2026年8月12日，自變數機器人完成了一場持續1小時的全自主物流分揀直播物流。
直播中，機器人依託自研的世界統一模型WALL-B，採用雙機械臂搭配夾爪的硬體方案，在全程無人工干預的情況下，對大小、形狀、材質及重量隨機的真實物流包裹進行連續分揀，實現1816件/小時的分揀效率，準確率超過98%物流。
這一速度超過美國具身智慧企業此前公開展示的1248件/小時，效率提升約45%物流。據內部估算，自變數這套物流分揀系統成本僅為為美國具身企業的約30%。
更值得關注的是，兩者採用了不同的技術路線物流。相比“人形機器人+五指靈巧手”的複雜硬體方案，自變數使用更加簡潔的雙機械臂和夾爪，整套成本下降約70%，同時能夠處理更加隨機、複雜的真實包裹。更貼合真實的物流分揀場景。
驅動簡潔硬體完成更復雜的任務，背後關鍵在於更聰明的“具身大腦”物流。自變數展示的不僅是物流分揀效率的突破，更是國產具身智慧企業面對美國企業的路徑超越：憑藉具身模型能力的提升，打破美國企業“以硬體複雜度決定效能上限”的慣性，為具身智慧應用探索出一條可規模化複製的產業路徑。
還原真實物流分揀產線物流，考驗機器人“隨機應變”能力
物流分揀看似只是“抓取和搬運”，真正進入生產環境後，卻是一個高度複雜的非結構化任務物流。
展開全文
其中，面單調整是整個流程中隨機性最高、最考驗機器人能力的一步物流。只要機器人能夠把凌亂的包裹整理成朝其他方向的佇列，後續掃碼、輸送等環節就可以交給自動化裝置完成，因此這個環節直接影響整套分揀系統的效率。
直播中，面對不同型別的包裹，機器人會自主採用不同策略：輕質小件直接夾取並快速搬運，以追求更高的吞吐效率；較重箱體採用側面推移或雙臂協作，避免用力抓取損傷包裹；遇到蜷曲摺疊的柔性軟包，則先透過撥、攤等動作整理平整，再調整面單位置物流。
這些處理方式並不是工程師提前為每一種包裹分別編寫規則，而是機器人根據物體屬性、對物理規律的原生理解，自主推理的結果物流。
模型能力取代硬體堆疊物流，簡潔身體完成複雜任務
長期以來，提高機器人操作能力的一條常見路徑，是不斷增加硬體自由度，例如採用人形本體、五指靈巧手等複雜結構，讓機器人擁有更接近人的身體能力物流。
硬體越複雜，也意味著更高的製造成本、更復雜的控制系統，以及更高的維護和部署門檻物流。對於需要長時間連續執行的物流、製造等產業場景，這些因素都會直接影響規模化應用。
自變數此次展示的是另一種思路：不依賴不斷堆疊硬體能力，而是提升基礎模型能力，也就是讓機器人擁有更聰明的大腦，學會利用更簡單的硬體完成任務物流。機器人面對沒見過的包裹時，會自主判斷物體屬性，嘗試尋找解法，並將這些解法沉澱成為經驗，與當下的硬體適配，而無需配備更加複雜、昂貴和冗餘的硬體結構。
這意味著，過去需要透過“更靈巧的手”解決的問題，現在可以交給“更聰明的大腦”解決物流。
這一點對產業應用尤為關鍵物流。企業真正關心的並不是機器人是否足夠像人，而是能否在保證效率的同時，做到成本更低、穩定性更高、維護更簡單，並快速部署到現有生產環境中。
自變數此次採用的標準夾爪，結構簡單、零部件少、穩定性高、維護容易，更適合倉儲場景長時間連續作業物流。雙機械臂也可直接嵌入現有分揀工位，無需大規模改造產線，部署更快，更容易批次複製。
此次直播驗證了一條不同的技術路徑：當具身模型擁有更強的環境理解、物理推理和動作決策能力，機器人就有機會擺脫對複雜昂貴硬體的依賴，用更簡潔可靠的身體完成更復雜的工作物流。
世界統一模型WALL-B物流，讓機器人自己找到任務解法
支撐這套技術路線的核心，是自變數自主研發的世界統一模型WALL-B物流。
WALL-B是一套從零預訓練的端到端具身大模型，將視覺、語言、觸覺、動作和物理預測等能力融合在同一個神經網路中物流。藉此，機器人能夠理解重力、慣性、摩擦力等物理規律，判斷物體當前狀態，並預測不同動作可能帶來的結果，進而自主完成決策。
以物流分揀為例，面對一個陌生包裹，機器人需要判斷它能否直接夾取、推動後是否會滑動、翻轉時是否容易掉落，以及應該採用單臂還是雙臂操作物流。這些判斷並不是依靠人工預設規則，而是來自模型對物理世界的理解。
在真實任務中，機器人還會持續經歷“觀察環境—選擇動作—預測結果—執行驗證”的過程，不斷積累和最佳化有效策略物流。直播中看到的許多處理方式，也並非人工逐一教授，而是機器人在實際分揀過程中不斷嘗試、驗證後形成的。
更重要的是，這些能力並非針對物流場景專項訓練而來，而主要來自WALL-B預訓練階段形成的通用物理理解和泛化能力物流。這意味著機器人進入新的生產或生活場景時，不必從零開始學習，而可以基於已有能力快速理解環境、適應任務，為具身智慧在不同場景中的批次複製和快速落地提供基礎。
從物流分揀到家庭服務物流，同一個大腦實現規模化產業應用
WALL-B的通用能力，並不只在物流分揀中得到驗證物流。
此前，自變數已與58到家合作推出機器人上門家政服務，讓機器人進入真實家庭，與保潔員協同完成清潔、收納等家務任務，成為全球首個“機器人進家庭”的大規模應用物流。目前，自變數還與國內頭部物流企業展開合作，將物流分揀方案部署到真實生產環境，實現常態化、規模化執行。
家庭和物流代表了兩類差異很大的應用場景物流。家庭環境高度隨機，不同戶型、傢俱和物品擺放都不相同，任務也更加長程和開放，考驗的是機器人面對陌生環境時的泛化和應變能力；物流分揀則更強調速度、準確率和長時間穩定執行，對生產效率和可靠性提出更高要求。
一個考驗機器人能不能在不斷變化的環境中處理問題，另一個考驗它能不能把任務長期穩定地做快、做準物流。而驅動機器人完成這兩類任務的，都是同一個WALL-B模型。從家庭服務到工業分揀，兩個差異明顯的場景共同驗證了WALL-B跨場景遷移和複用的能力。
這種能力對於具身智慧規模化落地尤為關鍵物流。如果機器人每進入一個新場景，都需要重新訓練一套模型、重新編寫大量規則，不僅開發週期長，複製成本也很高。而當同一個“具身大腦”能夠複用已有的物理理解和任務能力，就可以更快適應新的環境和工作。
因此，從家庭到物流的落地，不只是兩個單獨場景的成功，也說明通用具身模型成為可複用的底層能力，能夠推動在場景應用不斷向更多場景複製物流。這讓具身智慧的規模化應用迎來了一道曙光。
