王潛有一副知識分子的長相，講話語調(diào)平和，但一旦聊起具身智能，他便流露出“殺氣騰騰”的一面：

“如果就奔著跟隨別人的念頭，技術(shù)天然就落在下風，是很沒出息的?！?/span>

“創(chuàng)業(yè)這件事是需要一些決心的，如果你從一開始就找好了退路，你的心態(tài)就不對了?！?/span>

機器人，是王潛最執(zhí)著的事。他本碩畢業(yè)于清華大學(xué)，博士就讀于美國南加州大學(xué)，曾在美國創(chuàng)立量化基金公司。但在做量化之后，他卻“好一陣子整晚睡不著，后悔沒把機器人事業(yè)做下去”。

圖源：企業(yè)授權(quán)

2023年，王潛解散基金回國，在深圳創(chuàng)立“自變量機器人”。

自成立起不到一年半時間，自變量機器人已完成7輪融資，累計融資金額超10億元。5月12日，智能涌現(xiàn)獨家報道其拿到美團獨投的數(shù)億元新一輪融資。

2023年是國內(nèi)具身智能賽道肇興之年，英偉達創(chuàng)始人黃仁勛首次預(yù)言具身智能將是下一個科技浪潮，銀河通用、智元機器人均在這一年成立。

相較于這兩家，自變量機器人前期并未獲得很大聲量。但隨著不斷獲得新融資，其正逐漸走向具身智能舞臺的中心。

一位雙幣機構(gòu)投資人告訴智能涌現(xiàn)，從融資金額看，目前國內(nèi)人形機器人創(chuàng)業(yè)公司已經(jīng)形成了鮮明的梯隊。第一梯隊的公司有三家：宇樹科技、智元機器人和銀河通用，融資金額都在15億元以上。自變量機器人融資金額超過10億元，已經(jīng)從二線企業(yè)進入準一線之列。

和當初的AI大模型一樣，國內(nèi)具身智能領(lǐng)域也存在著看好和看空兩種截然對立的態(tài)度。一邊是朱嘯虎的看空——“現(xiàn)在是個人形機器人就會翻跟頭，但商業(yè)化在哪里？”。另一邊，投資機構(gòu)持續(xù)砸下重金，創(chuàng)業(yè)公司正不斷加快量產(chǎn)步伐，并給出樂觀的增長預(yù)期。

王潛是技術(shù)信仰派的典型代表。

他創(chuàng)立的自變量機器人自2023年公司成立之日起就堅定選擇了“端到端統(tǒng)一VLA大模型”的技術(shù)路線，并以每2-3個月更新一版模型的速度推進研發(fā)。

一年后，隨著美國公司Physical Intelligence（PI）的模型發(fā)布，VLA成為了行業(yè)的主流路線。

在大部分其他廠商的模型還在執(zhí)行簡單的Pick&Place操作（即Pick抓取、Place放置）時，自變量機器人研發(fā)的WALL-A模型已經(jīng)可讓機器人完成例如衣物處理、收納整理、線束整理等多項復(fù)雜精細操作。

自變量的機器人在GAIE2025展會現(xiàn)場自主制作刨冰 圖源：企業(yè)授權(quán)

市面上看空的觀點認為“通用具身智能還太早，商業(yè)化不清晰?！倍鯘撗壑械男袠I(yè)發(fā)展進程圖則要快上許多。

他預(yù)計類GPT-3水平的具身智能大模型有望在一年左右出現(xiàn)。具身智能真正的商業(yè)化落地周期，也會在未來一到兩年內(nèi)逐步展開。

目前具身機器人的商業(yè)化場景主要來自于兩個市場：科研教育和迎賓表演。但在王潛看來，這兩個市場總體來講規(guī)模相對較小，對于行業(yè)的長期發(fā)展意義有限，不能當作最終面向的目標市場。對于人形機器人進工廠干簡單重復(fù)性工作，他更是直言“那其實就是一個PR（公關(guān)）行為”。

王潛認為要實現(xiàn)真正有價值的商業(yè)化，必須要依靠具身智能模型的泛化能力提升。

眼下，自變量也并不急于推進商業(yè)化，而是把重心放在模型能力提升上。公司有三分之二的支出投向模型及其相關(guān)業(yè)務(wù)。

“不謙虛地說，自變量就是處于國內(nèi)具身智能模型領(lǐng)先地位的，投資人對于第一名天然有一些優(yōu)待。大家相信我們能夠達到非常高的upside，希望我們更加專注通用具身智能模型的大目標?！蓖鯘撟孕诺卣f道。

