自变量机器人王潜：具身智能大模型无法复制海外工作

文｜王方玉

编辑｜苏建勋

王潜有一副知识分子的样子，说话语调平静，但一旦谈到具身智慧，他就流露出“杀气腾腾”的一面：

「要是跟着别人的想法走，技术自然就会落到低处，这是非常无能的。」

「创业这件事需要一些决心，假如你从一开始就找到了后路，你的心态就不对了。」

机器人是王潜最执着的事情。他毕业于清华大学，在美国南加州大学攻读博士学位。他在美国成立了一家量化基金公司。但量化后，他“整晚睡不着，后悔没有做机器人工作”。

王潜解散基金于2023年回国，在深圳建立了“自变量机器人”。

自成立不到一年半以来，自变量机器人已经完成了7轮融资，累计融资金额超过10亿元。5月12日，智能报道称，它获得了美国使团独立投资的数亿元新一轮融资。

2023年是肇兴在中国拥有智能跑道时，英伟达创始人黄仁勋首次推测，拥有智能将是下一个科技浪潮，今年成立了银河通用和智能元机器人。

与这两种机器人相比，自变量机器人在早期并没有得到很大的声音。但是随着新融资的不断获得，它正逐渐走向智能舞台的中心。

一位双币机构投资者告诉智能的出现。从融资金额来看，中国人形机器人创业公司已经形成了一个鲜明的梯队。第一梯队有三家企业:宇树科技、智源机器人、银河通用，融资金额超过15亿元。自变量机器人融资金额超过10亿元，已从二线企业进入准一线。

就像最初的AI模型一样，中国的智能领域也有两种截然相反的态度:乐观和乐观。一方面是朱啸虎的乐观——“现在是个人机器人，会跟头，但是商业化在哪里？”。另一方面，投资机构不断投入巨资，创业公司不断加快量产，给予乐观的增长预期。

王潜是典型的技术信仰派代表。

自2023年公司成立以来，他创建的自变量机器人坚定地选择了“端到端统一VLA模型”的技术路线，并以每2-3个月更新一次模型的速度推动R&D。

一年后，美国公司Physical Intelligence（PI）VLA已经成为模型发布行业的主流路线。

自变量机器人开发的WALL-A模型，在大多数其他厂商模型仍在执行简单的Pick&Place操作(即Pick抓取和Place放置)时，已经可以让机器人完成各种复杂精细的操作，如衣物处理、收纳整理、线束整理等。

市场上看空的观点认为：“通用具体智能还太早，商业化还不清楚。”而且王潜眼中的行业发展进程图要快很多。

他预计，GPT-3水平的智能模型将在一年左右出现。未来一到两年，智能真正的商业化落地周期将逐步展开。

目前，机器人的商业化场景主要来自两个市场:科研教育和迎宾表演。但在王潜看来，这两个市场总体规模相对较小，对行业的长远发展意义有限，不能作为最后的市场定位。他甚至直言不讳地说，人形机器人进入工厂做简单的重复性工作，“这其实是一种公关行为”。

王潜认为要实现真正有价值的商业化，必须依靠具体智能模型的泛化能力来提高。

目前，自变量并不急于促进商业化，而是专注于模型技能的提升。公司有三分之二的支出投资于模型及其相关业务。

“不谦虚地说，自变量处于中国智能模型的领先水平，投资者自然对第一名有一定的优惠待遇。我相信我们可以实现非常高的upside，希望我们能更加关注一般身体智能模型的大目标。”王潜自信地说。

下面是“智能出现”与自变量机器人创始人王潜的对话。内容略经编辑：

“一体式端到端模型，开发天花板更高”

“智能出现”：在过去的半年里，企业在模型能力方面取得了哪些重要的进展？

王潜：我们的进步速度仍然很快，平均每2-3个月更新一次模型。

在此之前，自变量模型是一种纯导出action(动作)模型，是多模态进、单模态出。自去年10月以来、从十一月开始，我们开始做any。-to-any模型，是多模态进、多模态出，除了导出action(动作)外，还能导出语言和视觉等。

