半年四次融資
，產業資本紛紛押寶，當錢不再成為技術的制約因素 ，機器人企業應該把數據、算法和場景的飛輪滾向哪里？

　　9月8日
，自變量機器人（以下簡稱“自變量”）宣布完成近10億元的A+輪融資，并開源具身大模型WALL-OSS。第一財經記者注意到 ，在這一輪參投的股東名單中
，除了領投的阿里云之外，自變量A輪股東美團也進行了跟投 。

　　這是兩家老牌互聯網大廠首次在人形機器人企業的同一輪融資股東名單中出現 ，也是阿里云在人形機器人領域的首次下注
。

　　自變量的創始人兼CEO王潛告訴第一財經記者
，團隊的大模型迭代周期已經縮短至每2-3個月就會更新一個新的版本。在模型高速迭代的另一面，企業仍然會面臨巨量算力以及硬件落地的挑戰 。此次開源WALL-OSS ，或許也是自變量嘗試的另一種解法
。

　　2-3個月模型就有新版本
，阿里云出手

　　第一財經記者注意到，本次自變量融資股東中 ，除了國科投資 、國開金融
、紅杉中國等國資和美元背景的機構參與之外，美團、阿里云 、聯想這類產業投資方也同時出手。

　　這并不是產業投資方第一次押注自變量 。今年年中
，自變量完成了數億元的A輪融資
。由美團戰略投資部（戰投）獨家領投
、產業基金美團龍珠跟投。聯想之星和君聯資本分別在天使輪、Pre-A++輪就有參與過自變量的融資 。

　　資金之外，產業投資方帶來了真實的應用場景
。“目前我們的產品還在POC（Proof of Concept ，概念驗證）階段。 ”王潛透露 。

　　一位接近阿里云的相關人士向第一財經記者透露
，本次出手自變量，是因為對其模型的發展比較樂觀 ，且該人士透露當前阿里云的投資決策均經過核心管理層“反復斟酌
”。據王潛透露
，自去年11月實現端到端具身智能大模型WALL-A之后，每2-3個月 ，自變量都會迭代出一個新的模型版本
。

　　2-3個月一個新的模型版本
，意味著需要大量真實數據的輸入訓練。“當前真實數據和仿真數據在機器人大腦實際訓練過程中的優先性還沒有達成共識 。”新鼎資本董事長張弛在談及機器人大腦模型時告訴第一財經記者，他認為當前機器人行業對于數據的標準 、定義
、量級等等方面都沒有明確的標準 ，“有些企業自己都已經更改了技術路線
，這也是部分投資人‘看不清’具身智能大模型的原因 ”
。

　　去年3月，自變量發布了國內最早的統一端到端VLA大模型（Vision-Language-Action Model ，視覺語言動作大模型）。八個月后，WALL-A發布 。在迭代過程中
，WALL-A已經展現出了零樣本以及長序列多模態的輸入和輸出能力
。

　　模型的迅速迭代背后，是數據、算法和場景的驅動飛輪已經“滾起來了
”。團隊成立以來 ，自變量就采用了大量的真實數據進行模型訓練 。據王潛透露
，自變量已經自建大規模數據采集工廠，以解決數據質量 、規模等問題
。

　　高質量的自有數據也進一步推動了模型的迭代。一位接近阿里云的相關人士向第一財經記者表示 ，阿里云之所以選擇出手
，是因為看好自變量在大模型上的迭代節奏和技術路徑 。“海外也有機器人企業與AWS
、微軟Azure等云廠商合作的先例，但從投資角度看 ，更重要的是誰能真正把迭代能力轉化為行業話語權
。”

　　燒錢邏輯失效
，開源不是堆參數

　　半年四輪融資，王潛向第一財經記者坦言： “現階段 ，錢已經不是制約公司發展的因素了 ”。自變量的產品負責人向第一財經記者解釋
，無論是軟件還是硬件的開發，都存在客觀規律 ，單純砸錢并不能無限提速 。

　　“就像在大模型領域有scaling law，硬件打樣也同樣有固定的周期
，你不可能花三倍的錢讓打樣的速度快三倍。
”王潛告訴記者，自己會在客觀規律允許的范圍內 ，把資源堆到“沒有邊際效應為止”
，不會盲目加碼
。

　　這也是自變量在進入硬件領域后，王潛的感受。在他看來 ，人形機器人要做硬件還是軟件
，從來都不是一個單選題 。“我們希望從模型訓練的角度出發，去定義硬件 ，讓軟硬件耦合得更加緊密
。 ”截至目前
，自變量已經發布了人形機器人量子2號和20個自由度的自研靈巧手。王潛預計，今年年底 ，自變量的硬件將會有小范圍出貨 。

　　值得一提的是
，團隊也希望用開源的方式來帶動行業生態的建設
。這是自變量更大的野心，也是行業顯現的趨勢。9月初 ，星海圖正式開源了快慢雙系統具身智能模型G0 。此前，智元宣布發布世界模型開源平臺Genie Envisioner
。國際范圍內
，具身大模型公司Physical Intelligence（PI）開源了大模型π0的基礎模型，支持微調代碼。

　　不過 ，開源浪潮之下
，也不乏“只開源不真用
”的情況，一些模型名義上開放 ，卻因數據量有限、缺乏硬件匹配或接口不全
，難以真正落地 。更現實的困境是，作為一個軟件和硬件高度耦合的智能體 ，人形機器人的大模型開源
，并不是“萬能”的
。一位機器人工程師對第一財經記者直言：“別看開源的那么多，但真正能用的不多。 ”他表示 ，π0的開放程度相對更高
，但由于缺乏相匹配的硬件，在落到具體機器人時 ，模型能力不可避免會被削弱 。

　　記者了解到，本次自變量開源的WALL-OSS是WALL-A的一個分支
，開源內容還包括完整模型參數 、訓練與推理代碼及優化方案，并配套工具鏈。“我們選擇了更成熟和穩定的WALL-A模型的分支版本 ，希望它成為更多開發者一個開箱即用的大腦
，讓大家真正用起來
。”王潛說。

　　同時，由于團隊在開源模型中加上了“專家分流（FNN）
”的架構 ，語言、視覺和動作在對齊后由不同“專家”進行處理
，避免出現了單一模態“拖后腿 ”的狀況，開發者的部署周期也會相應減少 。

　　與此同時 ，王潛表示“目前已經有開發者和教育用戶在咨詢我們的本體訂單
”
。自變量希望開源能夠成為加速行業生態成熟的催化劑。畢竟
，只有當“開源”變成能跑得起來
、落得下去的工具，行業才有望真正迎來通用具身智能的時刻 。

（文章來源：第一財經）