绝代小李1. 具身智能赛道迎来新里程碑：自变量机器人完成10亿元A++轮融资
2026年开年，具身智能领域再次成为资本市场的焦点。自变量机器人(X Square Robot)宣布完成10亿元A++轮融资，由字节跳动和红杉中国领投，北京信息产业发展基金、深创投等多家顶级机构跟投。这是继2025年9月完成10亿元A+轮融资后，这家成立仅两年多的创业公司再次获得资本市场的强力认可。
值得注意的是，这轮融资有几个关键看点：首先，这是字节跳动在具身智能领域的首次直接投资；其次，红杉中国在短短四个月内连续两次加码；第三，自变量成为国内唯一同时获得字节、阿里和美团三家互联网巨头投资的具身智能公司。这些信号表明，头部资本和产业资本对具身智能赛道的布局正在加速。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 自变量机器人的融资历程与技术路线
2.1 融资时间线：从Pre-A到A++轮的快速跃升
自变量机器人的融资历程堪称"教科书级"的创业公司成长轨迹：
- 2025年2月：完成数亿元Pre-A++轮融资，由光速光合、君联资本领投
- 2025年5月：完成数亿元A轮融资，美团战投领投
- 2025年9月：完成近10亿元A+轮融资，阿里云与国科投资领投
- 2026年1月：完成10亿元A++轮融资，字节跳动和红杉中国领投
这种密集的融资节奏背后，是公司技术路线和产品落地的快速推进。从Pre-A到A++轮，每轮融资的资金用途都指向具身智能基础模型的研发迭代和硬件产品落地，形成了清晰的"技术-产品-商业化"闭环。
2.2 技术路线：打造物理世界的独立基础模型
自变量创始团队从一开始就确立了明确的技术方向：将具身智能视为平行于语言模型的独立基础模型。创始人王潜（清华大学本硕、南加州大学博士）多次强调，具身智能需要直接面对真实物理环境中的连续状态、因果关系与动作反馈，其建模目标、训练方式与评估标准都与服务于虚拟世界的语言模型存在本质差异。
基于这一理念，公司自主研发了WALL-A系列VLA（Vision-Language-Action）操作大模型，将感知、理解、决策与动作输出统一纳入端到端模型架构。这种设计解决了传统模块化架构在长序列复杂操作任务中的推理断层与泛化瓶颈问题。
关键区别：传统机器人采用"感知-规划-控制"的模块化架构，各模块间存在信息损失；而端到端模型直接从感知输入映射到动作输出，保持了信息的一致性。
3. 产品矩阵：从开源模型到硬件平台
3.1 WALL系列具身智能大模型
自变量在模型侧的主要成果包括：
-
WALL-A模型（2024年10月发布）：
- 当时全球参数规模最大的端到端统一具身智能大模型之一
- 支持多模态输入和连续动作输出
- 在物体抓取、装配等任务上达到行业领先水平
-
WALL-OSS开源模型（2025年9月发布）：
- 开放了基础模型和部分训练代码
- 在RoboChallenge榜单中排名全球第三
- 为学术界和产业界提供了重要的研发基础
3.2 量子系列机器人硬件
为验证模型性能并收集真实世界数据，自变量同步开发了两代机器人硬件：
| 产品型号 | 量子一号 | 量子二号 |
|---|---|---|
| 发布时间 | 2025Q1 | 2025Q4 |
| 形态特征 | 轮式双臂 | 轮式仿人形 |
| 核心功能 | 高频操作任务 | 复杂物理交互 |
| 搭载模型 | WALL-A基础版 | WALL-A增强版 |
| 主要用途 | 数据采集、科研教学 | 精细操作、力控任务 |
量子一号（昵称"小量"）采用轮式底盘和双臂设计，重点解决实验室和工业场景中的高频操作任务。量子二号则升级为仿人形结构，具备更高的自由度和精细力控能力，能够完成更复杂的物理交互。
