具身智能的分水嶺，有人在造輪子，有人在修公路

作者：呂鑫燚

出品：具身研習(xí)社

如果把具身智能爆火的三年折疊起來(lái)，會(huì)發(fā)現(xiàn)一個(gè)最底層的產(chǎn)業(yè)邏輯：所有能被復(fù)制的能力，都不是核心競(jìng)爭(zhēng)力。

硬件的護(hù)城河會(huì)被成熟的供應(yīng)鏈填平；算法的領(lǐng)先優(yōu)勢(shì)正以周為單位壓縮；甚至連曾經(jīng)引以為傲的工程化能力，也隨著大廠人才的流動(dòng)變得不再稀缺。在這個(gè)技術(shù)迭代速度遠(yuǎn)超任何過往科技賽道的時(shí)代，任何可以被寫進(jìn)代碼、拆解成步驟、采購(gòu)自市場(chǎng)的能力，最終都會(huì)變成行業(yè)的“標(biāo)配”，而非“稀缺”。

當(dāng)硬件、算法、工程化的代差正在逐步縮窄時(shí)，真正不可被復(fù)制的制勝內(nèi)核便落在了視野和格局，這也是讓企業(yè)保持領(lǐng)先態(tài)勢(shì)的競(jìng)爭(zhēng)力。

最近業(yè)內(nèi)有個(gè)生動(dòng)的樣本，短短數(shù)天自變量機(jī)器人連續(xù)打出三記重拳，向整個(gè)產(chǎn)業(yè)展示出它們未被人注意到的視野和格局：開源 WALL-OSS-0.5 、發(fā)布 WALL-WM 事件級(jí)世界模型、開源 XRZero-G0 數(shù)采系統(tǒng)。三條腿走路的背后，是自變量把 “數(shù)據(jù)采集 — 模型預(yù)訓(xùn)練 — 世界預(yù)測(cè)” 三個(gè)困擾具身智能產(chǎn)業(yè)良久的大山逐個(gè)擊破。

XRZero-G0在國(guó)內(nèi)首先跑通了全身無(wú)本體采集 → 自動(dòng)質(zhì)檢 → 混合訓(xùn)練 → 真機(jī)評(píng)測(cè)的閉環(huán)鏈路，真正讓無(wú)本體數(shù)據(jù)變得可用；WALL-OSS-0.5證明了零樣本能直接上真機(jī)，預(yù)訓(xùn)練模型可以直接產(chǎn)生可用的操作能力，徹底打破了 “后訓(xùn)練至上” 的重負(fù)困境；WALL-WM重新定義了世界模型最小單元，用“事件級(jí)”思維讀懂物理世界的演化和分辨事件的重心。

這三記重拳絕非零散的技術(shù)修補(bǔ)，而是基于敏銳的技術(shù)直覺，直擊問題本質(zhì)并給出的系統(tǒng)性答案。而這也不是孤立的三個(gè)技術(shù)點(diǎn)，而是一個(gè)環(huán)環(huán)相扣的完整生態(tài)。

更重要的是，自變量機(jī)器人選擇將其中兩個(gè)重磅的技術(shù)底座毫無(wú)保留地開源，更是自變量機(jī)器人對(duì)產(chǎn)業(yè)發(fā)展規(guī)律的清醒判斷。閉源或許能換來(lái)短暫的技術(shù)領(lǐng)先窗口，卻永遠(yuǎn)無(wú)法催生出一個(gè)真正繁榮、能夠自我進(jìn)化的產(chǎn)業(yè)生態(tài)。自變量機(jī)器人沒有單純?nèi)ゾ碚l(shuí)家的算法精度更高，而是直接為整個(gè)行業(yè)搭建了一個(gè)新的基礎(chǔ)設(shè)施。當(dāng)大多數(shù)人還在為一塊蛋糕爭(zhēng)得頭破血流時(shí)，自變量已經(jīng)親手烤出了一個(gè)更大的蛋糕，然后邀請(qǐng)所有人一起來(lái)吃。

