加入高工人形机器人行业群，加微信：17748568763，出示名片，仅限人形机器人及具身智能产业链相关企业
在人形机器人行业，新品首秀往往是一场秀肌肉的竞赛，跳舞、后空翻、收纳……企业们使尽浑身解数展现自家人形机器人的优异性能。
自变量把这个竞赛提高到了另一个高度：
他们把展区变成一处开放的作业现场，让机器人在嘈杂人群、频繁干扰的环境中同时干几件事——做香囊、捡垃圾、收衣物、组装零件——而且没有任何预设剧本，全靠自主学习与即时应对。看似“演出”，实则是一场硬核的工作考核。
这一幕背后，是自变量的野心。
这家以具身大模型技术闻名的赛道头部玩家，在2025世界机器人大会上选择了最难的登场方式：不是孤立地秀一段模型 Demo，也不是摆一台只能拍照的机械“花瓶”，另外一次性亮出两张底牌——新一代人形机器人“量子2号”和自研五指灵巧手。
一个是身体，一个是灵巧手，都是行业里最难啃下、也最难回避的部分。
正如乔布斯在 2007 年 iPhone 发布会上说过：“真正认真对待软件的人，就应该自己做硬件。”这句话开启了智能手机的黄金时代。自变量 CEO 王潜显然深以为然：“我们不只是做大模型的，我们是面向终端的软硬一体公司。”
这不是姿态，而是基于实打实的速度：不到半年，他们从零开始搭建团队，如今打造出齐平行业水准的整机本体，并将灵巧手自由度提升至20个，未来还将结合他们领先的大模型能力。
在供应链尚未成熟、大模型企业纷纷自研硬件本体的赛道，这样的节奏本身就是宣言——自变量不仅要证明自己能造硬件，更要在软硬结合的具身智能落地战中抢先夺权。
这不是一次普通的新品发布，而是一封战书——写给所有还停留在“表演”阶段的人形机器人厂商：
接下来，拼的不再是能不能发 Demo，而是能不能真的让人形机器人落地干活。
5个月交卷：
人形机器人本体+20自由度灵巧手
“我觉得还好。早期肯定会有一点困难，但后面就很顺了。而且我们确实用5个月多一点的时间，从零开始做出了完整的本体。目前整个人形本体赛道都起步，我们追赶的速度也很快，预计到明年就能和本体企业齐头并驾了。”
谈到一家以大模型见长的公司跨进硬件领域是否会遇到门槛时，王潜的回答很直接——我们有很专业且很优秀的硬件研发团队，工程师素质非常优秀，我们很自信可以快速迭代出优秀的机器人本体。
在他看来，真正的区别不在技术本身，而在公司组织是否能适应新打法：大模型往往依赖少数顶尖个人的突破，而硬件是一场“大军团作战”，需要跨团队协作、工程管理与供应链磨合，并通过真实场景反推结构、电控与感知设计。
这种思路，让量子2号在不到半年的时间内，就走到接近上市的完成度，并携20自由度灵巧手一同亮相。
具体看量子2号的性能：
机动能力——量子2号的底盘，是为跨场景移动而生。54厘米直径底盘可原地转向，1.5米/秒的机动速度在家居走廊、商用通道都不显笨重；4厘米越障和15°爬坡能力，让它不止能“到得了”，还能“到得快”。
操作性能——全机最多62个自由度，双臂7自由度构型，肩展765毫米，单臂末端速度可达2米/秒，负载6公斤，重复定位精度±0.03毫米。未来搭载具身大模型，无论是开放随机的家庭服务场景，还是高节拍的工业场景，都有稳定的速度与精度双保险。
感知与安全——布设RGB-D、激光雷达、高精度IMU、TOF、超声波、红外镜头、力/位觉等多源传感器，0.5牛级力觉和毫秒级避碰反应，让它在人群和货架间穿行时能“知进退”。这正是“AI定义硬件”的体现——感知配置不是为了堆料，而是为模型的长链路决策提供可靠输入。
能源策略——高倍率快充可在约1小时充满，高负载续航4小时以上，并有智能BMS实时监控。对一台要真干活的机器人来说，这才是作业节奏的下限。