4. 行业影响与未来展望
4.1 资本市场的信号意义
自变量在短时间内获得多家互联网巨头和顶级风投的连续投资，反映了几个重要趋势：
-
具身智能赛道正在升温：继语言模型和多模态模型之后，能够与物理世界交互的智能体成为下一个技术高地。
-
产业资本加速布局：字节、阿里、美团等公司的参与，表明具身智能技术有望与现有业务产生协同效应。
-
技术路线得到验证：资本市场对"具身智能作为独立基础模型"这一技术路线的认可度正在提高。
4.2 技术挑战与突破方向
尽管取得显著进展，具身智能仍面临多项技术挑战：
-
数据效率问题：物理世界的数据采集成本高，如何提高模型的数据利用率是关键。
-
安全可靠性：在非结构化环境中确保操作安全需要新的验证方法。
-
通用性与专用性：在保持通用能力的同时，如何针对特定场景优化性能。
自变量采取的应对策略包括：
- 通过开源社区扩大数据来源
- 开发专用的安全验证框架
- 采用模块化设计平衡通用与专用需求
4.3 商业化路径探索
目前，自变量主要聚焦于技术研发，但已开始探索几种商业化路径：
-
科研合作：与高校和研究所合作，提供研究平台和数据服务。
-
工业应用：在制造业、物流等领域落地特定场景的解决方案。
-
开发者生态：通过开源模型和工具链培育开发者社区。
从长期看，具身智能可能催生新的计算平台和人机交互范式，其商业价值将远超当前的机器人市场。自变量的技术积累和资本支持，使其在这一变革中占据了有利位置。
5. 创始团队与公司文化
自变量的核心竞争力很大程度上源于其创始团队：
王潜（CEO）：
- 清华大学本硕，南加州大学机器人学博士
- 早期从事神经网络注意力机制研究
- 主张"具身智能是物理世界的基础模型"
王昊（CTO）：
- 北京大学计算物理博士
- 前IDEA研究院大模型团队负责人
- 主导开发过多个开源大模型
这种技术驱动的团队构成，反映在公司重视基础研究、鼓励技术创新的文化中。公司内部设有专门的研究小组，持续跟踪学术前沿并快速将最新成果工程化。
在人才战略上，自变量采取"学术+工程"的双轨制：
- 吸引顶尖院校的研究人才
- 同时招募有工业级产品经验的工程师
- 通过内部培训促进两类人才的相互理解
这种组合既保证了技术创新性，又确保了工程落地能力，是公司能够快速迭代技术产品的重要原因。
6. 行业竞争格局分析
当前具身智能领域的主要参与者包括：
-
科技巨头：如Google的RT系列、Meta的Habitat平台，主要优势在于算力和数据资源。
-
专业机器人公司：如波士顿动力，在硬件和控制算法上有深厚积累。
-
创业公司：如自变量、Covariant等，通常选择特定技术路线进行突破。
自变量的差异化优势体现在：
- 坚持端到端统一模型架构
- 硬件与软件的协同设计
- 中国市场的场景和数据优势
特别是在中国市场，自变量已经成为具身智能领域的标杆企业之一。其获得的多轮融资和产业资本支持，为其在未来的行业竞争中提供了重要筹码。
从技术路线看，行业目前主要分为两大阵营：
- 模块化派：沿用传统机器人分层架构，强调各模块的优化
- 端到端派：主张用统一模型处理感知到动作的全流程
自变量明确站在端到端阵营，这一选择虽然面临更大技术挑战，但长期看可能获得更高的性能上限。资本市场对其的持续加注，某种程度上也是对这一技术路线的投票。
7. 技术细节解析：WALL-A模型架构
WALL-A模型的核心创新在于将视觉、语言和动作三个模态统一在一个端到端的Transformer架构中。具体实现包括：
-
多模态编码器：
- 视觉分支：采用改进的ViT结构处理RGB-D输入
