬體三大核心領域，並透過紮實的技術積累與全棧自研能力，不斷突破既有的能力邊界。…