具身智能的分水嶺，有人在造輪子，有人在修公路

作者：呂鑫燚

出品：具身研習社

如果把具身智能爆火的三年折疊起來，會發現一個最底層的產業邏輯：所有能被復制的能力，都不是核心競爭力。

硬件的護城河會被成熟的供應鏈填平；算法的領先優勢正以周為單位壓縮；甚至連曾經引以為傲的工程化能力，也隨著大廠人才的流動變得不再稀缺。在這個技術迭代速度遠超任何過往科技賽道的時代，任何可以被寫進代碼、拆解成步驟、采購自市場的能力，最終都會變成行業的“標配”，而非“稀缺”。

當硬件、算法、工程化的代差正在逐步縮窄時，真正不可被復制的制勝內核便落在了視野和格局，這也是讓企業保持領先態勢的競爭力。

最近業內有個生動的樣本，短短數天自變量機器人連續打出三記重拳，向整個產業展示出它們未被人注意到的視野和格局：開源 WALL-OSS-0.5 、發布 WALL-WM 事件級世界模型、開源 XRZero-G0 數采系統。三條腿走路的背后，是自變量把 “數據采集 — 模型預訓練 — 世界預測” 三個困擾具身智能產業良久的大山逐個擊破。

XRZero-G0在國內首先跑通了全身無本體采集 → 自動質檢 → 混合訓練 → 真機評測的閉環鏈路，真正讓無本體數據變得可用；WALL-OSS-0.5證明了零樣本能直接上真機，預訓練模型可以直接產生可用的操作能力，徹底打破了 “后訓練至上” 的重負困境；WALL-WM重新定義了世界模型最小單元，用“事件級”思維讀懂物理世界的演化和分辨事件的重心。

這三記重拳絕非零散的技術修補，而是基于敏銳的技術直覺，直擊問題本質并給出的系統性答案。而這也不是孤立的三個技術點，而是一個環環相扣的完整生態。

更重要的是，自變量機器人選擇將其中兩個重磅的技術底座毫無保留地開源，更是自變量機器人對產業發展規律的清醒判斷。閉源或許能換來短暫的技術領先窗口，卻永遠無法催生出一個真正繁榮、能夠自我進化的產業生態。自變量機器人沒有單純去卷誰家的算法精度更高，而是直接為整個行業搭建了一個新的基礎設施。當大多數人還在為一塊蛋糕爭得頭破血流時，自變量已經親手烤出了一個更大的蛋糕，然后邀請所有人一起來吃。

具身智能技術路線尚未收斂，是這個產業中為數不多的共識。但這種未收斂狀態帶來的最大代價，從來不是資源分散，而是技術內耗。所有人都在努力解決各式各樣的問題，但大部分并不具備分辨真偽問題的能力，只有少部分人解決的問題能推動產業前行。

因為定義問題，本身就是一種最稀缺的技術直覺。

當前業內最核心的爭議集中在兩個方向：一是數據采集的路線選擇，二是 VLA 與世界模型究竟該走向融合還是獨立演進。

數據采集路線的博弈，表面上是采集設備的競賽和高質量數據集的規模比拼，所有人都在堆無本體數據的量級，拼誰的采集設備更炫、誰的數據集更大，卻對一個最底層事實視而不見：市面上絕大多數無本體數據，很難能用來訓練模型。大家都在解決 “有沒有” 的問題，卻沒有人愿意直面 “好不好用” 的靈魂拷問。

自變量機器人跳出了內卷，它沒有跟著別人去拼數采硬件，而是直接一拳打在了行業的七寸上。XRZero-G0 做的事情很簡單，但也足夠顛覆：它是國內第一個把全身無本體采集全鏈路跑通的。直接把行業認知從“無本體數據能解決量級饑渴”拉到了“如何讓數據高度可用”的階段。

XRZero-G0，讓無本體數據的有效率做到和真機數據一樣的水平，且用 1/20 的成本就能打出純真機數據的效果。得益于無本體數據的天然的優勢，訓出來的模型再也不會被某一款機器人綁死，能直接跨機型遷移。

