自变量：具身模型不是把DeepSeek塞进机器人|deepseek|新论文|机器人|模态

编辑｜张倩

国内具身智能，接下来可能是「大脑」的战场了。

2026 开年，自变量机器人传出融资消息，字节、红杉出手，融资额达到 10 亿。虽然自变量是一家软硬一体的公司，但这场融资背后，真正说服投资人的可能是他们对于机器人「大脑」的思考。

和之前的 locomotion（移动）、navigation（导航）战场不同，「大脑」所主导的 manipulation（操作）涉及频繁的物理世界交互，随机性、不确定性充斥着每一个看似简单的任务。这也是为什么，在我们看了多年的机器人跳舞、跑酷、玩杂技之后，机器人在自主操作上依然没有拿出一个技惊四座的 demo。而这个「自主操作」，才是决定机器人能否大规模走入人类世界的关键。

在自变量看来，「操作」这类任务的复杂性决定了，机器人必须有一个由「物理世界基础模型」所支撑的「大脑」。这个「大脑」不是像很多人想的「把 DeepSeek 塞进宇树」那么简单，它不是 AI 模型的「应用层」，而是独立、平行于语言大模型、多模态模型等虚拟世界模型的新范式。

对于这个新范式应该是什么样子、如何去打造，自变量已经有了一套体系化的方法论，并且自研出了一些成果。这些大胆的尝试，或许会为具身智能领域带来新的变量。

具身智能 ≠ AI 模型下游应用

我们知道，最近几年机器人「大脑」的进化主要还是依赖语言模型和多模态模型。于是很多人就认为，具身智能是 AI 模型的一个应用方向。但自变量 CEO 王潜曾在多个场合强调，这个定位存在偏差。

举例来说，图中有两个矿泉水瓶，一个瓶盖拧紧，一个没有完全拧紧。只靠视觉去看，它们在图像里差别很小，但一旦把它们拿起来、翻转或倾倒，结果却完全不同 —— 一个会漏水，一个不会。

物理世界里真正关键的信息，往往就藏在这些「看不出来但会影响行为」的细节中。这些差异只有在与世界发生真实交互时才会暴露出来，而不是静态观察就能轻易判断。

更重要的是，这类信息往往并不会在当下立刻给出反馈。比如拧瓶盖这个动作本身，并不会产生任何可见变化，真正的差异要等到下一步、甚至再下一步操作时才显现出来。对模型来说，这意味着它必须能够把一连串感知、动作和结果在时间上串联起来理解，而不是只处理某一帧画面、某一个瞬间的输入输出。

这正是物理世界对智能提出的一个隐性要求：模型不仅要能感知，还要能处理足够长的行为序列，理解因果是如何在时间中逐步展开的。否则，它就永远学不会那些「现在看不出来、但之后会出问题」的物理规律。

而在很多真实任务中，问题甚至不只是时间跨度变长这么简单。机器人往往需要在行动之前，对未来进行某种形式的推演。比如在倒水之前，它需要判断瓶子会不会漏；在整理桌面之前，它需要决定先拿走什么、再放回什么。这类判断并不是对当前状态的直接反应，而是对「接下来会发生什么」的内部演算。

也正因为如此，单纯依赖静态信息训练出的语言模型或多模态模型，在物理世界里往往显得力不从心。它们并不真正理解「拧紧」和「没拧紧」在物理后果上的差别，也难以应对充满连续变化、随机扰动和部分不可观测的现实环境。

在自变量看来，这并不是靠给现有模型打补丁就能解决的问题，而是指向了一个更底层的结论：我们需要一种「生于物理世界、用于物理世界」的基础模型。这种模型应当与语言模型、多模态模型平行存在，而不是作为它们的下游应用。自变量的目标，正是要打造这样一个基础模型。

构建物理世界基础模型——

要端到端、要做通才模型

要打造这个模型，自变量认为有两点非常重要：

一是要有一个统一的架构，因为真正的物理智能需要的是整体性的、具身的理解，而不是模块化的知识拼接。

举个例子，人类在使用锤子时，注意力不在「这是一个锤子」「锤子有多重」，而是在木头、钉子和要完成的目标上。锤子作为一种工具，会被纳入行动本身，在认知中「隐退」。但对于现在很多机器人来说，情况恰恰相反，每一次使用工具，它们都要重新经历一整套流程：看见这是锤子，理解锤子的用途，规划怎么用，再执行动作。自变量认为，这种方式永远无法达到人类那种直觉的工具使用境界。

归根结底，这种局面是把模型拼接起来的分层架构所带来的 —— 视觉模块先把世界压缩成向量，语言模块再接手理解，规划模块再根据语言输出动作。一套流程下来，模块之间彼此「看不见」「听不见」对方真正关心的东西。每跨一次模块，细节、关联和物理直觉都会被削掉一层。这就像把一幅油画描述给盲人，再让盲人转述给聋人。

这就不难解释，为什么自变量从成立第一天就是「端到端」路线的坚定信徒。他们看到的是这一路线的底层逻辑：信息必须在一个统一的空间里流动，系统才能发现不同东西之间深层的关联。早期，这一选择饱受质疑，但如今，Google Robotics、Physical Intelligence 等头部具身智能团队也都走到了这条路上。

二是模型要足够通用，因为只有这样才能学到物理世界的共性结构。

这条路已经被语言模型走过一遍。大家发现，相比于最初针对单一任务分别做专用模型，把翻译、问答、写作、推理等任务放进同一个模型里，反而能让模型学到更底层的逻辑和常识。物理世界也是一样，当模型同时学习足够多、足够杂的任务，它会被迫去发现这些任务背后的共性结构 —— 物理规律、物体属性、因果关系。一旦掌握了这些共性，模型学新任务所需的数据量就会骤降，甚至出现「涌现」。

提到语言模型，它的成功其实还有一个常被忽视的关键：它找到了一个极好的损失函数 —— 预测下一个词。这个看似简单的目标，能够把海量文本中的结构、逻辑、常识全部压缩进模型里。

但机器人面对的是一个更复杂的局面，它的损失函数应该预测什么？

自变量认为，不能只停留在「预测动作」。如果只预测动作，模型很容易沦为一个「模仿者」，它只学会了手势的形状，却不懂得背后的原因。真正的突破口在于：将损失函数从「动作预测」升级为「多模态状态的预测」。

当模型试图预测「如果我推倒这个杯子，下一秒视觉画面会如何变化、指尖的触感会如何消失」时，它实际上是在强迫自己理解因果律，把物理世界的复杂性压缩进模型里。

这也解释了为什么自变量的 WALL-A 模型不只输出动作。它还能用语言和人对话，能根据图片重建三维环境，能像世界模型一样预测未来。这些能力看似五花八门，但背后的逻辑是一致的：如果一个模型真正理解了物理世界，它就应该能用各种方式表达这种理解，无论是控制机械臂，还是描述它在做什么，还是预测物体会怎么滚动。在这个模型身上，我们已经能够看到自变量所追求的物理世界基础模型的雏形。