以下是記者和自變量機器人創(chuàng)始人王潛的對話。內(nèi)容略經(jīng)編輯：

“一體式的端到端模型，發(fā)展天花板更高”

記者：最近的半年時間，公司在模型能力層面上有什么比較重要的新進展？

王潛：我們進展速度還是很快的，平均每2-3個月會更新一版模型。

以前自變量的模型是一個純粹輸出action（動作）的模型，是多模態(tài)進，單模態(tài)出。從去年10、11月開始，我們開始做any-to-any的模型，是多模態(tài)進，多模態(tài)出，除了輸出action（動作），也可以輸出語言和視覺等。

在全模態(tài)融合的框架下，自變量也做很長的COT（思維鏈）。差不多就在這兩次融資之間，我們把思維鏈做出來了。

今年3月，Google Gemini robotics公布了他們的進展，也是類似的做法：any-to-any和COT。最近Physical Intelligence（PI）新發(fā)布的π0.5也做了類似的事情。所以實際上我們非常早地就預(yù)判到了技術(shù)進步的方向，和PI等國外玩家做這個事的時間差不多。

所以我們敢說我們的模型水平基本上和PI、和google在同一個水平線上。因為的確是在相近的時間做出了類似的事情，達到了類似的效果。而國內(nèi)廠商普遍才剛起步要往這個方向去做，進度上就會差得比較多了。

記者：現(xiàn)在統(tǒng)一的端到端VLA大模型(Vision-Language-Action Model)已經(jīng)成為主流技術(shù)路線了嗎？

王潛：對，這很大程度是受到了去年十月份PI的新模型發(fā)布的影響，大家會看到端到端是一個好的方向，是一個大趨勢。

現(xiàn)在基本上不管信不信，大家至少會打這個旗子。但實際上做得好與壞，或者說有沒有真的去做端到端，還是有較大差異。同時，你會發(fā)現(xiàn)市場上有很多的所謂的“定義學(xué)”，重新“發(fā)明”什么叫端到端。

補充一下，端到端路線也有兩種不同的做法，一類是像Figure的兩層模型路徑：high level的VLM來做reasoning、planning，low level的VLA來做實際的動作生成部分；另一類做法就是不作區(qū)分，一體式的端到端。

我們早期也嘗試過兩層模型，但發(fā)現(xiàn)單層模型的天花板明顯高于兩層的，所以自變量傾向于統(tǒng)一的端到端范式。

圖源：企業(yè)授權(quán) 

記者：和端到端并行的技術(shù)路線是什么？

王潛：和它并行的就幾種，現(xiàn)在其實大家已經(jīng)不怎么做了。主要是通過三維視覺或者其他的方法做感知，再加上一些傳統(tǒng)控制，做一些Pick&Place操作（指抓取、放置）。

以上方式可能在某些場景，比如說特別簡單的Pick&Place任務(wù)，包括上一代的工業(yè)自動化的場景，但這明顯不是我們要追求的。Figure和波士頓動力之前都是這種方式，現(xiàn)在已經(jīng)轉(zhuǎn)向端到端了。

記者：現(xiàn)在自變量的具身智能模型能力，如果類比AI大模型，處于哪個階段？

王潛：我覺得還處于GPT-2的階段，GPT-3當時有一些明顯的特征，是在我們今天的模型上沒有足夠的scale去達到的。業(yè)內(nèi)像PI和google的進度也差不多，這是由Scaling Law的客觀規(guī)律決定的。

記者：國內(nèi)具身智能大模型要實現(xiàn)商業(yè)化還需要多長時間。

王潛：其實基本上快的話就是一年左右的時間點，慢的話可能就是兩年左右。我指的是真正的商業(yè)化，能夠?qū)嶋H意義上的讓用戶愿意去付費。當然商業(yè)化也分不同階段，要進入C端，比如家庭的保姆機器人或者室內(nèi)服務(wù)機器人，時間要更慢一些，可能是3-5年。