這就是定義問題的能力，單純比硬件設備比數據集規模，不如直接回答根本性問題，讓數據可用。

數據能用了，下一個死結就是模型架構，同樣的分歧也存在于模型路線之爭中。

VLA 路線的質疑者認為其難以涌現真正的通用泛化能力，很多好看的DEMO仍是數據和后訓練驅動的擬合；而被寄予厚望的世界模型，還處于非常早期的階段，該由什么路線還原物理世界，還原的世界中又該有什么要素等等前置問題還沒有答案。

自變量機器人依舊沒有陷入“二元敘事”中，而是沿著兩條技術路線同步探索邊界，挖掘技術更高維的價值。

WALL-OSS-0.5 解決的是 VLA 最無法回避的問題，即過度依賴后訓練，難以做到真正的通用。進入真實場景必須針對每一個具體任務、每一臺特定機器人進行海量的后訓練微調。這也是為什么 VLA 喊了兩年通用，但部分落地卻始終停留在零散的 Demo 階段。

而 WALL-OSS-0.5 首次打破了這一困局。它證明了預訓練本身就可以直接產生可用的操作能力，其零樣本泛化效果甚至能夠比肩傳統方法的后訓練結果。這意味著 VLA 終于有可能擺脫對定制化微調的依賴，真正走向開箱即用。

世界模型側，自變量機器人選擇回答了最前置的問題，我們到底該用什么東西，來給這個物理世界做切片？

常見的答案是“固定時間動作塊”，把 1 秒、0.5 秒的視頻片段當作最小單元，但一個動作塊里可能同時包含 “伸手” 和 “碰到杯子” 兩個完全不同的狀態。為了解決這一痛點，自變量機器人的 WALL-WM 直接將世界的最小單元定義為事件，伸手是一個事件，抓取是一個事件，提起是一個事件。每一個事件都是一個完整的語義閉環，能說清楚、能看明白、能做出來。

這一下，世界模型變成了一個真正能理解物理規律的 "世界觀察者"。它知道了做了這件事之后會發生什么。

這才是具身智能產業最核心的競爭力，能夠穿透行業的表層喧囂，精準命中每一個環節的核心矛盾，這背后正是自變量機器人對具身智能技術演進的深刻洞察與前瞻性判斷。

當自變量機器人精準命中了具身智能核心環節的矛盾時，這些技術突破足以讓它在行業內保持相當長一段時間的領先優勢。但它做出了一個讓很多人意外的選擇：將這兩個重磅的技術底座全部開源。

而這兩個開源依舊是延續自變量機器人的風格「真技術」和「真開源」。

XRZero-G0 在數據采集環節，針對現有的無本體采集“黑箱化”、真機可用性差的致命缺陷，提出了三層質量校驗體系：一是采用頭顯 + 雙腕三視角同步采集方案，結合邊緣計算實現 ≤ 4 毫米精度的時空對齊，徹底解決了遮擋與漂移問題；二是引入自動逆運動學驗證，過濾所有超出機器人關節極限的無效動作；三是通過隨機真機開環回放做最終驗證。

三層篩選后，入庫數據有效率提升至 85% 以上，同時采集效率提升 1.7-2.3 倍，峰值可達 93.2 條軌跡 / 小時。一舉解決了數據采集兩大頑疾：數據量少、有效率低。

在訓練環節，首次定量驗證了 “少樣本物理錨定效應”。對比了純真機、1:1 混合、10:1 混合三種訓練方案，結果顯示僅用 50 條真機數據搭配 500 條無本體數據的 10:1 方案，模型任務成功率與 500 條純真機數據基線持平甚至更高。

這一發現將具身智能的數據訓練成本直接降低至傳統方式的 1/20，為行業提供了可復制的低成本訓練范式。

這些能力，現在不是自變量機器人的專屬，而是將一套全身無本體數采+質檢+訓練+真機評測的完整鏈路，全部開源，甚至還有 2000 小時、3000 多個任務的多模態無本體數據集。

