光速光合領投具身智能公司「自變量機器人」Pre-A++輪融資

繼投資了今年春晚最火爆的人形機器人公司宇樹科技之後，光速光合又將目光瞄準了機器人的“最強大腦”。

具身智能公司“自變量機器人（X Square Robot）”日前宣佈完成數億元Pre-A++輪融資，本輪融資由光速光合和君聯資本領投，北京機器人產業基金、神騏資本跟投。融資將用於下一代統一具身智能通用大模型的訓練與場景落地。

自變量機器人成立於2023年12月，致力於通過研發具身智能通用大模型，實現通用機器人。通用機器人的終極目標是像人一樣通過交互、感知和行動自主執行任務，並具備高效的泛化和遷移能力。而實現這一目標的核心，就在於機器人通用具身智能大模型。

光速光合合夥人蔡偉表示：“我們投資自變量機器人，是看重其在具身智能領域的領先技術佈局和差異化競爭力。公司自主研發的端到端具身通用大模型在泛化性和智能程度上在國內處於領先身位。我們相信，隨着具身智能成爲下一代機器人革命的核心，自變量機器人有望憑藉技術通用性、團隊執行力和產業資源整合能力，成爲全球賽道的重要參與者。”

具身智能可主要分爲大腦（認知與決策）和小腦（運動控制）。目前國內企業在探索不同發展路徑：部分專注於大腦，提升機器人語言理解與規劃能力；部分聚焦小腦，優化行走、抓取動作等運動控制；也有企業選擇大小腦統一的端到端路線。

統一端到端具身智能大模型是提升機器人泛化能力和適應能力的關鍵。傳統的分層架構雖能在特定任務上實現優化，但難以適應複雜環境的動態變化。而端到端方案，使機器人能夠從感知直接映射到運動，形成高效的反饋閉環，從而在多任務、多場景中具備更強的自主學習與適應能力。

光速光合合夥人朱嘉表示：“自變量機器人是國內端到端機器人大模型的領導者，不僅在模型泛化性上明顯領先，在研發工具鏈上也大量自研，這是過往成功的硬科技創業公司身上的共同特點。很有意思的是創始人王潛和Deepseek創始人樑文鋒都是做量化策略出身，期待自變量也能有機會成爲具身智能大腦領域的Deepseek。“

自變量從成立之初就選擇了“大小腦統一的端到端大模型”路線。公司創始人兼CEO王潛表示，真正的具身智能大模型，應當由一個模型覆蓋從感知信號輸入到動作輸出的完整過程，而不進行人爲地分層或模塊劃分。這纔是實現通用具身智能的真正解法。

而在國內，選擇端到端模型的廠商中，技術路線也有所分化：部分廠商選擇優先訓練特定任務或單一場景的小模型；自變量則從一開始採用多任務、大量場景訓練，以提升模型的通用性和適應能力。

王潛表示，目前業內對於明顯超過單一操作的複雜任務，所有較好的實現結果幾乎都是由具身智能大模型完成的。小模型爲每個任務設計特定的模型結構，往往只能執行最基本的單一操作，無法實現泛化。與之相反，大模型則重視如何通過工程化方式實現模型的scaling-up，直至達到完全通用。二者技術棧完全不同，依賴小模型的積累並不能有效遷移實現大模型。

通用性和泛化性是定義這一代具身智能技術最核心的要素。只有達到足夠的通用性、泛化性和可遷移性，才使得具身智能真正區別於傳統自動化，能實現在自由環境中，不受預設環境和預設物體限制的自由操作。

去年11月，自變量機器人宣佈實現了全球目前最大參數規模的具身智能通用操作大模型——Great Wall系列（GW）的WALL-A模型。該模型在通用性、泛化性上可以做到用極少的樣本，完成各種物理環境變量、動作模式的泛化和遷移，同時在長序列複雜操作上具有絕對優勢。

王潛表示，經過最近數月的迭代，WALL-A模型的能力已經與海外頭部科技公司Skild AI、Physical Intelligence處於同一水平線上，部分能力甚至強於對方。從任務複雜度層面來看，能夠完成例如拉拉鍊、整理衣物等精細操作，展現出在隨機環境中對複雜拓撲結構、複雜物理交互的強大適應性。從複雜任務的準確率來看，在疊衣服、晾衣服等複雜柔性操作中表現出色，數分鐘級別的任務成功率達到90%以上。

此外，自變量機器人的通用具身智能大模型，還能夠實現無需地圖和深度輸入的語義導航，並能基於視頻進行即時決策和實時指令跟隨，也具備自主環境探索能力。

創始人兼CEO王潛本碩畢業於清華大學，是全球最早在神經網絡中提出注意力機制的研究人員之一，博士期間曾在美國頂級機器人實驗室參與了多項Robotics Learning的研究，研究經歷涵蓋機器人操作和家庭服務機器人相關的幾乎所有領域。聯合創始人兼CTO王昊是北大計算物理博士，曾在粵港澳大灣區數字經濟研究院（IDEA研究院）擔任封神榜大模型團隊算法負責人，領導了國內第一個百億級大模型和最早一批千億級大模型之一Ziya的研發。