大家普遍是會高估短期的技術(shù)進步，低估中長期的技術(shù)進步——它比大家想象的會快一些。

記者：提到具身模型訓(xùn)練，大家都會說數(shù)據(jù)短缺是個瓶頸，你們的數(shù)據(jù)夠嗎？

王潛：數(shù)據(jù)是一個有時間線的問題。比如一開始對具身模型沒有任何感知、沒有理解的情況下，大量收集數(shù)據(jù)未必是正解，可能收集到的大部分數(shù)據(jù)是沒有用的，或是低質(zhì)量的。所以對具身智能有多少了解，其實就應(yīng)該匹配多大的數(shù)據(jù)規(guī)模。

提升數(shù)據(jù)收集規(guī)模只是一方面，怎么把數(shù)據(jù)質(zhì)量做好，深刻地理解需要什么樣的數(shù)據(jù)則是另一方面。自變量之前做了很多后者的工作，這樣是更高效的方式。

目前一些開源的數(shù)據(jù)集、第三方數(shù)據(jù)，數(shù)據(jù)質(zhì)量普遍不過關(guān)，如果實際去用此類數(shù)據(jù)訓(xùn)練，模型效果不會特別好，這些數(shù)據(jù)可以作為補充，但不能完全依賴，目前我們的數(shù)據(jù)主要靠自己采集。

記者：這一波具身智能熱潮，國內(nèi)創(chuàng)企普遍花錢還挺謹慎的，好像在為冷靜期做儲備，你怎么看？

王潛：首先自變量花錢還是比較謹慎的，不該花的錢絕對不花。我們做的是長線的大事，需要為行業(yè)可能的波動做準備。

但另一方面，該花的錢還是要花，不花錢的確做不出東西來。如果一直等國外的開源成果來follow或抄作業(yè)，實在沒出息，而且根本無法實現(xiàn)通用機器人的最終目標。

信心問題、過冬問題，其實反映出來的是能力不足，所以信心不足。如果真的有足夠的能力和判斷，是不會這么去想這個問題的，最初的團隊基因和能力水平會決定很多戰(zhàn)略上的判斷和看問題的方式。

說到底，行業(yè)的波谷為什么會來？是因為行業(yè)沒有做出實際成果來，做出來了，就自然會有一個波峰。為什么不去做引領(lǐng)波峰的公司，引領(lǐng)投資熱潮，而要被動的適應(yīng)環(huán)境呢？我覺得這才是一個創(chuàng)業(yè)者應(yīng)該有的心態(tài)。

“部分商業(yè)化場景的價值和意義存疑”

記者：投資人都是怎么評估自變量的技術(shù)能力？靠DEMO視頻嗎，還是現(xiàn)場真機演示？

王潛：我們都是真機演示，自變量從成立第一天，就堅持真機演示是第一位的。視頻有太多可以造假的方式了?，F(xiàn)場才能夠看到模型真實的表現(xiàn)，甚至于需要去現(xiàn)場和機器人互動，進行一些人為干擾，看看模型在各種各樣的極限情況下會有什么樣的表現(xiàn)，這才真正能體現(xiàn)模型的水平。

記者：到現(xiàn)在這個估值體量，投資人現(xiàn)在會對自變量有商業(yè)化的要求嗎？

王潛：分投資人。有的投資人比較看重具身智能模型能力可以達到多高的上限，另一部分投資人比較看重商業(yè)化，不同投資人的偏好風格差距還是挺大的。

自變量有些特殊，不謙虛地說，我們就是處于國內(nèi)具身智能模型領(lǐng)先地位的，投資人對于第一名天然是有一些優(yōu)待。大家相信我們能夠達到非常高的upside，所以不會要求我們?yōu)樯虡I(yè)化而商業(yè)化，大家更希望我們?nèi)プ觥坝袃r值”的商業(yè)化，希望我們更加專注通用具身智能模型的大目標。

記者：你們現(xiàn)在還沒有發(fā)布本體產(chǎn)品吧，怎么達到另一部分投資人商業(yè)化的要求。

王潛：我們其實現(xiàn)在已經(jīng)有本體產(chǎn)品了，只是還沒正式對外大規(guī)模發(fā)布。而且我們的本體產(chǎn)品已經(jīng)有實際的銷售和落地了，主要應(yīng)用在偏服務(wù)業(yè)的場景。除了目前的型號之外，我們還會再推出新的本體。

圖源：企業(yè)授權(quán) 