要让量子2号真正发挥价值，那么灵巧手的精巧操作能力是关键。起初，自变量并不打算亲自造手——在理想情况下，只要有供应商能把灵巧手做到足够好，他们完全愿意直接采购，把精力留给其他环节。
但现实是，外部厂商有自己的优先级和产品节奏，更新迭代速度、适配支持往往跟不上自变量软硬一体的开发节奏。王潜说得直白：“如果没有绝对必要性，我们肯定不愿意自己去做。”
最终，为了在性能、适配和迭代速度上掌握主动权，他们选择把灵巧手收归自研，让这一关键部件与本体和模型的演进保持同频。
在设计上，王潜并不回避腱绳传动的非线性难控问题，他表示，自变量采用“弯曲自由度腱绳+侧摆直驱”的混合架构，并通过算法优化在小型化、抓力与稳定性之间找到平衡，同时减少堆叠干涉和维护负担。
l 传动架构：弯曲自由度采用空心杯腱绳传动，带来更大的抓力与更紧凑的体积；侧摆自由度由微型减速箱直驱控制，确保运动的线性与响应速度，并配合算法削弱腱绳的非线性影响。
l 运动与负载能力：整手20个自由度（15个主动），自重不足1公斤，单指可承受1公斤、整手5公斤，重复定位精度<1毫米，既能胜任精细操作，也能完成中等重量搬运。
l 节能与耐用设计：节能自锁机制让抓取保持时静态功耗下降80%，降低长时间作业的能耗与发热压力，同时延长零部件寿命。
l 感知与控制系统：指尖集成0.1–20牛（±0.1牛）的力觉传感与1厘米接近感知，500Hz实时闭环控制通过USB 3.0高速传输，兼容ROS1/ROS2及即插即用SDK，让它既能精准感知抓力，又能快速融入不同应用环境。
是时候用AI定义硬件了
自变量跨进硬件的背后，是一整套“AI定义硬件”的方法论。
王潜坦言，最大原因在于现有供应链无法跟上他们的迭代节奏。许多厂商仍沿用工业机器人、自动化设备、汽车等行业的体系，而AI驱动的人形机器人在传感、关节模组等核心部件上的需求与这些领域有着本质差异。
尤其是通用型人形机器人，需要的不是“照搬旧图纸”，而是一套全新的设计逻辑——由真实任务驱动迭代，用场景需求倒逼结构、控制、感知与传动系统的重构。
在这样的现实下，有的环节可以与供应商共同成长，有的则必须亲自掌握，才能保证研发速度与产品完整性。机械臂要“挂”在机器人身上而不是支在桌面上，动力学与可靠性就得推倒重来；灵巧手外形再像人手，如果功能无法满足任务，也必须在实测中不断重定义。“硬件必须适配真实场景，而不是复用旧的专用设计。”王潜强调。
他举了一个典型案例：业内验证灵巧手稳定性，常用的方法是让手指反复弯曲一百万次，如果没坏，就被视为可靠。然而真正投入任务时，情况往往截然不同——“有些手在实验室能跑完百万次测试，但在真实使用中，半小时就坏了。”
原因不在于测试不严，而在于实验室的环境过于单一可控，而现实世界中，手指可能被无意磕碰、刮擦，甚至轻轻撞到，就可能造成损坏。对于频繁与物理世界互动的机器人来说，这样的碰撞几乎无法避免。
“如果硬件在这种情况下就罢工，那它在纸面上的寿命再长也没有意义。”正是这种脱节，让自变量意识到，必须用自己的方法论重新定义硬件标准——让设计、测试和验证尽可能接近真实环境，而不是依赖工业臂或专用设备的旧范式。
这种从应用场景反推硬件演进的路径，让量子2号与20自由度灵巧手在短短数月内同步迭代到接近上市的水准，并具备跨场景作业的适应力。对自变量而言，硬件不是大模型的附庸，而是让AI真正落地的“肌肉与骨骼”——只有它足够稳，AI才能在物理世界中释放全部力量。
具身大模型赋予硬件本体灵魂
如果说 Quanta X2 是一副强健的身体，那么WALL-A就是赋予它感知、理解与行动能力的“大脑”。过去半年，这颗“大脑”从实验室原型一路走到真实场景的长时间稳定运行，在推理深度、任务泛化和执行稳定性上，已经稳稳站进行业全球第一梯队。
据透露，半年间，它的进化集中在四个方向——
