近兩年，具身智能持續吸引市場目光，其“身體”——機器人的運動與控制能力已取得顯著進步。行業競爭焦點從“肢體”轉向“大腦”。如何為機器人構建能理解物理世界、能操作、能靈活應對復雜多變場景的智能“大腦”，使其真正勝任多樣化的實際物理世界的工作，成為突破的關鍵。

具身智能基礎模型是獨立于、平行于大語言模型、多模態模型等虛擬世界基礎模型的物理世界的基礎模型?；A模型的核心使命在于突破泛化性與通用性瓶頸，物理現實世界的復雜性要求機器人能夠具備實時處理非結構化，動態及隨機任務的能力，輸入所有機器人的感知信息（例如視覺、觸覺、語音），直接輸出機器人的動作、視覺，以及語言。

自變量機器人創始人兼CEO王潛表示：“具身智能的下一階段競爭，本質上還是數據閉環構建的基礎模型與模型進化能力的競爭”。在這個判斷下，全球正在從數據、模型、算力等多個方面加快投入，快速推進具身智能的發展。

自變量機器人已于近期完成10億元A++輪融資。本輪融資由字節跳動、紅杉中國、深創投、北京信息產業發展基金、錫創投、南山戰新投等頂級投資機構及多元地方平臺聯合投資。據悉，這也是深創投AI基金成立以來的第一筆投資。

自變量成立于 2023年12月，堅持自研具身模型，是國內最早采用完全端到端路徑實現通用具身智能大模型的企業，在業內有“最強大腦”之稱。此前自變量已獲得美團、阿里云投資，伴隨本輪融資，自變量成為國內唯一一個同時獲得字節、阿里和美團三大互聯網大廠投資的具身智能企業。

跨領域資本的協同下注，既凸顯了資本市場對具身基礎模型重要性的集體共識，同時也印證了對自變量技術領先性與發展潛力的深度認可。

自變量WALL-A的核心架構首創VLA與世界模型深度融合的系統范式。作為原生多模態輸入輸出架構WALL-A率先實現具身多模態思維鏈。WALL-A利用世界模型機制進行時空狀態預測，協同視覺因果推理理解環境反饋，并通過可學習記憶機制從數據中內化物理常識。這一融合機制，顯著提升了機器人執行非結構化環境中移動操作任務的零樣本泛化能力。

同時，依托于大規模真機強化學習，基礎模型進一步在與真實物理世界的交互中獲得高質量學習經驗，自主解決長尾問題，實現機器人能力的持續進化。

自變量機器人以完全端到端技術路線構建了物理世界基礎模型-真機自主進化的技術閉環。數據是基礎模型進化的核心燃料，自變量自成立以來即重度投入，堅持硬件-數據-模型的閉環迭代。

作為國內最早規?；瘮U展真機數據采集的公司，自研了主從遙操、外骨骼、無本體等多種數采設備，實現了各種數采設備上的數據驗證和模型突破。自變量還搭建了模型驅動為主的數據管線，通過數據生成、數據過濾、數據增強、數據標注等環節持續產生規?；母哔|量數據。

自變量堅持通過基礎模型給數據處理和硬件設計等各個環節提供反饋，迭代更高質量的數據和更高效率的數采設備，進一步提升基礎模型的效果。

模型的進化，讓自變量的機器人在真實場景中體現了極強的適應力。作為全球首個基于物理世界基礎模型的成功跨越室外與室內場景的移動操作范例，機器人在外賣配送與紙箱回收中，面對強風干擾或視線遮擋，依靠基礎模型的泛化能力與世界模型的因果推演，它不僅能像人類一樣腦補被遮擋物體的全貌，還能在遭遇卡頓時通過強化學習策略自主糾錯，無需人工干預即可完成閉環。

這種適應力也體現在復雜困難的真實物流場景。面對堆疊混亂的包裹，機器人憑借基礎模型的零樣本泛化能力識別異形件，并利用強化學習快速適應工作節拍。尤為值得一提的是，自變量機器人基礎模型的進化解鎖了高自由度靈巧手的潛力，機器人自主掌握了手內重定向等類人技能——從使用工具，到發牌這種對指尖力控要求極高的精細動作，成功攻克了具身智能操作的最后一厘米。

在不斷突破技術邊界、專注探索前沿的同時，2025年9月，自變量開源了WALL-OSS模型，推動具身智能技術的開放普及。自變量機器人堅持軟硬件全棧自研。從模型算法、數據驅動的需求出發，深度定義了機器人的硬件架構，設計發布了“量子一號”、“量子二號”兩款高性能的機器人本體，同步實現了機械臂、關節模組、動力驅動器、主控制器等核心零部件的全面自研與算法深度適配，實現（促成）了整機成本的大幅下降，為具身智能機器人的規?；慨a與商業化普及奠定了堅實的基礎。

目前，自變量已逐步進入工業制造、物流、養老等多個高價值領域中：跨行業的應用證明了自變量的機器人正以高泛化、低成本部署的能力，精準對接真實的市場商業需求。