這套真技術+真開源最外顯的落地，已經在多個得到了最直接的驗證。多位開發者在復現后反饋，整個流程運行絲滑，數據精度穩定在毫米級，完全滿足 VLA 與世界模型的預訓練需求。中山大學通用具身智能中心也證實，XRZero-G0 及其數據集可無縫接入現有 VLA 和世界模型的訓練管線，對于 UMI 路線的學術研究具有極高價值。更重要的是，這一復現打破了行業長期以來對無本體采集技術的質疑。正如一位開發者所言：UMI 終于不再是只能停留在發布會的演示技術，而是真正可以用來訓練模型的生產工具。

透過開發者的復現結果可見，自變量機器人不是在討“開源”美名，更不是只留美名不留代碼。而是實實在在潛心做好底層研究并真開源給所有產業內的參與者。

如果說 XRZero-G0 解決了 “數據從哪里來” 的問題，那么 WALL-OSS-0.5 的開源則解決了 “部署門檻高” 的問題。

WALL-OSS-0.5 不是又一個微創新的 VLA，除了讓模型擺脫后訓練這一結果之外，其技術之內發生的是一個系統性的技術創新，首次實現了動作能力與基礎模型主干的深度融合，為 VLA 的零樣本泛化提供了可行的技術路線。

其核心技術突破主要體現在四個方面：首先，重構了 VLA 的訓練架構，將動作轉化為離散 token 與文本、視覺共同進入主干進行統一訓練，打破了傳統 “主干 + 動作頭” 的分層模式。實驗表明，該設計是模型獲得真實操作能力的關鍵，移除后任務成功率會出現顯著下降。

接下來，就是如何解決動作 token 的語義化問題。WALL-OSS-0.5 將動作執行與環境視覺變化建立關聯，使模型能夠學習動作與物理世界的因果關系，讓動作 token 具備了類似語言 token 的知識表征能力。還優化了連續動作生成機制。針對傳統 flow matching 過度關注軌跡擬合、忽視任務目標的缺陷，將監督重點調整為決定任務成敗的核心動作結構，大幅提升了模型在真實場景中的任務完成率。

最后，攻克了大規模多模態協同訓練的工程挑戰。解決了多路監督沖突、梯度不平衡等問題，實現了視覺、語言、動作三種能力的穩定共訓，推動具身智能進入了系統工程競爭的新階段。

一個完整的開源數據采集管線，加上一個零樣本泛化的通用 VLA 模型，自變量用這兩個開源項目，為整個具身智能行業搭建了一套最基礎的公共設施。

正如前不久在自變量機器人聯合主辦的全球首屆具身智能黑客松大會的學術圓桌上，多位頂尖學者共同指出的那樣：這種基礎設施的建設，利好的不僅僅是短期內的研發減負。它最大的意義，在于解放了整個行業的生產力，讓那些沒有足夠資源搭建底層技術棧、但更有長期耐心的學術實驗室和創業團隊，能夠跳過重復造輪子的階段，直接投身于更前沿的技術探索和更垂直的場景創新中。

除了數據和 VLA 這兩個縈繞在具身智能產業風暴中最棘手的問題外，具身智能更值得探索的也是價值更高的在于世界模型。很多前沿學者將其視為物理 AI 在等的最后一塊拼圖。

不過“世界模型”從現在的產業語境看，依舊是一個目標，而非某一個既定的架構。這便導致了世界模型走到了野蠻生長期，技術路線雜亂、解決問題的能力也尚未得知。

這種野蠻生長期的背后，是業內無法琢磨透模型究竟該怎么理解物理世界的肌理，即我們該如何標注世界，模型該如何思考世界。

這是世界模型最前置的問題，也是最底層的問題，自變量機器人提出的 “事件級” 價值正在這里。

WALL-WM 通過系統性的架構創新與工程優化，首次將 “事件作為世界模型思考單位” 的理念轉化為可落地的技術方案，在保留通用多模態先驗的同時，實現了更強的物理世界預測與推理能力，其核心突破在于：