长序列推理能力爆发：半年前，要让模型完成一个很长的任务链，必须针对整个序列一次性训练，而且还未必能训出来；如今，WALL-A 只要掌握每个子任务，就能自主拆解、规划执行顺序，无需人为干预。它能在不切换模型的情况下，跨任务、跨空间处理复杂长链条任务，并在执行中实时修正计划。
任务泛化更极致：在陌生环境中，能快速适配、识别并处理从未见过的物体或情境，把原子技能零样本组合成全新任务。
人机交互更顺畅：执行过程中可一边操作，一边实时响应自然语言指令，动态调整动作顺序与策略。
软硬件深度一体化：推理与规划结果能瞬时回灌至机器人的控制系统，让动作更稳、更准。
与市面上依赖多层模型拼接的方案不同，WALL-A走的是完全自研的统一端到端架构——视觉、语言和动作的双向输入输出一气呵成，没有中间模型的衔接损耗。这让它不仅能跨模态理解与生成，还能把推理结果即时回灌，形成闭环大脑系统。
王潜形容，这是一条“一个模型做所有事”的路线——不需要为感知、决策、控制分别调用不同模型，也无需为每类任务单独训练。理论上，它可以处理无限长的任务链，执行无限复杂的推理规划。
“分层模型做长程复杂任务，幻觉严重到不可用，成功率低到根本落不了地。那是 Toy Model（玩具模型），拍拍 Demo 可以，真干活不行。”
王潜举了一个自变量半年前实现的机器人找削皮刀的案例。
基于WALL-A模型的具身思维链，机器人先识别到桌上的苹果，推断需要工具削皮，并判断工具可能在果篮或抽屉里；果篮翻找无果后，又结合“房间里有小孩”的提示，自主推断锋利物品不会放在低处，直接跳过下方抽屉，精准锁定最上层抽屉的削皮刀。
全程，它都能实时理解人类的自然语言打断，动态调整下一步的动作计划，把一个跨任务、跨空间的长链条推理干净利落地完成。
WRC 现场的“香囊制作”演示，则展现了它在柔性物体处理与双臂协作上的熟练度——自主选择香料，在不足 10cm 的空间中双臂缝制、贴徽章、递送，并在发现物料不足时，自主避障去更换和补充，全程无需人工插手。
这种能力的底层基础，是 WALL-A 通过海量、多样化数据训练，获得了真正的操作泛化能力。
“哪些是学过的，哪些是没学过的？老实说，我们并不在意，也没空去数。”王潜轻描淡写。
而这套能力，从来不是为了炫技，而是为落地而生。自变量的路线清晰直接：短期优先攻下商业服务和公共服务场景——酒店、养老院等，这些场景中充斥着传统自动化无法替代的复杂任务，客户愿意持续买单，场景纵深够深，足以迭代到更复杂的任务；工业领域的高节拍、高负载环节不是优先项，只切入那些需要通用推理的工序。
“我们的目标，不是让机器人会一个技能，而是让它在真实世界里想得明白、干得漂亮。”
在自变量看来，真正的通用智能，不是靠预编程秀一两个绝活，而是让机器人在开放陌生世界里，靠自主学习摸索出答案——然后，把事干成。
结语
相比去年还自认与具身大模型龙头企业 PI 存在“3–6 个月”差距，如今的自变量的自信更足。
“综合对比，我们的大模型能力，放到全球，就是第一梯队，对标 DeepMind，和 Physical Intelligence 也几乎没差。”王潜直言。
这句话背后，是对旧格局的正面宣战——那个“中国主宰硬件、美国统治软件”的年代，正在被中国新一代具身智能势力硬生生掀翻。接下来，不是追赶，而是正面硬钢。
在王潜看来，真正的竞争从来不在舞台上，而在落地现场——谁能让机器人在陌生环境中“想得明白、干得漂亮”，谁才有资格定义下一轮规则。自变量选择了最难、也最直接的路径：软硬一体、端到端模型、从高价值场景切入，拒绝演示级炫技，直奔可持续的商业化。
这是一种“背水一战”的姿态——要么干成，要么被淘汰。而他们显然更愿意做前者。
在具身智能的赛道上，没有谁会永远领跑，但有些企业生来就是奔着终点去的。