在整个模式融合的框架下，自变量也做了很长的COT(思维链)。几乎就在这两次融资之间，我们做了思维链。

今年3月，Google Gemini robotics公布了他们的进展情况，这也是类似的做法：any-to-any和COT。最近Physicalal Intelligence（PI）新发布的π0.5也做了类似的事情。所以其实我们很早就预测到了技术进步的方向，和PI等外国玩家做这件事的时间差不多。

所以我们敢说我们的模型水平基本和PI、和谷歌在同一水平线上。因为我们确实在相似的时间做了类似的事情，所以我们取得了相似的效果。但是国内厂商一般都是刚开始往这个方向做，进度会差很多。

“智能出现”：现在统一的端到端VLA模型(Vision-Language-Action Model)是否已成为主流的技术路线？

王潜：是的，这在很大程度上受到了去年10月PI新模式发布的影响，大家都会看到端到端是一个很好的方向，也是一个大趋势。

现在基本上，不管你信不信，每个人至少都会打这面旗。但事实上，做好做坏，或者做端到端，还是有很大区别的。同时，你会发现市场上有很多所谓的“定义学”，再次“发明”什么是端到端。

补充一下，端到端路线也有两种不同的做法，一种是Figure的两层模型路径：high levelVLM用来做reasoninging。、planning，low levelVLA用于实际动作生成部分；另外一种方法是不区分，一体式端到端。

在早期，我们也尝试过双层模型，但是发现单层模型的天花板明显高于两层，所以自变量侧重于统一的端到端模型。

“智能出现”：什么是与端到端并行的技术路线？

王潜：只有几种类型与之并行。现在大家都不怎么做了。主要通过3D视觉或其他方法进行感知，加上一些传统控制，做一些Pick&Place操作(指抓取和放置)。

以上方法可能包括上一代工业自动化的场景，比如特别简单的Pick&Place任务，但这显然不是我们想要的。Figure和波士顿动力以前都是这样，现在已经变成了端到端。

“智能出现”：现在的自变量具体智能模型能力，如果对比AI大模型，处于哪个阶段？

王潜：在GPT-2时期，我认为它仍然存在，GPT-当时有一些明显的特点，就是我们今天的模型没有足够的scale来实现。PI和google在行业中的进步是相似的，这是Scaling 客观规律决定了Law。

“智能出现”：国内具身智能大模型要实现商业化还需要多长时间？

王潜：其实基本上快的话是一年左右的时间点，慢的话可能是两年左右。我指的是真正的商业化，实际上可以让用户愿意付费。当然，商业化也分为不同的阶段，可能需要3-5年才能进入C端，比如家庭保姆机器人或者室内智能机器人。

人们普遍高估了短期的技术进步，低估了中长期的技术进步——这比人们想象的要快。

“智能出现”：提到具体模型训练，大家都会说数据短缺是个瓶颈，你的数据够吗？

王潜：数据是一个有时间轴的问题。比如一开始对具体模型没有任何感知或理解，收集大量数据可能不是正确的解决方案，收集到的大部分数据可能是无用的，也可能是低质量的。因此，如果你对具体智能了解多少，你应该匹配多少数据规模。

提高数据采集规模只是一个方面。如何做好数据质量，深刻理解需要什么样的数据，是另一个方面。后者在变量之前已经做了很多工作，这是一种更有效的方法。

目前，一些开源数据集和第三方数据的数据质量普遍不合格。如果实际使用这样的数据进行训练，模型效果不会特别好。这些信息可以作为补充，但不能完全依赖。目前我们的数据主要是自己收集的。

“智能出现”：这波具身智能热潮，国内创企普遍花钱还挺谨慎的，仿佛在为冷静期做储备，你怎么看？

王潜：第一，自变量花钱还是比较谨慎的，不该花的钱绝对不用。我们所做的是长期的重大事件，需要为行业可能发生的变化做好准备。

但另一方面，我们还是要花钱，没有钱我们什么都做不了。如果你一直在等待国外的开源成果来follow或者抄作业，你真的没有能力，根本无法实现通用机器人的最终目标。

事实上，信心和冬天的问题反映了缺乏能力，所以缺乏信心。如果你真的有足够的能力和判断力，你就不会这样想。最初的团队基因和能力水平将决定许多战略判断和看待问题的方法。

