1. 首頁 > 生活百科 > >

自變量機器人完成近 10 億元 A+ 輪融資，多元資本押注共同布局具身智能未來

兒科互聯網醫療安徽人工智能ai

自變量機器人完成近 10 億元 A+ 輪融資，多元資本押注共同布局具身智能未來

文章圖片


近日 ， 自變量機器人完成近 10 億元 A+輪融資 。 本輪由阿里云、國科投資領投 ， 國開金融、紅杉中國、渶策資本跟投 。 老股東美團戰投超額跟投 ， 聯想之星、君聯資本持續追投 ， 其中聯想之星為天使輪股東 。
在全球熱錢加速涌入、賽道估值快速攀升的背景下 ， 此次融資呈現出罕見的「多元資本聚合」態勢：不僅有長期深耕硬科技領域的大美元資本入局 ， 亦涵蓋布局戰略性新興產業的大國資 ， 同時疊加互聯網戰投的深度參與 。
三方資本力量就單一具身智能標的形成「同頻注資」 ， 標志著該融資并不是盲目追逐概念熱度的投機性出手 ， 而是押注產業未來的戰略性布局下 ， 對自變量機器人技術壁壘與商業化潛力的深度篩選 。
以此次領投方阿里云為例 ， 作為國內少數具備 AI 大模型底層能力、且深度鏈接產業場景的云廠商 ， 其此前在具身智能領域始終保持「觀望」態度 ， 此次選擇自變量機器人作為賽道「首投標的」 ， 不僅是基于對自變量機器人技術硬實力的認可 ， 更是對于具身智能產業價值「分水嶺」的精準研判 。
從產業視角來看 ， 具身智能已經進入「腦力角逐」階段 ， 從「勉強能用」到「通用好用」 ， 站在金字塔尖的「大腦」 ， 決定了具身智能能力的上限 。 自變量機器人作為國內最早實現端到端具身智能大模型的公司 ， 其自主研發「WALL-A」系列 VLA（Vision-Language-Action）操作大模型 ， 構建統一的認知與行動框架 。 模型同時處理感知、推理和行動 ， 直接進行跨模態的因果推理和行動決策 ， 讓機器人能夠在真實物理世界中 ， 像人類一樣思考和工作 。
本輪融資 ， 體現的是多元資方對具身智能產業未來演進方向的深度戰略布局 。

01具身智能 大規模落地 ，
要先理解物理世界「潛臺詞」
一個清晰的產業共識為 ， 「大腦」能力不足導致技術落地與產業期待存在顯著落差 。 當前業內大部分「大腦」普遍處于「三重限定」狀態：場景限定于預設的標準化環境、動作限定于固定軌跡的機械執行、任務限定于單一指令的簡單響應 。
而真實物理世界的復雜性遠超預設 ， 一個僅能在「限定框架」內運作的「大腦」 ， 顯然無法承接產業對具身智能「實時響應」的核心訴求 。
這一供需落差的核心 gap ， 在于大部分「大腦」僅能實現「表層物理世界理解」 ， 識別可見的物體形態、空間位置 ， 卻無法「讀懂」物理世界的「潛臺詞」 ， 即深層語義理解與復雜推理能力的缺失 。
得益于自變量機器人率先實現了端到端具身思維鏈推理框架 ， 其恰好填補了產業空白 。 基于多模態輸入進行深度推理并生成多模態輸出 ， 形成模型自主決策、執行、探索和反思的完整閉環 。 使模型能夠將語言理解、視覺感知與動作執行緊密結合 ， 形成更接近人類思維的推理過程 ， 成功突破多步驟長序列任務瓶頸 。 同時 ， 據了解 ， 自變量已在部分完全未訓練過的新任務類型中展現出零樣本泛化能力 。