- 语言分支：适配器式设计，可与现有语言模型对接
- 跨模态注意力机制实现信息融合
-
动作决策网络：
- 基于状态预测的强化学习框架
- 分层动作空间设计（粗调+微调）
- 在线自适应模块应对环境变化
-
训练策略：
- 仿真预训练+真实世界微调
- 课程学习从简单任务逐步过渡到复杂任务
- 多任务联合优化提升泛化能力
这种设计使得模型能够：
- 理解自然语言指令
- 解析视觉场景
- 生成连续、精细的动作序列
- 适应非结构化环境的变化
相比传统方法，WALL-A在长序列任务中的成功率提高了30%以上，特别是在需要多步骤推理的操作中表现突出。
8. 硬件设计理念：为模型服务的数据平台
自变量的硬件产品定位明确：不是最终的用户产品，而是为模型研发服务的数据平台。这一理念体现在：
-
传感器配置：
- 高分辨率RGB-D相机
- 六维力扭矩传感器
- 高精度关节编码器
- 设计重点在于数据质量而非成本
-
机械设计：
- 模块化关节设计便于快速迭代
- 预留多种接口支持不同末端执行器
- 兼顾运动性能和数据采集需求
-
软件架构：
- 实时数据采集管道
- 多模态数据同步机制
- 远程操作与自主模式无缝切换
这种"硬件为软件服务"的思路，使得自变量能够快速验证模型改进，形成数据-模型-性能的正向循环。据内部测试，量子二代的传感器配置可以捕捉到细微的力交互变化，为模型提供了更丰富的训练信号。
9. 数据闭环与持续学习系统
自变量技术栈的关键创新之一是建立了完整的数据闭环：
-
数据采集：
- 人工演示数据（通过遥操作）
- 自主探索数据
- 特定场景强化数据
-
数据处理：
- 自动标注流水线
- 数据增强策略
- 关键帧提取算法
-
模型更新：
- 增量学习框架
- 安全验证流程
- 分布式训练系统
这套系统使得公司能够高效利用有限的物理数据，不断优化模型性能。据透露，自变量的数据利用率达到行业平均水平的3倍以上，这是其能够快速迭代的重要原因。
实际操作中，团队特别注重：
- 数据多样性：覆盖不同光照、遮挡和物体状态
- 数据平衡：防止模型偏向常见场景
- 异常检测：过滤低质量或误导性数据
这种严谨的数据管理方法，确保了模型在真实世界中的稳定表现。
10. 应用场景与行业影响
自变量的技术已经在多个领域展现出应用潜力：
-
工业制造：
- 精密装配任务
- 质量检测流程
- 柔性生产线调整
-
科研教育：
- 机器人学教学平台
- 算法验证环境
- 跨学科研究工具
-
服务领域：
- 复杂环境下的物品取放
- 人机协作场景
- 特殊环境作业
特别是在工业场景中，自变量的技术可以帮助解决劳动力短缺和工艺复杂度上升的双重挑战。一家合作汽车零部件厂商反馈，采用WALL-A模型后，某装配工序的自动化率从60%提升到了85%，且切换产品型号时的调试时间缩短了70%。
这种实际效果进一步强化了资本市场对公司的信心，也是其能够持续获得融资的重要原因。从长远看，具身智能技术可能重塑多个行业的运营模式，而自变量通过先期的技术积累，已经在这一变革中占据了有利位置。
11. 开源战略与生态建设
自变量的开源策略是其技术路线的重要组成部分：
-
WALL-OSS开源项目：
- 基础模型权重
- 核心训练代码
- 基准测试工具
-
开发者支持：
- 详细文档和教程
- 示例数据集
- 社区问答平台
-
学术合作：
- 联合研究项目
- 数据集贡献计划
- 学术竞赛赞助
这种开放态度带来了多重收益：
- 吸引外部贡献加速技术迭代
- 建立行业标准影响力
- 培育未来人才和用户
开源也面临挑战，特别是如何平衡开放与商业机密。自变量的做法是：