归根结底，为什么行业的低谷会到来？是因为行业没有取得实际成果。如果做出来，自然会有一个高峰。为什么要被动地适应环境，而不是做一个推动高峰的企业，推动投资热潮？我觉得这是一个企业家应该有的心态。

"一些商业场景的价值和意义存疑"

“智能出现”：投资者如何评价自变量的技术能力？是依靠DEMO视频，还是现场真机演示？

王潜：我们都是真机演示，自从变量成立第一天，我们就坚持真机演示是第一位的。有太多的方法可以伪造视频。只有在现场，我们才能看到模型的真实表现，甚至需要去现场与机器人互动，进行一些人为干扰，看看模型在各种极限的前提下会有什么样的表现，才能真正体现模型的水平。

“智能出现”：到目前为止，这一估值规模，投资者现在是否需要商业化的自变量？

王潜：分投资者。有的投资者更注重智能模型能力能达到多高的上限，有的投资者更注重商业化，不同投资者的喜好和风格差距还是挺大的。

自变量有些特殊。谦虚地说，我们处于中国智能模型的领先水平，投资者自然对第一名有一定的优惠待遇。每个人都相信我们可以达到非常高的upside，所以我们不需要为了商业化而商业化。每个人都希望我们能做到“有意义”的商业化，希望我们能更加关注一般智能模型的大目标。

“智能出现”：每个人现在都没有发布自己的商品，怎样才能满足另一部分投资者的商业化要求。

王潜：其实我们现在已经有了自己的产品，但是还没有正式大规模发布。而且我们自己的产品已经实际销售落地，主要应用于服务行业。除了现在的型号，我们还会推出新的自己。

“智能出现”：现在有身智能进入服务行业技术成熟了吗？

王潜：我们和种子客户还处于POC(概念验证)期，从今年年底到明年年初还是很有希望的。当然，我们还需要做大量的工程工作。而且我们不会局限于简单的Pick&Place操作(即Pick抓取和Place放置)。

过于简单的Pick&Place操作，无助于进一步实践和发展智能模型。上一代技术其实是完全可以实现的，甚至纯自动技术也是可以满足的。自变量真的希望做一些以前无法覆盖所有技术的场景，充满多样性、复杂性和开放性。

“智能出现”：如果POC在今年年底或明年年初完成实际应用，将会达到什么样的利润水平。

王潜：传统的智能机器人可以做的事情比较简单，但是我们的机器人是通用的，不同的机器人能力，不同的创造价值，不同的市场竞争态势，不同的客户付费意愿。当然，利润初期并不是最重要的目标，我真的希望通过了解实际场景来打磨产品。

“智能出现”：在科研教育和商场里，同行们出货更多的迎宾这两个场景，这两个场景更加成熟。

王潜：虽然这也是商业化，但这两个场景的商业化价值和意义还有待商榷。我觉得更多的可能是为了满足投资者对商业化的要求，而不是真的相信这件事可以达到我真正想去的大目标(一般都是智能的)。

科研和迎宾本身的市场总量不大，不可能作为具体智能的最终市场定位。这两个场景可以作为“沿途生蛋”的产物，但如果作为一段时间的主要方向，最终目标可能会被转移。

“智能出现”：这两个场景确实规模不大，但也有可能和其他小场景一起创造一个小市场，足以让一家公司达到上市规模。比如一家公司的投资人说，“只有股东的需求才能创造上万个机器人的销量”。

王潜：问题是，这种上市有什么意义？这几万台完工后呢？不能说这几万台的需求完成后，就不做生意了。

“智能出现”：假如具身智能比AGI更难，永远无法实现，抓住科研、迎宾这样的小市场，是不是一种务实？

王潜：我认为没有必要。如果企业家不相信自己的智力，为什么要去做？如果你认为自己的智力是一件很遥远的事情，几十年后才会发生，那么你现在根本不应该进入这个领域。

“智能出现”：您如何看待工厂情况？最近Figure被外媒报道，Figure的人形机器人在宝马工厂工作的事有夸大嫌疑。

王潜：现在人形机器人进入工厂，能够落地的事情非常有限，实际上是PR(公关)行为。

实际工厂对速度和准确性有很高的要求，很多企业目前所做的任务实际上更适合利用上一代技术来实现。

比如相对来说，流水线还是一个相对封闭固定的环境，不利于充分发挥大模型所追求的复杂操作、开放、随机、动态环境和场景、泛化要求等。在一般的工厂场景中，具体机器人学不到任何东西。场景太简单，对模型技能提升的帮助非常有限。