具身智能技術(shù)路線尚未收斂，是這個(gè)產(chǎn)業(yè)中為數(shù)不多的共識(shí)。但這種未收斂狀態(tài)帶來(lái)的最大代價(jià)，從來(lái)不是資源分散，而是技術(shù)內(nèi)耗。所有人都在努力解決各式各樣的問題，但大部分并不具備分辨真?zhèn)螁栴}的能力，只有少部分人解決的問題能推動(dòng)產(chǎn)業(yè)前行。

因?yàn)槎x問題，本身就是一種最稀缺的技術(shù)直覺。

當(dāng)前業(yè)內(nèi)最核心的爭(zhēng)議集中在兩個(gè)方向：一是數(shù)據(jù)采集的路線選擇，二是 VLA 與世界模型究竟該走向融合還是獨(dú)立演進(jìn)。

數(shù)據(jù)采集路線的博弈，表面上是采集設(shè)備的競(jìng)賽和高質(zhì)量數(shù)據(jù)集的規(guī)模比拼，所有人都在堆無(wú)本體數(shù)據(jù)的量級(jí)，拼誰(shuí)的采集設(shè)備更炫、誰(shuí)的數(shù)據(jù)集更大，卻對(duì)一個(gè)最底層事實(shí)視而不見：市面上絕大多數(shù)無(wú)本體數(shù)據(jù)，很難能用來(lái)訓(xùn)練模型。大家都在解決 “有沒有” 的問題，卻沒有人愿意直面 “好不好用” 的靈魂拷問。

自變量機(jī)器人跳出了內(nèi)卷，它沒有跟著別人去拼數(shù)采硬件，而是直接一拳打在了行業(yè)的七寸上。XRZero-G0 做的事情很簡(jiǎn)單，但也足夠顛覆：它是國(guó)內(nèi)第一個(gè)把全身無(wú)本體采集全鏈路跑通的。直接把行業(yè)認(rèn)知從“無(wú)本體數(shù)據(jù)能解決量級(jí)饑渴”拉到了“如何讓數(shù)據(jù)高度可用”的階段。

XRZero-G0，讓無(wú)本體數(shù)據(jù)的有效率做到和真機(jī)數(shù)據(jù)一樣的水平，且用 1/20 的成本就能打出純真機(jī)數(shù)據(jù)的效果。得益于無(wú)本體數(shù)據(jù)的天然的優(yōu)勢(shì)，訓(xùn)出來(lái)的模型再也不會(huì)被某一款機(jī)器人綁死，能直接跨機(jī)型遷移。

這就是定義問題的能力，單純比硬件設(shè)備比數(shù)據(jù)集規(guī)模，不如直接回答根本性問題，讓數(shù)據(jù)可用。

數(shù)據(jù)能用了，下一個(gè)死結(jié)就是模型架構(gòu)，同樣的分歧也存在于模型路線之爭(zhēng)中。

VLA 路線的質(zhì)疑者認(rèn)為其難以涌現(xiàn)真正的通用泛化能力，很多好看的DEMO仍是數(shù)據(jù)和后訓(xùn)練驅(qū)動(dòng)的擬合；而被寄予厚望的世界模型，還處于非常早期的階段，該由什么路線還原物理世界，還原的世界中又該有什么要素等等前置問題還沒有答案。

自變量機(jī)器人依舊沒有陷入“二元敘事”中，而是沿著兩條技術(shù)路線同步探索邊界，挖掘技術(shù)更高維的價(jià)值。

WALL-OSS-0.5 解決的是 VLA 最無(wú)法回避的問題，即過度依賴后訓(xùn)練，難以做到真正的通用。進(jìn)入真實(shí)場(chǎng)景必須針對(duì)每一個(gè)具體任務(wù)、每一臺(tái)特定機(jī)器人進(jìn)行海量的后訓(xùn)練微調(diào)。這也是為什么 VLA 喊了兩年通用，但部分落地卻始終停留在零散的 Demo 階段。

而 WALL-OSS-0.5 首次打破了這一困局。它證明了預(yù)訓(xùn)練本身就可以直接產(chǎn)生可用的操作能力，其零樣本泛化效果甚至能夠比肩傳統(tǒng)方法的后訓(xùn)練結(jié)果。這意味著 VLA 終于有可能擺脫對(duì)定制化微調(diào)的依賴，真正走向開箱即用。

