深圳零一學院內，首屆具身智能開發者大會的決賽現場氣氛熱烈。20支頂尖隊伍齊聚于此，他們要在三天內完成從數據采集、模型訓練到真機部署的全流程，這無疑是一場極具挑戰的“真機演武”。自變量機器人聯合創始人兼CTO王昊在訪談中表示，家庭場景是具身智能的終極目標，是“通往通用機器人”的關鍵戰場。盡管多數同行優先布局工業場景，自變量卻選擇與58同城合作，在深圳試點讓機器人與家政阿姨搭檔，探索家庭服務領域的應用。

本次大會的賽制設計獨具匠心。所有參賽隊伍使用同一套硬件平臺，在極短時間內完成從零開始的搭建。專業研究實驗室通常需要6個月才能完成類似工作，而選手們僅用三天就要實現目標。比賽首日便出現明顯分化：有的團隊還在調試環境，有的已取得初步成績。王昊觀察到，頻繁評測、注重數據和硬件觀察的團隊表現更為突出。他強調，具身智能的本質是交互學習，通過測試和人工觀察發現問題，才能找到應對真實世界復雜性的解決方案。一位參賽選手回憶，最初完成“將環套在柱子上”任務的成功率僅20%至30%，經過多次迭代才提升至60%至70%。

比賽設置了A榜和B榜，A榜環境可控，便于快速驗證模型能力；B榜則完全黑盒，考驗模型在光照、背景、操作對象和位置變化下的泛化能力。王昊指出，舉辦此次比賽的初衷是降低開源項目對開發者的使用門檻，建立通用標準接口。在長期依賴仿真評測的具身智能行業，仿真環境雖能加速迭代，卻難以還原真實世界的復雜性，sim2real的差距始終存在。王昊坦言，過度依賴仿真評測會掩蓋模型能力的真實邊界，而此次比賽將評測、訓練和數據采集重新拉回真實世界。

自變量機器人從創立之初就選擇了“大小腦統一的端到端大模型”路線，嘗試將世界模型與VLA（視覺-語言-動作）模型融合在一個聯合框架下。王昊解釋了這一路線的底層邏輯：大語言模型仍是訓練基礎，但需將語言和動作置于同一空間，而非讓視覺僅服務于語言。語言描述的信息宏觀，而物理世界交互發生在厘米級和秒級尺度，兩者存在巨大鴻溝。采用原生多模態方式，動作可在宏觀和微觀層面清晰表現，使視覺從靜態觀察轉變為理解運動。這與當前許多簡化設計的VLA模型形成對比，多數模型仍依賴單幀圖像輸入。

端到端模型面臨訓練復雜度和規模要求的挑戰。王昊認為，若不具備這兩個條件，端到端模型的效果可能不如垂類小模型或分層模型。端到端需要規模效應，數據量和模型參數量必須足夠大。具身智能的評測比語言大模型更復雜，語言大模型可通過loss曲線評估，而具身智能的loss無法反映真實表現，因為真實世界是閉環系統。自變量的另一核心策略是堅持真實世界的真機數據采集。王昊表示，所有交互式學習和強化學習的關鍵數據都來自真機，數據采集將持續進行。2026年，數據采集方式將發生重大變化，越來越依賴人的穿戴式或Ego-Centric方式。

進入家庭場景面臨兩大難點：零樣本泛化能力和長程操作的精細度。模型需通過推理探索成功路徑，而非依賴預先訓練；在長程任務中，現有基模雖能完成動作意圖，但精細度不足，錯誤累積導致失敗。王昊提出，解決長程精細度問題需激發模型推理能力，讓語言、視覺、動作形成思維鏈，使機器人自主規劃和反思；同時需在大規模真機情況下進行強化學習，提升空間精度。他預估，普通清潔、收納等任務可在1至2年內實現完全自主，但所有家庭任務閉環需更長時間。這與自變量CEO王潛的觀點呼應，后者曾表示今年內機器人將以正ROI方式實現商業化落地，家庭場景推進雖慢但更長遠。

關于技術路線與商業化的關系，王昊認為，為商業犧牲技術難以取得高成就，真正的發展需技術推動商業。自變量的主線是讓基模持續迭代，避免在垂直場景做過多模型系統。例如，發現機器人視覺有盲區時，不應通過小模型檢測彌補，短期雖能加快落地，但長期會損害基模提升。他透露，自變量在數據、算力和基礎設施上投入巨大，建立規模化效應后，資源聚集效應會愈發明顯，投入10倍資源取得領先時，速度優勢將以數量級超越對手，越早開始越有優勢。