02具身智能「GPT 時刻」難盼？
中國也有了真正意義的具身智能基礎大模型開源
當前具身智能產業正陷入「期待與現實錯位」的顯著怪象：外部市場始終聚焦「GPT 時刻」的降臨 ， 篤信技術拐點將快速激活萬億級產業空間；但產業內部卻深陷「重復造輪子」的低效循環 。 企業在底層算法框架、基礎感知模塊、運動控制邏輯上各自為戰 ， 難以形成協同突破 ， 導致技術落地進度遠滯后于市場預期 ， 成為行業隱性痛點 。
要打破這一困局 ， 「開源」無疑是最關鍵的破局抓手 。
誠然 ， 產業不乏開源動作 ， 但并非所有「開源」都能承擔產業破壁的重任 ， 業內長期存在「真開源」與「假開源」的本質分野 。 部分企業的「開源」 ， 僅開放表層代碼片段或閹割版模型 ， 核心訓練框架、預訓練權重、關鍵參數仍處于封閉狀態 ， 開發者難以基于此進行深度二次開發；或附加嚴苛的商用授權限制 ， 無法真正形成技術共創生態 。
而「真開源」的核心 ， 是能讓開發者能從「直接使用」到「迭代優化」再到「場景創新」 ， 實現技術價值的共建共享 。
在融資落錘官宣之際 ， 自變量機器人在毫無預告的情況下 ， 同步開源了其大規模真實數據訓練的開源具身基礎模型 WALL-OSS 。 而且開源得極徹底 ， 這次放出的 ， 是一整套完整可復現的具身大模型方案 。 包括預訓練模型權重、訓練代碼、數據集接口 ， 甚至還附帶了詳細部署文檔 ， 開發者可以在自己的機器人上直接跑通閉環流程 。 即使是具身領域在 WALL-OSS 之前唯一可用的開源模型 Pi0 ， 也未曾開源其推理及訓練代碼 。 而更多的模型 ， 則停留在發 paper ， 或者較小數據量訓練的階段 。
WALL-OSS 自采大規模真機數據 ， 多樣性場景及任務高質量數據；在模型架構上 ， 創新性設計「共享注意力 + 專家分流 (FFN)」架構；在訓練方式上 ， 首創「先離散、后連續、再聯合」的多階段訓練范式；統一跨層級思維鏈實現了跨層級抽象層面的前向任意映射 ， 模型能夠在單一可微分框架內無縫切換高層決策與底層執行 。。
自變量機器人不斷突破技術卡點后 ， WALL-OSS 具備強大的泛化性和推理能力、良好的因果推理、空間理解和反思能力 ， 在長程操作任務方面表現優于其他基礎模型 。 據自變量評測 ， 在嚴格的 ID（分布內）和 OOD（分布外）評測中均驗證了 WALL-OSS 的卓越性能：例如在指令描述、動作動詞、物體方位等發生變化的 OOD 場景下 ， WALL-OSS 依然保持高成功率和指令遵循度；在需要細分指令的長程任務上 ， WALL-OSS 顯著優于扁平化策略的基線模型（如 π0-flat）；在需要 CoT 的推理類任務上 ， WALL-OSS 同時優于 π0-flat 和 pi-gpt-prompt 等強基線；在空間 VQA、定位和場景描述等多模態基準測試中 ， WALL-OSS 表現出色 ， 成功保留并強化了 VLM 的核心能力 。
通過開源將自變量機器人技術優勢轉化為產業協同動能 ， 加速具身智能從「技術單點突破」向「產業工程化落地」的關鍵躍遷 ， 為行業真正迎來「GPT 時刻」筑牢根基 ， 因此 ， 行業內有種說法
「硬件 看宇樹 ， 大腦 看自變量」 。