世界模型側(cè)，自變量機(jī)器人選擇回答了最前置的問題，我們到底該用什么東西，來(lái)給這個(gè)物理世界做切片？

常見的答案是“固定時(shí)間動(dòng)作塊”，把 1 秒、0.5 秒的視頻片段當(dāng)作最小單元，但一個(gè)動(dòng)作塊里可能同時(shí)包含 “伸手” 和 “碰到杯子” 兩個(gè)完全不同的狀態(tài)。為了解決這一痛點(diǎn)，自變量機(jī)器人的 WALL-WM 直接將世界的最小單元定義為事件，伸手是一個(gè)事件，抓取是一個(gè)事件，提起是一個(gè)事件。每一個(gè)事件都是一個(gè)完整的語(yǔ)義閉環(huán)，能說清楚、能看明白、能做出來(lái)。

這一下，世界模型變成了一個(gè)真正能理解物理規(guī)律的 "世界觀察者"。它知道了做了這件事之后會(huì)發(fā)生什么。

這才是具身智能產(chǎn)業(yè)最核心的競(jìng)爭(zhēng)力，能夠穿透行業(yè)的表層喧囂，精準(zhǔn)命中每一個(gè)環(huán)節(jié)的核心矛盾，這背后正是自變量機(jī)器人對(duì)具身智能技術(shù)演進(jìn)的深刻洞察與前瞻性判斷。

當(dāng)自變量機(jī)器人精準(zhǔn)命中了具身智能核心環(huán)節(jié)的矛盾時(shí)，這些技術(shù)突破足以讓它在行業(yè)內(nèi)保持相當(dāng)長(zhǎng)一段時(shí)間的領(lǐng)先優(yōu)勢(shì)。但它做出了一個(gè)讓很多人意外的選擇：將這兩個(gè)重磅的技術(shù)底座全部開源。

而這兩個(gè)開源依舊是延續(xù)自變量機(jī)器人的風(fēng)格「真技術(shù)」和「真開源」。

XRZero-G0 在數(shù)據(jù)采集環(huán)節(jié)，針對(duì)現(xiàn)有的無(wú)本體采集“黑箱化”、真機(jī)可用性差的致命缺陷，提出了三層質(zhì)量校驗(yàn)體系：一是采用頭顯 + 雙腕三視角同步采集方案，結(jié)合邊緣計(jì)算實(shí)現(xiàn) ≤ 4 毫米精度的時(shí)空對(duì)齊，徹底解決了遮擋與漂移問題；二是引入自動(dòng)逆運(yùn)動(dòng)學(xué)驗(yàn)證，過濾所有超出機(jī)器人關(guān)節(jié)極限的無(wú)效動(dòng)作；三是通過隨機(jī)真機(jī)開環(huán)回放做最終驗(yàn)證。

三層篩選后，入庫(kù)數(shù)據(jù)有效率提升至 85% 以上，同時(shí)采集效率提升 1.7-2.3 倍，峰值可達(dá) 93.2 條軌跡 / 小時(shí)。一舉解決了數(shù)據(jù)采集兩大頑疾：數(shù)據(jù)量少、有效率低。

在訓(xùn)練環(huán)節(jié)，首次定量驗(yàn)證了 “少樣本物理錨定效應(yīng)”。對(duì)比了純真機(jī)、1:1 混合、10:1 混合三種訓(xùn)練方案，結(jié)果顯示僅用 50 條真機(jī)數(shù)據(jù)搭配 500 條無(wú)本體數(shù)據(jù)的 10:1 方案，模型任務(wù)成功率與 500 條純真機(jī)數(shù)據(jù)基線持平甚至更高。

這一發(fā)現(xiàn)將具身智能的數(shù)據(jù)訓(xùn)練成本直接降低至傳統(tǒng)方式的 1/20，為行業(yè)提供了可復(fù)制的低成本訓(xùn)練范式。

