阿里、字节、腾讯，集体押注同一家机器人公司

人类造过很多能干活的机器人。工业的、服务的、无人机、扫地的、擦窗的，名单拉出来一大串。

但真正大规模走进普通家庭的，只有一种。

扫地机

就这一种

前阵子纽约时代广场挂出一块马赛克机器人广告，就两行字，「It works around the house. It has a real brain.」后面跟了一行日期，4 月 17 日。

悬念吊了几天。

谜底揭晓，广告的主人是一家深圳公司，自变量机器人。他们在后来的发布会上干了一件更激进的事。先发布了一个叫 WALL-B 的新模型，然后宣布，机器人要搬进一个普通家庭，长期住进去。

不是上门干半小时就撤，是住进去。

这事以前可能真的没人干过

先说说自变量这家公司

自变量机器人（X Square Robot），深圳的，成立大概两年多。三位创始人都是清华出身。CEO 王潜，清华本硕；CTO 王昊；再加上联合创始人杨倩。都挺年轻，典型的从清华实验室一路带出来的团队。

融资速度很猛。

去年九月拿了 A+ 轮，近 10 亿人民币，阿里领投，阿里一家就砸了 1 亿美金进去。今年年初又紧接着 A++ 轮，还是 10 亿级，这次是字节跳动进来了。没多久红杉和美团又追投了一轮。最近据媒体消息，他们又拿了 B 轮 20 亿，小米和红杉中国领投，红杉算是第二次进场。足以看出红杉中国对自变量的看好。

成立两年左右，累计融资已经到了 50 亿左右。

有个细节特别值得说一下。国内具身智能公司里，能同时拿到阿里、字节、腾讯三家钱的，目前只有自变量这一家。平时这三家在 AI 这块基本是各走各的，互相绕着走，能同时押一家机器人公司，本身就已经是个不小的信号了。

他们在做两条产品线。硬件这边是 Quanta X1 和 Quanta X2，已经进了真实家庭在上门干活。模型这边是 WALL-B，也就是这次发布会的主角。昊哥管它叫「世界统一模型」。这名字听着挺大，翻译一下就是，不管你让它干叠床单、擦桌子、套垃圾袋、还是别的什么新活儿，用的都是同一个模型、同一套参数。

他们已经在真的收钱干活

去年起，自变量和 58 同城合作，在深圳和北京开了家庭清洁服务。你在 App 里下单，上门的是一个组合：一个人类清洁工，再加一台自变量机器人。

机器人负责标准的活，擦桌子、捡地上的垃圾、把垃圾袋扎口、辅助叠床单。清洁工负责判断的活，哪里该擦得更仔细、贵重的东西怎么处理、跟主人怎么沟通。

首月就有五十多个家庭用了这个服务。价格大概是单请一个清洁工的一半，据说深圳的早期名额一上线就被约空。

这种状态在这两年的具身智能圈子里，真的不常见。大多数公司还在拍 demo 视频。机器人叠个衣服、煎个鸡蛋、做杯拿铁，镜头一关设备搬回实验室，视频剪一剪放到 X 上，再发几篇推文，再收一波融资。自变量把这一步跳过去了，直接切进了真实订单。

能切进去的原因其实不完全在技术。家政是一个高频但容错率很高的场景。擦错一张桌子的代价，跟工厂里抓错一个零件差了好几个数量级。家政也不需要那么精密的硬件，现有的机械手精度已经够用了。最关键的一点是，这个场景有现成的订单入口，58 同城。

能落地的公司，往往是那些最先找对场景的。

35 天学会做家务，到底是怎么做到的

传统机器人学一个新动作，方式挺工业化的。工程师得采集几百个小时的数据，做特征工程，写一堆控制规则，训练一个小模型。换一个动作，流程又要从头走一遍。所以过去的机器人一旦离开它被设定好的那个场景，立马变笨。

端到端模型走的是另一条路。

你直接把摄像头看到的画面和机器人对应的动作配成一组组数据，丢给一个大模型去训练。学叠床单，就把叠床单的视频和动作喂进去；学擦桌子，就把擦桌子的数据喂进去。模型自己会去学怎么控制关节、怎么理解场景。

这条路其实和 GPT 处理语言的思路很像。给它看足够多的语料，它自己学会说话，具体说什么它自己判断。

WALL-B 在这个路线上又走得更激进了一步。它的目标是一套参数跑所有任务，叠床单也好、擦桌子也好、套垃圾袋也好，背后都是同一个模型。昊哥在台上讲的时候也挺坦率的，说刚开始它可能干得不够好，但数据越跑越多，效果会越来越强。

35 天学会一项家务活，放在这个框架下是能跑通的。前提是，你得有海量的真实家庭数据喂给模型。家政场景里 1000 次擦桌子的数据，可能比实验室里 10000 次的采样还更有用。为什么呢，因为家庭环境是真的乱。光线、家具位置、地板反光、小孩玩具散落的角度，全是变量。模型得在这种噪声里学会泛化。

这也是 PI 和自变量现在节奏差别的关键。PI 在实验室里反复打磨 π0 和 π0.5 的泛化能力，技术指标漂亮，但数据还在小规模阶段。自变量选的是另一个打法，先跑起来再说，每一单活、每一次失败，都能变成训练数据。

