自变量机器人开展全自主物流分拣实测。自变量供图

　　一小时物流随机包裹分拣1816件、成功率高达98%……8月12日，位于广东深圳的自变量机器人科技公司（下称“自变量”）完成了一场持续1小时的全自主物流分拣直播实测。

　　在全程无人工干预的条件下，机器人以双机械臂搭配标准夹爪的硬件方案，对大小、形状、材质及重量完全随机的真实物流包裹，进行了连续分拣。最终实测速度较海外头部具身智能企业高了约45%。

　　这一效率的突破，标志着国产具身智能走出了一条新的务实路径。没有昂贵的人形躯体与灵巧手，仅靠一双搭载“通用大脑”的机械臂，机器人如何在复杂的真实工况中，实现这一超越？

　　硬件做“减法” 换道超车比拼“大脑”

　　此次实测展现了与海外企业截然不同的技术路线。长期以来，提高机器人操作能力的一条常见路径，是不断增加硬件自由度，例如采用人形本体、五指灵巧手等复杂结构，通过堆叠硬件拉升能力上限。

　　自变量选择了另一条路——凭借自研的世界统一具身智能大模型WALL-B，以结构更简洁的双机械臂和标准夹爪完成同等任务，据内部估算，整体硬件成本下降约70%。

　　“大家可能会认为，灵巧手对大模型技术要求更高”，自变量合伙人兼算法负责人甘如饴表示，然而跟大众认知不同，用更简单机械臂+夹爪处理物流分拣，对大模型要求更高。

　　直面非标工况 模型自主“随机应变”

　　物流分拣看似只是“抓取与搬运”，进入真实仓储场景后却是高度复杂的非结构化任务。此次实测中，纸箱、快递软袋、圆柱形快件、泡沫封装件等大小、重量、材质各异的包裹随机堆放，姿态与面单位置完全不可控。

　　面对不同属性的包裹，机器人会自主匹配差异化作业策略：轻质小件直接夹取搬运以追求吞吐效率；较重箱体采用侧面推移或双臂协作，避免强行抓取损伤包裹；蜷曲的柔性软包则先通过拨、摊动作整理平整，再调整面单朝向。

　　这些决策并非工程师针对每种包裹逐一编写规则，而是模型基于对重力、惯性、摩擦力等物理规律的理解自主推理的结果。

　　“一个大脑” 打通家庭与工业场景

　　支撑这一路线的是自变量自主研发的WALL-B模型。该模型将视觉、语言、触觉、动作和物理预测等能力融合于同一神经网络，具备空间推理、物理规律理解与预测演化能力，使机器人能够根据实时观测结果直接输出每个关节的执行角度，单个包裹的“感知—决策—执行”闭环可压缩至几十毫秒。

　　值得一提的是，WALL-B并非为物流场景专项训练。此前，自变量已联合58到家推出规模化落地的机器人上门家政服务，让具身机器人进入真实家庭与保洁员协同作业。

　　家庭场景与工业分拣代表了差异极大的两类工况，前者考验机器人在高度随机环境中的泛化与应变，后者强调长时间稳定的效率与准确率。同一套模型架构同时支撑这两类场景，直接验证了通用具身智能大模型的跨场景迁移价值，也意味着机器人进入新场景时不必从零学习，可基于已有物理理解快速适应任务。

　　目前，以自变量为代表的中国具身智能企业，正凭借底层模型的技术突破，走出一条更具性价比和扩展性的道路。随着全球具身智能产业竞争格局的改写，物理世界的智能化变革同样将加速到来。