記者：現(xiàn)在具身智能進入服務(wù)業(yè)技術(shù)成熟了嗎？

王潛：我們和種子客戶現(xiàn)在還處于POC（概念驗證）的階段，今年年底到明年年初還是很有希望，當然目前也還需要做大量的工程工作。而且我們不會局限于簡單的Pick&Place操作（即Pick抓取和Place放置）。

過于簡單的Pick&Place操作，對于具身智能模型的進一步訓(xùn)練和發(fā)展沒有幫助，上一代技術(shù)其實也完全可以實現(xiàn)，甚至純自動化的技術(shù)也能滿足。自變量還是希望能夠做一些以前所有技術(shù)都沒辦法覆蓋的，足夠多樣、足夠復(fù)雜、足夠開放的場景。

記者：今年底或明年初就完成POC進入實際應(yīng)用的話，會是一個什么樣的利潤率水平。

王潛：傳統(tǒng)的服務(wù)機器人能做的事情比較單一，而我們的機器人是通用的，機器人能力不同，創(chuàng)造的價值不同，市場競爭態(tài)勢和客戶的付費意愿也不同。當然早期階段盈利并不是最重要的目標，主要還是希望通過理解實際場景的需求打磨產(chǎn)品。

記者：同行出貨更多的在科研教育和商城迎賓這倆場景，這兩個場景更成熟吧。

王潛：雖然這也是在做商業(yè)化，但這兩個場景商業(yè)化的價值和意義還有待商榷，感覺更多可能是為了滿足投資人對于商業(yè)化的要求，而不是真的相信這件事情可以通往真正想要去的大的目標（通用具身智能）。

科研和迎賓這兩個場景本身市場總規(guī)模不大，不可能當做具身智能最終面向的目標市場。這兩個場景可以作為“沿途下蛋”的產(chǎn)物，但如果把它作為一段時間的主要方向，就可能偏離最終的目標。

記者：這兩個場景確實規(guī)模不大，但是不是也有可能和其他小場景共同造出一個不大不小的市場來，足夠讓一家公司做到上市體量，比如某公司的投資方說過，“僅來自股東方的需求可能就創(chuàng)造出幾萬臺機器人的銷量”。

王潛：問題是這種上市有什么意義呢？這幾萬臺做完了之后呢？不能說這幾萬臺的需求做完之后，就不做生意了。

記者：如果具身智能比AGI更難，永遠實現(xiàn)不了，抓住科研和迎賓這種小市場，是不是一種務(wù)實？

王潛：我覺得大可不必，如果創(chuàng)業(yè)者不相信具身智能，為什么要去做呢？如果認為具身智能是非常遙遠、幾十年后才會出現(xiàn)的事情，那根本就不應(yīng)該現(xiàn)在進入這一領(lǐng)域。

記者：你怎么看工廠場景？最近Figure被外媒報道，F(xiàn)igure的人形機器人在寶馬工廠里打工的事情有夸大的嫌疑。

王潛：現(xiàn)在人形機器人進工廠，能落地的事情非常有限，其實就是一個PR（公關(guān)）行為。

實際工廠對速度和準確率有很高的要求，很多公司目前在做的任務(wù)其實還是更適合用上一代技術(shù)來實現(xiàn)。

比如流水線相對來說，還是一個比較封閉、固定的環(huán)境，反而不利于發(fā)揮具身大模型所追求的復(fù)雜操作，開放、隨機、動態(tài)環(huán)境和場景、泛化性的要求等，具身機器人在一般的工廠場景里也學(xué)不到什么，場景太簡單了，對于模型能力提升幫助非常有限。

自變量更傾向于選擇復(fù)雜的場景，復(fù)雜場景才能真正促進模型能力有效提升，也是真正意義上存在客戶需求、用戶愿意買單、替代完成人類不愿意做的事情的領(lǐng)域。

經(jīng)濟學(xué)中一直有所謂是需求創(chuàng)造供給，還是供給創(chuàng)造需求的爭議，在具身智能這一Moonshot領(lǐng)域，是很明顯的供給創(chuàng)造需求。

“對于大部分軟硬一體的東西來說，開源都是很差的一種模式?！?/span>

記者：美國同行的估值更高，資金更多，中美之間的具身智能模型水平是不是有差距？

王潛：國內(nèi)的整體水平相比于國外肯定還是差的，而且差得不少。我們重點關(guān)注的國外同行包括Physical Intelligence（PI）、google、特斯拉。