- 分层开放：核心框架开放，特定优化保留
- 社区治理：设立技术委员会引导发展方向
- 商业插件：为商业用户提供增值模块
这一策略已经初见成效，WALL-OSS在GitHub上的星标数快速增长，并吸引了多家研究机构和企业的贡献。这种生态效应将成为公司长期竞争力的重要组成部分。
12. 技术风险与应对措施
尽管前景广阔，自变量的技术路线也面临若干风险：
-
工程化挑战：
- 端到端模型的计算开销
- 实时性要求与模型复杂度平衡
- 安全验证的完备性
-
数据瓶颈：
- 物理数据采集效率限制
- 仿真到现实的差距
- 长尾场景覆盖不足
-
商业化压力：
- 研发投入与收入平衡
- 产品定位选择
- 市场竞争加剧
针对这些挑战，公司采取了多项应对措施：
-
计算优化：
- 模型压缩技术
- 专用加速器设计
- 边缘-云协同推理
-
数据增强：
- 物理精确的仿真环境
- 主动学习策略
- 跨任务知识迁移
-
商业策略：
- 聚焦高价值场景
- 分层产品体系
- 战略合作伙伴计划
这些措施有效控制了技术风险，使公司能够在保持创新速度的同时稳步推进商业化。投资机构对自变量的持续加码，也反映了对其风险管理能力的认可。
13. 行业标准与评测体系
具身智能领域的一个关键挑战是缺乏统一的评测标准。自变量在这方面也做出了重要贡献：
-
评测指标设计：
- 任务复杂度分级
- 成功率和完成质量并重
- 环境扰动测试项
-
基准测试环境：
- 标准化测试场景
- 可重复的评估流程
- 多维度性能分析
-
开源评测工具：
- 自动化评分系统
- 可视化分析界面
- 跨平台支持
这些工作不仅服务于自身研发需求，也推动了整个行业的技术进步。自变量的团队参与了多个国际标准组织的相关工作，逐步将中国企业的技术主张融入全球标准体系。
在具体实施中，公司特别注重：
- 评测的客观性：避免过拟合特定测试集
- 指标的全面性：兼顾速度、精度、鲁棒性等维度
- 场景的代表性：覆盖工业、家庭等不同环境
这种严谨的态度使得自变量的技术评估在业内具有较高的公信力，也为投资决策提供了可靠依据。
14. 人才战略与组织管理
自变量快速发展的背后，是其独特的人才管理体系：
-
招聘标准：
- 强调基础研究能力
- 重视工程实现经验
- 偏好跨学科背景
-
培养机制：
- 导师制传承经验
- 轮岗制度拓宽视野
- 内部技术���享文化
-
激励机制：
- 技术路线参与权
- 论文专利奖励
- 项目成果分成
这种体系吸引了一批既懂学术又懂工程的复合型人才，形成了强大的创新引擎。公司研发团队中，博士占比超过40%，多数成员有顶会论文或大型项目经验。
在组织架构上，自变量采用"小团队+大平台"模式：
- 研究小组保持灵活
- 共享工程平台提高效率
- 跨职能协作常态化
这种结构既保证了创新活力，又确保了工程落地的质量，是初创公司中少见的平衡。随着公司规模扩大，如何保持这种文化将成为管理层的重点课题。
15. 未来技术路线图
根据公开资料和行业观察，自变量的技术发展可能聚焦以下几个方向：
-
模型能力扩展：
- 更长序列的任务规划
- 更精细的力控策略
- 多机器人协作
-
硬件迭代：
- 更紧凑的传感器集成
- 新型驱动方案
- 能源效率优化
-
应用深化：
- 垂直行业解决方案
- 消费级产品探索
- 新兴场景适配
特别值得关注的是具身智能与多模态大模型的融合趋势。自变量可能会：
- 加强语言-视觉-动作的深度交互
- 开发基于物理常识的推理能力
- 探索人机自然交互新范式
这些技术演进将逐步模糊"机器人"与"智能体"的界限，可能催生全新的产品形态和应用场景。自变量的融资成功，为其在这条道路上的持续探索提供了充足资源。