从跳舞到拧瓶盖，具身智能不秀肌肉了，开始拼“脑子”

发布时间：2026-01-17 13:20:00  浏览量：4

2026年开年，国内科技圈炸了个大新闻，

机器人公司「自变量」突然拿到字节跳动和红杉资本10亿融资。

这钱可不是砸给会跳舞、能跑酷的花架子，而是瞄准了机器人的「大脑」物理世界基础模型，这事儿标志着，具身智能行业的竞争，已经从「练肢体」转向「拼脑子」了。

过去几年，咱们看机器人表演，无非是跳个舞、跑个酷，最多走个平衡木，

这些炫技背后，其实是在练「移动能力」（locomotion）和「导航能力」（navigation）。

但你有没有想过，

会跑会跳的机器人，能帮你拧开矿泉水瓶吗？还真不行。

去年某展会上，有个号称「最灵活」的机械臂，对着瓶盖拧了3分钟，要么滑丝要么拧不开因为它分不清「拧紧」和「没拧紧」的瓶盖在物理上有啥区别，

这就是具身智能的真正瓶颈，操作能力。

自变量这次融资，恰恰就押在了这上面，

他们创始人王潜说：“光会走不算本事，能帮人干活才是真智能。”

而干活的核心，就是让机器人拥有理解物理世界的“大脑”。

为啥物理世界这么难？举个例子，你看到桌上的杯子，大脑瞬间就知道“它是圆的、光滑的、装了水会重”，但机器人得靠摄像头拍、传感器摸，还得算重力、摩擦力。

更麻烦的是，物理世界没有“标准答案”同样是拧瓶盖，矿泉水瓶和酱油瓶的力度完全不同，这可不是语言模型能搞定的“文字游戏”。

想让机器人拥有物理世界的“大脑”，得先颠覆一个认知，具身智能不是语言模型的“下游应用”

的文字符号，可物理世界的规律（比如重力、弹性），得自己跳下水才知道。

传统机器人用的「模块化架构」，就像盲人描述油画给聋人，视觉模块看到图像，传给语言模块分析，再让规划模块出方案，最后动作模块执行每一步都在丢信息，拧瓶盖自然拧不明白。

那该咋搞？自变量给出的答案是两条路。

第一条路，端到端统一架构

，简单说，就是让机器人的「眼睛」「手」「脑子」直接联动，不搞模块拼接。

他们的WALL-A模型，能一边控制机械臂拧瓶盖，一边预测瓶子会不会滑，还能告诉你“我觉得这个瓶盖有点松”，

这就像人类抓杯子，眼睛看到、手摸到、脑子判断，一气呵成。

Google Robotics去年发的论文也证明，端到端模型的操作成功率比模块化高40%。

第二条路，通用化“通才模型”，

语言模型能写文案、做翻译，靠的是学了海量任务后「涌现」出底层逻辑。

物理模型也一样得让机器人多干活，抓鸡蛋、叠衣服、修自行车……干的活够多，才能总结出“圆的东西容易滚”“软的东西要轻拿”这些通用规律。

自变量的WALL-A已经能把一个任务的经验，用到另一个新任务上，数据需求直接降了70%，

但难就难在，物理世界没有捷径。

语言模型能靠人类几千年的文字积累，物理模型却得像婴儿学步一样，摔无数次跟头，

MIT2024年的研究发现，婴儿学会拿杯子要试错上千次，机器人也一样每一次拧瓶盖失败、每一次抓东西滑落，都是在给“大脑”攒经验。

现在国内具身智能圈有点像2015年的自动驾驶大家都在秀“能跑多快”，但真正的核心技术（物理模型）还藏在水下。

自变量这10亿融资，其实是给行业提了个醒，别再扎堆搞应用层内卷了，得往底层扎，

有个问题很关键，物理模型需要海量真实交互数据，单靠一家公司肯定搞不定。

就像语言模型有Deep Seek这样的开源社区，物理世界模型也得建共享平台谁家的机器人摔了跟头，数据拿出来大家一起学，才能加速进步。

短期看，我们可能先在家庭服务、工业装配这些场景看到突破，比如机器人能帮老人拧药瓶、给工厂拧螺丝。

但长远来说，这事儿关系到中国在通用人工智能领域的话语权毕竟，能真正理解物理世界的机器人，才是未来智能社会的“基础设施”。

最后说句掏心窝的话，机器人“大脑”的进化，可能比我们想象的慢，

就像婴儿从爬到走要一两年，具身智能从“会动”到“会思考”，也得有段“筑基期”。

但只要方向对了，慢一点又何妨？毕竟，

能拧开瓶盖的机器人，可比会跳舞的机器人，离我们的生活近多了。

各位觉得，你家最需要机器人帮你干的第一个活儿是啥？评论区聊聊！