這些能力，現(xiàn)在不是自變量機(jī)器人的專屬，而是將一套全身無(wú)本體數(shù)采+質(zhì)檢+訓(xùn)練+真機(jī)評(píng)測(cè)的完整鏈路，全部開源，甚至還有 2000 小時(shí)、3000 多個(gè)任務(wù)的多模態(tài)無(wú)本體數(shù)據(jù)集。

這套真技術(shù)+真開源最外顯的落地，已經(jīng)在多個(gè)得到了最直接的驗(yàn)證。多位開發(fā)者在復(fù)現(xiàn)后反饋，整個(gè)流程運(yùn)行絲滑，數(shù)據(jù)精度穩(wěn)定在毫米級(jí)，完全滿足 VLA 與世界模型的預(yù)訓(xùn)練需求。中山大學(xué)通用具身智能中心也證實(shí)，XRZero-G0 及其數(shù)據(jù)集可無(wú)縫接入現(xiàn)有 VLA 和世界模型的訓(xùn)練管線，對(duì)于 UMI 路線的學(xué)術(shù)研究具有極高價(jià)值。更重要的是，這一復(fù)現(xiàn)打破了行業(yè)長(zhǎng)期以來(lái)對(duì)無(wú)本體采集技術(shù)的質(zhì)疑。正如一位開發(fā)者所言：UMI 終于不再是只能停留在發(fā)布會(huì)的演示技術(shù)，而是真正可以用來(lái)訓(xùn)練模型的生產(chǎn)工具。

透過開發(fā)者的復(fù)現(xiàn)結(jié)果可見，自變量機(jī)器人不是在討“開源”美名，更不是只留美名不留代碼。而是實(shí)實(shí)在在潛心做好底層研究并真開源給所有產(chǎn)業(yè)內(nèi)的參與者。

如果說 XRZero-G0 解決了 “數(shù)據(jù)從哪里來(lái)” 的問題，那么 WALL-OSS-0.5 的開源則解決了 “部署門檻高” 的問題。

WALL-OSS-0.5 不是又一個(gè)微創(chuàng)新的 VLA，除了讓模型擺脫后訓(xùn)練這一結(jié)果之外，其技術(shù)之內(nèi)發(fā)生的是一個(gè)系統(tǒng)性的技術(shù)創(chuàng)新，首次實(shí)現(xiàn)了動(dòng)作能力與基礎(chǔ)模型主干的深度融合，為 VLA 的零樣本泛化提供了可行的技術(shù)路線。

其核心技術(shù)突破主要體現(xiàn)在四個(gè)方面：首先，重構(gòu)了 VLA 的訓(xùn)練架構(gòu)，將動(dòng)作轉(zhuǎn)化為離散 token 與文本、視覺共同進(jìn)入主干進(jìn)行統(tǒng)一訓(xùn)練，打破了傳統(tǒng) “主干 + 動(dòng)作頭” 的分層模式。實(shí)驗(yàn)表明，該設(shè)計(jì)是模型獲得真實(shí)操作能力的關(guān)鍵，移除后任務(wù)成功率會(huì)出現(xiàn)顯著下降。

接下來(lái)，就是如何解決動(dòng)作 token 的語(yǔ)義化問題。WALL-OSS-0.5 將動(dòng)作執(zhí)行與環(huán)境視覺變化建立關(guān)聯(lián)，使模型能夠?qū)W習(xí)動(dòng)作與物理世界的因果關(guān)系，讓動(dòng)作 token 具備了類似語(yǔ)言 token 的知識(shí)表征能力。還優(yōu)化了連續(xù)動(dòng)作生成機(jī)制。針對(duì)傳統(tǒng) flow matching 過度關(guān)注軌跡擬合、忽視任務(wù)目標(biāo)的缺陷，將監(jiān)督重點(diǎn)調(diào)整為決定任務(wù)成敗的核心動(dòng)作結(jié)構(gòu)，大幅提升了模型在真實(shí)場(chǎng)景中的任務(wù)完成率。

最后，攻克了大規(guī)模多模態(tài)協(xié)同訓(xùn)練的工程挑戰(zhàn)。解決了多路監(jiān)督?jīng)_突、梯度不平衡等問題，實(shí)現(xiàn)了視覺、語(yǔ)言、動(dòng)作三種能力的穩(wěn)定共訓(xùn)，推動(dòng)具身智能進(jìn)入了系統(tǒng)工程競(jìng)爭(zhēng)的新階段。

