从WALL-A到WALL-B：VLA架构的局限与突破

自变量机器人从成立之初便聚焦于为机器人构建“大脑”，即端到端的具身智能基础模型。2024年底，公司发布基于VLA架构的第一代模型WALL-A。然而，在真实家庭部署中，团队发现VLA架构存在信息损耗、延迟且无法理解物理规律等问题。WALL-B正是对这一困局的回应，从底层架构到训练范式全面重写，实现了三项核心技术特征：

第一，原生多模态。 WALL-B从训练第一天起，即对视觉、听觉、语言、触觉、动作等多模态数据进行同步标注与联合训练，实现“多模态进、多模态出”。这种架构还首次赋予了模型“原生本体感”的能力——无需持续观察自身或依赖外部传感器，即可内在地感知自身空间尺寸，判断能否通过某个空间或触及某个物体。

第二，物理世界的“世界观”。 WALL-B能够感知并预测重力、惯性、摩擦力等基本物理规律。在从未见过的场景中——例如一个盘子一半悬空在桌沿外——模型可以推断出盘子掉落摔碎，从而采取预防动作，实现零样本泛化。

第三，与世界交互并自我进化。 WALL-B在失败后会调整策略再次尝试，若成功，则将经验直接更新到模型参数中，无需工程师重新训练或返回实验室。所有经验以原生多模态记忆的方式，通过类似人脑记忆的机制实现自我更新。

35天后，新一代机器人入驻真实家庭

目前，行业内大多数训练数据来自实验室——固定光照、固定位置、无干扰环境。王昊将这类数据比喻为“糖水数据”，干净但脱离真实。自变量选择了一条更艰难的道路：“牛奶数据”，即真实家庭环境中采集的嘈杂、多变、充满随机性的数据。

为了获取这类数据，自变量团队进入了数百个志愿者的真实家庭进行模型训练。综合来看，自变量的数据策略可总结为：实验数据打底，真实场景提质。实验室数据用于建立基本能力，真实家庭数据让模型学会在不确定环境中生存。真实随机、不可预测的现实数据所驱动的数据飞轮，才是真正的壁垒。

机器人进入家庭的同时，隐私问题不容回避。自变量给出了明确的解决方案：视觉脱敏、透明授权、用途限定，机器人在设备端对原始图像进行实时打码处理，原始图像不离开设备，机器人看到的已经是去除个人特征的场景数据。

王潜认为，家庭生活服务是一个巨大的且远没有被满足的市场。 “枯燥、重复的家务劳动占据了我们大量时间，而具身智能将通过技术让人从这些劳动中解脱出来。”他说：“机器人不仅能把事情做得更好，更能带来一种全新的生活方式。 这不是科幻，未来会逐步实现。”

但王潜特别指出，尽管进入家庭的机器人现在还很笨，走得很慢，经常犯错。但人类从婴儿时期迈出的第一步也是如此。每一个伟大的旅程，都是从踉踉跄跄的第一步开始的。 需要全社会给予家庭机器人更多的耐心与包容。如今，机器人已经在最复杂的地方开始了它学习和进化的征程。

模型一直在迭代，WALL-B的具体细节及生态基座，将于4月27日在深圳举办的首届广东省人工智能应用对接大会上全面亮相。（邢艳娇）