自变量更倾向于选择复杂的场景，这样复杂的场景才能真正促进模型能力的有效提升。也是客户需求、客户愿意付费、取代人类不愿意做的事情的领域。

在经济学中，一直被称为需求创造供给或供给创造需求的争议。在Moonshot领域，具体智能是一个明显的供给创造需求。

"对大多数软硬物品而言，开源是一种非常糟糕的方法."

“智能出现”：美国同行估值较高，资金较多，中美两国具体智能模型水平是否存在差距？

王潜：与海外相比，中国的整体水平肯定还是很差的，而且还差很多。我们关注的海外同行包括Physicalal Intelligence（PI）、google、特斯拉。

但是现在，我们仍然有很大的机会与美国在同一水平上发展。即使是今年或明年，我们也有机会超越他们。

我想每个人都会有一种态度，认为自己在中国做得不如美国，这可能与过去长期处于“追随者”的角色有关。然而，在智能化的发展实践中，没有必要过于怀疑自己。以自变量为例，我们可以达到与PI等国际顶级团队处于同一水平的模型水平，甚至在某些指标上超越。

“智能出现”：机器人通用基础模型已开源，第一梯队PIπ0，这样会不会把大家的水平弄平？

王潜：PI开源已经快半年了，国内一些公司也试图在此基础上进行微调，但从实际效果来看，并不明显优于其他开源方案，也不可能完全再现PI团队在自有机器人上的表现。事实上，跨越自身适应仍然是一个重要的挑战。

“智能出现”：PI的π0微调后，能应对什么样的商业场景？

王潜：现在看来，在新本身微调之后，π0的能力会有很大的损失，在商业场景中的实际应用会有限。事实上，PI之所以选择开源，很大程度上是因为它很难直接实现业务。PI本身不做硬件，需要依靠其他公司将模型和硬件结合起来，所以会采用开源模型。

“智能出现”：就像AI大模型创业一样，不贸然投资，等到国外先进模型开源后再跟进，是不是也不错？

王潜：乍一看，这听起来像一个好策略。但首先，抄袭能否得到是个问题。与语言模型不同，具体智能不能蒸馏，很难再现。在再现开源模型的过程中，因为之前没有做过，所以还是要踩自己该踩的坑，其实并没有节省多少时间。

其次，整个公司的精神都没了。如果你不相信自己能做到，为什么要让和你一起做这件事的人相信企业能做到？

做一件有意义的事情需要专注、信念和创造力。如果你依靠等待和复制作业，你只能在科技创新领域做一些平庸的事情，你永远无法成就一家伟大的公司。

“智能出现”：有没有可能像AI大模型一样形成开源和闭源两个阵营？

王潜：本质上，对于软硬兼施的行业来说，开源是一个谬论，至少不是一个商业问题。以前的无人机、自动驾驶等。在发展过程中有大量的开源，但最终所有的开源都失败了。

现在大家对开源都会有一些期待，或者特别敏感，本质上是因为人们在语言模型跑道上看到开源会有一些好的效果。但是软硬物品不同于纯软件。软件，比如语言模型，模型本身就是商品，安排后可以立即使用，自然会获得C端的知名度。

然而，智能模型需要与硬件相匹配才能成为商品。与他人互动的界面和应用的实体都是硬件，所以很难获得一般的音量。目前只能影响学术界、极客圈、行业群体。

例如π0模型在去年发布的时间点无疑是当时世界领先的模型，但在大众端并没有引起什么轰动。因此，智能商业化不能通过开源来实现。

第二，身体智能领域还是有独特性的。比如A实验室开源了一个身体智能模型，世界上没有一个实验室能100%再现开源实验室在自己的环境下能做到的物品。不要说完全再现，即使是大多数再现也很难实现。语言模型可以蒸馏，但在硬件领域，没有机器人是不可能蒸馏数据的。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com