一個(gè)完整的開源數(shù)據(jù)采集管線，加上一個(gè)零樣本泛化的通用 VLA 模型，自變量用這兩個(gè)開源項(xiàng)目，為整個(gè)具身智能行業(yè)搭建了一套最基礎(chǔ)的公共設(shè)施。

正如前不久在自變量機(jī)器人聯(lián)合主辦的全球首屆具身智能黑客松大會(huì)的學(xué)術(shù)圓桌上，多位頂尖學(xué)者共同指出的那樣：這種基礎(chǔ)設(shè)施的建設(shè)，利好的不僅僅是短期內(nèi)的研發(fā)減負(fù)。它最大的意義，在于解放了整個(gè)行業(yè)的生產(chǎn)力，讓那些沒有足夠資源搭建底層技術(shù)棧、但更有長(zhǎng)期耐心的學(xué)術(shù)實(shí)驗(yàn)室和創(chuàng)業(yè)團(tuán)隊(duì)，能夠跳過重復(fù)造輪子的階段，直接投身于更前沿的技術(shù)探索和更垂直的場(chǎng)景創(chuàng)新中。

除了數(shù)據(jù)和 VLA 這兩個(gè)縈繞在具身智能產(chǎn)業(yè)風(fēng)暴中最棘手的問題外，具身智能更值得探索的也是價(jià)值更高的在于世界模型。很多前沿學(xué)者將其視為物理 AI 在等的最后一塊拼圖。

不過“世界模型”從現(xiàn)在的產(chǎn)業(yè)語(yǔ)境看，依舊是一個(gè)目標(biāo)，而非某一個(gè)既定的架構(gòu)。這便導(dǎo)致了世界模型走到了野蠻生長(zhǎng)期，技術(shù)路線雜亂、解決問題的能力也尚未得知。

這種野蠻生長(zhǎng)期的背后，是業(yè)內(nèi)無(wú)法琢磨透模型究竟該怎么理解物理世界的肌理，即我們?cè)撊绾螛?biāo)注世界，模型該如何思考世界。

這是世界模型最前置的問題，也是最底層的問題，自變量機(jī)器人提出的 “事件級(jí)” 價(jià)值正在這里。

WALL-WM 通過系統(tǒng)性的架構(gòu)創(chuàng)新與工程優(yōu)化，首次將 “事件作為世界模型思考單位” 的理念轉(zhuǎn)化為可落地的技術(shù)方案，在保留通用多模態(tài)先驗(yàn)的同時(shí)，實(shí)現(xiàn)了更強(qiáng)的物理世界預(yù)測(cè)與推理能力，其核心突破在于：

1. 先驗(yàn)對(duì)齊的聯(lián)合去噪機(jī)制：采用視覺 - 動(dòng)作單向耦合架構(gòu)，跨視角融合分支的輸出投影則零初始化，動(dòng)作模塊讀取視覺語(yǔ)言表征且梯度不反向傳播。該設(shè)計(jì)解決了大規(guī)模訓(xùn)練中動(dòng)作學(xué)習(xí)污染視頻先驗(yàn)的問題，實(shí)現(xiàn)了能力的協(xié)同增長(zhǎng)。
2. 幾何感知的多視角融合：模型先保留Wan原有的單視角時(shí)空注意力，用它繼承已有的視頻生成先驗(yàn)；隨后在每個(gè)DiT block中加入cross-view attention，把同一時(shí)間幀下來(lái)自不同相機(jī)的空間token放到一起做信息交互。這樣既能利用多視角之間的幾何互補(bǔ)性，又不會(huì)破壞預(yù)訓(xùn)練backbone的單視角能力。視錐掩碼基于相機(jī)標(biāo)定限制注意力的物理可達(dá)范圍，管狀掩碼通過隨機(jī)遮擋強(qiáng)迫模型學(xué)習(xí)跨視角對(duì)應(yīng)關(guān)系。配合可學(xué)習(xí)相機(jī)旋轉(zhuǎn)位置編碼，能滿足模型無(wú)本體、多視角的大規(guī)模訓(xùn)練。
3. 階梯式思維鏈解碼：創(chuàng)新性地采用底層單次推理、高層并行展開的架構(gòu)，既保留了思維鏈的離散可讀性（凍結(jié) LLM 即可完整還原推理過程），又通過并行化大幅降低了解碼延遲，原生支持 KV-Cache，滿足機(jī)器人實(shí)時(shí)和可解釋。
4. WALL-WM 支持同一權(quán)重下的雙模式部署：事件模式輸出變長(zhǎng)動(dòng)作塊，適配帶外部規(guī)劃器的復(fù)雜場(chǎng)景；統(tǒng)一模式通過在線思維鏈生成，支持端到端實(shí)時(shí)控制。兩種模式可逐動(dòng)作塊無(wú)縫切換，無(wú)需重新訓(xùn)練。