当然端到端路线也有它的代价。模型为什么做这个动作，没法解释清楚；出错之后很难定位问题。长尾场景也难提前覆盖，比如小孩突然把玩具扔过来、宠物跳上桌子、家里突然停电。这些弱点，目前看只能靠更多的真实家庭数据去补。

家政订单本身就是一个数据飞轮。你每做一单，就在采一波数据。做得越多，模型越强，越能处理更复杂的场景，订单就越能往外扩。

为什么这事非得发生在家里不可

开头我就说了，过去几十年能大规模走进家庭的机器人，其实只有扫地机器人一种。

原因也不神秘。扫地机面对的场景被简化到极致。平面地板、固定家具、已知形状的障碍物，它不用抓东西，不用处理柔性物品，不用跟人协作。扫地机卡在了家庭里唯一它能钻过去的那条门缝。

家务这件事真正难的地方，其实从来不在单个动作上。动作本身没那么复杂。难的是环境的不确定性。

一件衣服可能叠出一百种形状，一个水杯可能装满也可能是空的，一个小孩可能在你身后突然出现。工厂能把所有变量钉死，家庭恰好反过来，家里就是一个永远在乱的系统。

这个场景难归难，但它恰好也是具身智能这一波最大的商业机会。全球家政是个万亿美金级的市场。你看中国一二线城市，家政从业者平均年龄已经超过 45 岁了，愿意干这一行的年轻人越来越少，时薪还在年年涨。

阿里、字节、腾讯三家同时下注的逻辑，其实就藏在这里。他们押的是一个能走进家庭的入口。一台机器人真进了你家，就等于一个带着摄像头、麦克风、传感器、算力的终端在你客厅里。后面能接的事，远远不止擦桌子叠床单这么简单。

住进家里这一步，是最大的豪赌

上门干半小时，和长期住在一个家里，这是两种完全不同量级的难度。

上门是任务型的。清洁工上门之前会跟主人打个招呼，主人会把贵重的东西收起来，宠物关起来，整个家会进入一种临时的、配合服务的状态。机器人只需要处理一小段时间内的清洁任务。

长期居住，是生活流。

早上七点有人起床，晚上家里来了朋友喝酒聊天，小孩半夜醒了要喝水，宠物随时可能跑过来咬电源线。这些场景全都没被提前编程过，机器人得自己处理。

更头疼的是信任问题。一台上门的机器人，打破个杯子，客户的心理损失有限，反正它半小时后就走了。一台住在你家里的机器人，万一误伤了家人、让小孩学了什么奇怪的动作、或者被怀疑偷偷录下了家里的什么，这种事赔钱也解决不了。品牌信任这个东西破一次，几乎不可能修回来。

所以这次发布会我看下来，感觉挺复杂的。

里面是有泡沫的，这一点我不打算假装看不到。

时代广场挂广告、悬念吊一周、发布会上宣布机器人要入住真实家庭，这一整套叙事工整得像个美剧预告片。每一步都精准踩在了行业情绪点上。

但有意思的地方就在这里。自变量这次反而挺诚实的。

昊哥在台上讲 WALL-B 的时候说，刚开始它可能干得不够好，但会越来越强。王潜前两天接受媒体采访，直接讲机器人赛道在资本上其实是过冷的，还远没到过热。一家正在狠狠套现热度的公司，居然没把自己架得那么高。

我自己看下来的判断是这样的。

具身智能这一波，真正的壁垒说到底就是数据。不是模型参数，也不是本体精度。

但数据这玩意不是你想采就能采到的。你得先把两个门槛迈过去。

一个是，你得真有干活的能力。模型不能是 PPT 货，硬件不能是摆设，再糙也得能上手干活。不然用户用一次就不会有第二次。

另一个是，你得被允许进入家庭。愿意开门让机器人进来的人，其实不多。每一个背后都得有一套东西撑着，用户信任、订单渠道、持续的服务关系，一样都不能少。

这两个门槛，放到国内来看，自变量可能都是目前跨得最快的那一个。

跨过去之后，飞轮就开始转了。刚开始它干得不够好，这其实挺正常的，但数据在不停累积，模型会一点点变强。模型变强之后会有更多人愿意用，更多人用就意味着更多数据，数据更多模型就又更强。一圈一圈滚起来。

至于宣传上那些泡沫、时代广场的悬念、机器人入住家庭的叙事包装，等到机器人真的能把活干好的那天，又有几个人会记得呢。

所以在具身智能这一轮里，能更早走进真实场景、更早开始攒数据的公司，大概率就是最后赢的那家。

而自变量这一步，已经领先了。

写在最后

具身智能这一波，真正拉开差距的地方，可能既不在论文上，也不在实验室跑出来的分数上。在谁敢进家，和谁能先进得去。

进家的代价挺高的，收益也远。但一旦数据真的跑起来了，护城河就开始一点点长出来了。

中国公司在这件事上，其实有个挺少被人提起的优势。人工成本涨得快，58 同城这类订单入口够密，家庭样本也足够杂。这些条件硅谷那边真的很难复制。

自变量这一步跨得够大。它赌的不是技术最领先，是能不能熬过那段每天都可能出事故的试运营期。熬过去，飞轮就开始转。熬不过去，牌子也就砸了。

技术指标可以藏在论文里，但真实家庭不会撒谎。

看清方向，比跑得快更重要。我是向光，下次见。