03模型快速迭代之下 ，
AI 開始掌握硬件的定義權
在物理世界展現「能力涌現」時 ， 新的問題也隨之而來 。 現有的硬件還是否適配于「進化后」的大腦？
在自變量機器人看來 ， AI 的發展不僅帶動了軟件水平躍升 ， 一定程度上也影響了硬件性能的發展走向 。 換言之 ， 硬件是否適配 ， 機器人的大腦或許比人類更懂 。
只做大模型或是硬件或許很快就會觸碰到天花板 ， 畢竟 ， 商業化強如宇樹 ， 也面臨著大腦「缺位」的爭議 。
自變量機器人始終堅持軟硬一體發展 ， 并打造了模型原生的本體結構 。 今年新發布的量子 2 號 ， 就是這樣一個「模型原生」的硬件 。 它的五指靈巧手采用仿生結構設計 ， 單手擁有 20 個自由度 ， 能感知細微的壓力變化 。 基于臂手一體化外骨骼技術 ， 自變量首創行業領先的「仿人機械臂+高自由度靈巧手」一體化全身遙操方案 ， 量子 2 號不僅能采集高質量數據反哺模型訓練 ， 也將與自研模型深度融合 ， 真正進入到現實場景中落地應用 。
在過去不到半年時間內 ， 自變量就已實現了機器人本體整機、高自由度靈巧手、外骨骼遙操數采設備等全棧自研 。

04技術快進+資本同頻 ，
自變量機器人用商業化定力回應期待
無論是近十億融資的加持還是開源基礎模型 ， 都再次印證了自變量機器人「加速度」發展的鮮明特征 。
2024 年 3 月 ， 成立僅 3 個月的自變量機器人 ， 推出國內首款以具身智能基礎大模型為核心的復雜操作系統 ， 時隔 3 月后 ， 該模型便在特定任務中顯現出少樣本學習與自發跨任務遷移能力；同年 10 月 ， 其進一步研發出當時參數規模領先的具身智能通用操作大模型 Great Wall 系列（GW）之 WALL-A ， 公開的多組操作動作精度達世界一流水準 。
2024 年 11 月 ， 自變量的模型展現出長序列訓推能力和泛化性 ， 并首次展現出零樣本泛化能力；魯棒性、復雜任務成功率優勢顯著 。 同時在數據質量控制與數據收集效率方面達到世界領先水平 ，
步入 2025 年后 ， 自變量機器人在語義導航等方面取得突破 ， 4 月 ， 自變量在具身思維鏈技術方面展現出強大優勢 ， WALL-A 模型在更多未接觸過的新任務場景中展現出零樣本泛化能力 。
硬件側 ， 成立僅兩年的自變量機器人 ， 已基于自研大模型搭建起「輪式雙臂機器人+輪式人形機器人+靈巧手」的本體產品矩陣 。
自變量機器人不斷挑戰具身智能技術無人之境的同時 ， 資本也展現出對其技術價值與產業潛力的長期「戰略錨定」 。 成立至今 ， 自變量機器人已完成八輪融資 ， 集結了多元化資本 。 形成「技術突破-資本注入-持續拓展」的正向循環 。
值得關注的是 ， 在技術與資本雙輪驅動的背后 ， 自變量始終保持著清晰的商業化定力 。 在商業化落地場景選擇上 ， 自變量機器人的定力體現在場景甄別中 ， 堅定選擇有真實數據價值、商業價值的場景 ， 規避短期爆發的「偽需求」 。
目前自變量的機器人 ， 已與頭部服務業、工業客戶達成合作 ， 在多場景中投入使用 。 未來自變量也將與客戶圍繞模型和硬件共建開放生態 ， 推動具身智能的進一步發展 。
【自變量機器人完成近 10 億元 A+ 輪融資，多元資本押注共同布局具身智能未來】從 2023 年到現在 ， 國內具身企業百花齊放 ， 商業模式也五花八門 ， 各類公司在落場景、沖營收的同時 ， 行業不斷反思其間的客戶價值是否持續、技術是否有效迭代 。 技術的快進是產業的根基 ， 多元化資本同時下注基礎模型及技術全棧的公司 ， 或許為行業提供了期許的答案 。

    推薦閱讀