[ 2~3个月一个新的模型版本，意味着需要大量真实数据的输入训练。“当前真实数据和仿真数据在机器人大脑实际训练过程中的优先性还没有达成共识。”新鼎资本董事长张弛在谈及机器人大脑模型时告诉第一财经记者，他认为当前机器人行业对于数据的标准、定义、量级等方面都没有明确的标准，“有些企业自己都已经更改了技术路线，这也是部分投资人‘看不清’具身智能大模型的原因”。 ]

半年四次融资，产业资本纷纷押宝，当钱不再成为技术的制约因素，机器人企业应该把数据、算法和场景的飞轮滚向哪里？

9月8日，自变量机器人（下称“自变量”）宣布完成近10亿元的A+轮融资，并开源具身大模型WALL-OSS。第一财经记者注意到，在这一轮参投的股东名单中，除了领投的阿里云之外，自变量A轮股东美团也进行了跟投。

这是两家老牌互联网大厂首次在人形机器人企业的同一轮融资股东名单中出现，也是阿里云在人形机器人领域的首次下注。

自变量的创始人兼CEO王潜告诉第一财经记者，团队的大模型迭代周期已经缩短至每2~3个月就会更新一个版本。在模型高速迭代的另一面，企业仍然会面临巨量算力以及硬件落地的挑战。此次开源WALL-OSS，或许也是自变量尝试的另一种解法。

2~3个月模型就有新版本，阿里云出手

第一财经记者注意到，本次自变量融资股东中，除了国科投资、国开金融、红杉中国等国资和美元背景的机构参与之外，美团、阿里云、联想这类产业投资方也同时出手。

这并不是产业投资方第一次押注自变量。今年年中，自变量完成了数亿元的A轮融资。由美团战略投资部（战投）独家领投、产业基金美团龙珠跟投。联想之星和君联资本分别在天使轮、Pre-A++轮就有参与过自变量的融资。

资金之外，产业投资方带来了真实的应用场景。“目前我们的产品还在POC（Proof of Concept，概念验证）阶段。”王潜透露。

一位接近阿里云的相关人士向第一财经记者透露，本次出手自变量，是因为对其模型的发展比较乐观，且该人士透露当前阿里云的投资决策均经过核心管理层“反复斟酌”。据王潜透露，自去年11月实现端到端具身智能大模型WALL-A之后，每2~3个月，自变量都会迭代出一个新的模型版本。

2~3个月一个新的模型版本，意味着需要大量真实数据的输入训练。“当前真实数据和仿真数据在机器人大脑实际训练过程中的优先性还没有达成共识。”新鼎资本董事长张弛在谈及机器人大脑模型时告诉第一财经记者，他认为当前机器人行业对于数据的标准、定义、量级等方面都没有明确的标准，“有些企业自己都已经更改了技术路线，这也是部分投资人‘看不清’具身智能大模型的原因”。

去年3月，自变量发布了国内最早的统一端到端VLA大模型（Vision-Language-Action Model，视觉语言动作大模型）。8个月后，WALL-A发布。在迭代过程中，WALL-A已经展现出了零样本以及长序列多模态的输入和输出能力。

模型的迅速迭代背后，是数据、算法和场景的驱动飞轮已经“滚起来了”。团队成立以来，自变量就采用了大量的真实数据进行模型训练。据王潜透露，自变量已经自建大规模数据采集工厂，以解决数据质量、规模等问题。

高质量的自有数据也进一步推动了模型的迭代。一位接近阿里云的相关人士向第一财经记者表示，阿里云之所以选择出手，是因为看好自变量在大模型上的迭代节奏和技术路径。“海外也有机器人企业与AWS、微软Azure等云厂商合作的先例，但从投资角度看，更重要的是谁能真正把迭代能力转化为行业话语权。”

烧钱逻辑失效，开源不是堆参数

半年四轮融资，王潜向第一财经记者坦言：“现阶段，钱已经不是制约公司发展的因素了。”自变量的产品负责人向第一财经记者解释，无论是软件还是硬件的开发，都存在客观规律，单纯砸钱并不能无限提速。

“就像在大模型领域有scaling law，硬件打样也同样有固定的周期，你不可能花三倍的钱让打样的速度快三倍。”王潜告诉记者，自己会在客观规律允许的范围内，把资源堆到“没有边际效应为止”，不会盲目加码。

这也是自变量在进入硬件领域后王潜的感受。在他看来，人形机器人要做硬件还是软件，从来都不是一个单选题。“我们希望从模型训练的角度出发，去定义硬件，让软硬件耦合得更加紧密。”截至目前，自变量已经发布了人形机器人量子2号和20个自由度的自研灵巧手。王潜预计，今年年底，自变量的硬件将会有小范围出货。

值得一提的是，团队也希望用开源的方式来带动行业生态的建设。这是自变量更大的野心，也是行业显现的趋势。9月初，星海图正式开源了快慢双系统具身智能模型G0。此前，智元宣布发布世界模型开源平台Genie Envisioner。国际范围内，具身大模型公司Physical Intelligence（PI）开源了大模型π0的基础模型，支持微调代码。

不过，开源浪潮之下，也不乏“只开源不真用”的情况，一些模型名义上开放，却因数据量有限、缺乏硬件匹配或接口不全，难以真正落地。更现实的困境是，作为一个软件和硬件高度耦合的智能体，人形机器人的大模型开源，并不是“万能”的。一位机器人工程师对第一财经记者直言：“别看开源的那么多，但真正能用的不多。”他表示，π0的开放程度相对更高，但由于缺乏相匹配的硬件，在落到具体机器人时，模型能力不可避免会被削弱。

记者了解到，本次自变量开源的WALL-OSS是WALL-A的一个分支，开源内容还包括完整模型参数、训练与推理代码及优化方案，并配套工具链。“我们选择了更成熟和稳定的WALL-A模型的分支版本，希望它成为更多开发者一个开箱即用的大脑，让大家真正用起来。”王潜说。

同时，由于团队在开源模型中加上了“专家分流（FNN）”的架构，语言、视觉和动作在对齐后由不同“专家”进行处理，避免出现单一模态“拖后腿”的状况，开发者的部署周期也会相应减少。

与此同时，王潜表示“目前已经有开发者和教育用户在咨询我们的本体订单”。自变量希望开源能够成为加速行业生态成熟的催化剂。毕竟，只有当“开源”变成能跑得起来、落得下去的工具，行业才有望真正迎来通用具身智能的时刻。