但就目前來說，我們還是有很大的機會能夠和美國在同一個水平線上去發(fā)展。甚至我們有機會在今年或者明年超過他們。

我覺得大家會有覺得國內(nèi)做的不如美國的心態(tài)，可能和過去長期處于“跟隨者”的角色有關(guān)。但在具身智能的發(fā)展實際中，沒必要過于自我懷疑。以自變量為例，我們能做到的模型水平已經(jīng)能夠和PI等國際頂級團隊在同一個水平線上，在部分指標上甚至實現(xiàn)了超越。

記者：第一梯隊的PI已經(jīng)開源了機器人通用基礎(chǔ)模型π0，這會不會把大家的水平拉平？

王潛：PI開源到現(xiàn)在差不多半年的時間，國內(nèi)有一些企業(yè)也嘗試在其基礎(chǔ)上進行微調(diào)，但從實際效果來看，并不會明顯優(yōu)于其他開源方案，更無法完整復(fù)現(xiàn)PI團隊在其自有機器人本體上的表現(xiàn)。實際上，跨本體適配的問題依然是一個重要挑戰(zhàn)。

記者：PI的π0微調(diào)之后，可以應(yīng)付什么樣的商業(yè)化場景？

王潛：目前來看，在新本體上微調(diào)后π0的能力會有比較大的損失，在商業(yè)化場景中的實際應(yīng)用比較有限。實際上PI之所以選擇開源，很大程度上在于其自身難以直接商業(yè)落地。PI本身并不做硬件，需要依賴其他企業(yè)將模型和硬件結(jié)合來落地，所以它才會采取開源模型這樣的方式。

記者：和AI大模型創(chuàng)業(yè)一樣，不貿(mào)然投入，等國外先進模型開源后再跟隨，是不是也不失為一種好策略？

王潛：這乍聽上去像是一個好策略。但是第一，靠抄能不能抄得到是個問題，具身智能不像語言模型可以蒸餾，它復(fù)現(xiàn)的難度很大。復(fù)現(xiàn)開源模型過程中，由于之前沒做過，該踩的坑還是要踩，其實并沒有節(jié)省多少時間。

其次，這么做整個公司的精氣神兒就沒有了。如果自己都不相信自己能做成，那憑什么讓和你一起做這件事的人相信公司可以。

去做一件有意義的事情，是需要專注、信仰和創(chuàng)造力的。如果靠等待和抄作業(yè)，在科技創(chuàng)新領(lǐng)域，就只能是做一些很平庸的事情，永遠成就不了一家偉大的公司。

記者：具身智能有可能跟AI大模型一樣形成開源和閉源兩個陣營嗎？

王潛：本質(zhì)上，對于軟硬一體的領(lǐng)域來說，開源是一個偽命題，至少不是商業(yè)化的命題。之前的無人機、自動駕駛等，在發(fā)展的過程中都有大量的開源，但最終所有的開源都沒能成功。

大家現(xiàn)在對開源會有一些期待，或者說比較敏感，本質(zhì)上是因為人們看到在語言模型賽道，開源會有一些好的效果。但軟硬一體的東西和純軟件不一樣，軟件如語言模型，模型本身即產(chǎn)品，部署后可以立刻使用，很自然地獲得C端的影響力。

但是具身智能模型還需要搭配硬件才能成為產(chǎn)品，和人交互的界面、應(yīng)用的實體是硬件，所以很難獲得廣泛意義上的聲量，目前只能影響學(xué)術(shù)界、極客圈子以及行業(yè)內(nèi)群體。

比如π0模型在去年發(fā)布的時間點絕對是當時世界領(lǐng)先的模型，但它在大眾端并沒有激起什么水花。所以具身智能的商業(yè)化肯定不能靠開源來實現(xiàn)。

第二，具身智能這個領(lǐng)域還是有特殊性。比如A實驗室開源了一個具身智能模型，全世界沒有任何一個實驗室能夠100%的復(fù)現(xiàn)出來開源實驗室在他們自己環(huán)境下能做到的東西。不要說完整的復(fù)現(xiàn)，哪怕是大部分的復(fù)現(xiàn)也都很難實現(xiàn)。語言模型可以去蒸餾，但在硬件領(lǐng)域，不可能脫離機器人把數(shù)據(jù)蒸餾出來。