多項(xiàng)基準(zhǔn)測(cè)試表明，WALL-WM 在具身視頻生成、3D 感知和真機(jī)操作任務(wù)中均取得了領(lǐng)先成績(jī)。

坦白講，WALL-WM 在做的事看起來(lái)不像給機(jī)器人建模一個(gè)世界的范式那么性感，但卻是所有參與世界模型的人都在試圖回答的問題。用事件級(jí)給世界模型做切片，WALL-WM 留給產(chǎn)業(yè)的不單單是一個(gè)架構(gòu)，而是一種思考思維，一種站在機(jī)器人的視角去看物理世界的思維，這將成為顛覆世界模型演變的一個(gè)新突破口。

更重要的是，WALL-WM 的金字塔數(shù)據(jù)結(jié)構(gòu)中，有一層是UMI 風(fēng)格的無(wú)本體采集，這就是自變量機(jī)器人全自研的XRZero-G0無(wú)本體數(shù)采設(shè)備。這表明自變量機(jī)器人已經(jīng)做到了數(shù)據(jù)生產(chǎn)與模型訓(xùn)練的雙向交叉驗(yàn)證閉環(huán)，XRZero-G0 產(chǎn)出的數(shù)據(jù)質(zhì)量直接決定了 WALL-WM 對(duì)物理世界的建模精度，而 WALL-WM 的訓(xùn)練反饋又反過來(lái)持續(xù)迭代 XRZero-G0 的采集標(biāo)準(zhǔn)與質(zhì)檢流程。這種自產(chǎn)自用、雙向打磨的模式，是那些依賴外部數(shù)據(jù)集的模型難以復(fù)制的優(yōu)勢(shì)。

在這個(gè)所有人都急于證明自己的具身智能時(shí)代，我們見過太多炫酷的演示、驚人的參數(shù)和華麗的發(fā)布會(huì)。大多數(shù)公司都在努力做更外化、更容易被看見的 "秀"，讓機(jī)器人跑得更快、跳得更高、做出更有視覺沖擊力的動(dòng)作。

但自變量機(jī)器人選擇了一條完全不同的路。它沒有去追逐那些容易吸引眼球的表層突破，而是沉下心來(lái)做最內(nèi)隱也最核心的事：打造通用具身智能的大腦。從數(shù)據(jù)采集的底層鏈路，到 VLA 的預(yù)訓(xùn)練可用，再到世界模型的思考范式，自變量做的每一件事，都在試圖回答 “具身智能到底應(yīng)該是什么” 這個(gè)最根本的問題。

更難得的是，它沒有把這些最核心的技術(shù)成果藏起來(lái)。從 XRZero-G0 到 WALL-OSS-0.5，自變量將自己踩過無(wú)數(shù)坑才摸索出來(lái)的完整技術(shù)棧全部開源。它沒有把技術(shù)當(dāng)作打擊對(duì)手的武器，而是當(dāng)作推動(dòng)整個(gè)行業(yè)前進(jìn)的燃料。

這個(gè)行業(yè)從來(lái)不缺聰明的人，缺的是有格局的人。而歷史已經(jīng)無(wú)數(shù)次證明，最終能贏得整個(gè)時(shí)代的，永遠(yuǎn)是那些愿意為行業(yè)鋪路的人。