1. 先驗對齊的聯合去噪機制：采用視覺 - 動作單向耦合架構，跨視角融合分支的輸出投影則零初始化，動作模塊讀取視覺語言表征且梯度不反向傳播。該設計解決了大規模訓練中動作學習污染視頻先驗的問題，實現了能力的協同增長。
2. 幾何感知的多視角融合：模型先保留Wan原有的單視角時空注意力，用它繼承已有的視頻生成先驗；隨后在每個DiT block中加入cross-view attention，把同一時間幀下來自不同相機的空間token放到一起做信息交互。這樣既能利用多視角之間的幾何互補性，又不會破壞預訓練backbone的單視角能力。視錐掩碼基于相機標定限制注意力的物理可達范圍，管狀掩碼通過隨機遮擋強迫模型學習跨視角對應關系。配合可學習相機旋轉位置編碼，能滿足模型無本體、多視角的大規模訓練。
3. 階梯式思維鏈解碼：創新性地采用底層單次推理、高層并行展開的架構，既保留了思維鏈的離散可讀性（凍結 LLM 即可完整還原推理過程），又通過并行化大幅降低了解碼延遲，原生支持 KV-Cache，滿足機器人實時和可解釋。
4. WALL-WM 支持同一權重下的雙模式部署：事件模式輸出變長動作塊，適配帶外部規劃器的復雜場景；統一模式通過在線思維鏈生成，支持端到端實時控制。兩種模式可逐動作塊無縫切換，無需重新訓練。

多項基準測試表明，WALL-WM 在具身視頻生成、3D 感知和真機操作任務中均取得了領先成績。

坦白講，WALL-WM 在做的事看起來不像給機器人建模一個世界的范式那么性感，但卻是所有參與世界模型的人都在試圖回答的問題。用事件級給世界模型做切片，WALL-WM 留給產業的不單單是一個架構，而是一種思考思維，一種站在機器人的視角去看物理世界的思維，這將成為顛覆世界模型演變的一個新突破口。

更重要的是，WALL-WM 的金字塔數據結構中，有一層是UMI 風格的無本體采集，這就是自變量機器人全自研的XRZero-G0無本體數采設備。這表明自變量機器人已經做到了數據生產與模型訓練的雙向交叉驗證閉環，XRZero-G0 產出的數據質量直接決定了 WALL-WM 對物理世界的建模精度，而 WALL-WM 的訓練反饋又反過來持續迭代 XRZero-G0 的采集標準與質檢流程。這種自產自用、雙向打磨的模式，是那些依賴外部數據集的模型難以復制的優勢。

在這個所有人都急于證明自己的具身智能時代，我們見過太多炫酷的演示、驚人的參數和華麗的發布會。大多數公司都在努力做更外化、更容易被看見的 "秀"，讓機器人跑得更快、跳得更高、做出更有視覺沖擊力的動作。

但自變量機器人選擇了一條完全不同的路。它沒有去追逐那些容易吸引眼球的表層突破，而是沉下心來做最內隱也最核心的事：打造通用具身智能的大腦。從數據采集的底層鏈路，到 VLA 的預訓練可用，再到世界模型的思考范式，自變量做的每一件事，都在試圖回答 “具身智能到底應該是什么” 這個最根本的問題。

更難得的是，它沒有把這些最核心的技術成果藏起來。從 XRZero-G0 到 WALL-OSS-0.5，自變量將自己踩過無數坑才摸索出來的完整技術棧全部開源。它沒有把技術當作打擊對手的武器，而是當作推動整個行業前進的燃料。

這個行業從來不缺聰明的人，缺的是有格局的人。而歷史已經無數次證明，最終能贏得整個時代的，永遠是那些愿意為行業鋪路的人。