具身智能公司自變量4月21日發(fā)布世界統(tǒng)一模型WALL-B WorldUnified Model，WUM。

當(dāng)天發(fā)布會(huì)上，自變量宣布推出全球首個(gè)基于世界統(tǒng)一模型架構(gòu)的具身智能基礎(chǔ)模型WALL-B，并宣布35天后搭載該模型的新一代機(jī)器人將首批入駐真實(shí)家庭。

自變量創(chuàng)始人兼CEO王潛以日常場(chǎng)景開(kāi)場(chǎng)：“拖鞋不知踢到哪里，廚房的碗還沒(méi)洗，孩子的書(shū)包扔在地上，貓打翻了一杯水。”這幅畫(huà)面揭示了家庭環(huán)境的隨機(jī)與碎片，目前全球沒(méi)有任何一臺(tái)機(jī)器人可以在無(wú)遙控操作的情況下獨(dú)立完成上述場(chǎng)景中的綜合整理任務(wù)。王潛表示，機(jī)器人進(jìn)入家庭被視為這個(gè)時(shí)代最難的技術(shù)問(wèn)題之一。

2024年底，公司發(fā)布基于VLA (Vision-Language-Action)架構(gòu)的第一代具身基礎(chǔ)模型WALL-A，隨后，輕量化模型版本W(wǎng)ALL-OSS開(kāi)源。應(yīng)用方面，自變量與58同城合作，將搭載WALL-AS模型的機(jī)器人送入真實(shí)家庭，與保潔阿姨協(xié)同作業(yè)，實(shí)現(xiàn)全球首次機(jī)器人在C端復(fù)雜環(huán)境的大規(guī)模落地。

正是這些真實(shí)家庭的部署，讓團(tuán)隊(duì)看到了VLA架構(gòu)的“天花板”。聯(lián)合創(chuàng)始人兼CTO王昊解釋道，VLA架構(gòu)本質(zhì)上是視覺(jué)（Vision）、語(yǔ)言（Language）、動(dòng)作（Action）三個(gè)獨(dú)立模塊。數(shù)據(jù)每經(jīng)一次模塊邊界就產(chǎn)生信息損耗和延遲。模型只能模仿軌跡，無(wú)法理解物理世界的規(guī)律。

WALL-B 正是對(duì)這一困局的回應(yīng)。它不是WALL-A的下一個(gè)版本，而是一次從底層架構(gòu)到訓(xùn)練范式的全面重寫(xiě)。

從“VLA”到“統(tǒng)一整體”

WALL-B真正區(qū)別于行業(yè)其他方案的核心，是從VLA到WUM的架構(gòu)革命。

在機(jī)器人領(lǐng)域，VLA面臨困境。視覺(jué)、語(yǔ)言、動(dòng)作模塊各自為政，數(shù)據(jù)搬運(yùn)產(chǎn)生的延遲和損耗成為性能瓶頸。視覺(jué)學(xué)到的信息傳到動(dòng)作模塊時(shí)，只剩下一個(gè)模糊的摘要。

WALL-B的WUM架構(gòu)將視覺(jué)、語(yǔ)言、動(dòng)作、物理預(yù)測(cè)等能力放在同一個(gè)網(wǎng)絡(luò)從零開(kāi)始訓(xùn)練，消除模塊間的邊界和數(shù)據(jù)搬運(yùn)損耗。

王昊介紹，WALL-B具備三個(gè)核心技術(shù)特點(diǎn)，能夠讓機(jī)器人更適配家庭場(chǎng)景。一是原生多模態(tài)，模型不需要通過(guò)“傳話(huà)”的方式在不同模塊間轉(zhuǎn)譯信息，比如看到杯子的同時(shí)就能準(zhǔn)備伸手；二是具備物理世界“世界觀”，能夠感知并預(yù)測(cè)重力、慣性、摩擦力、速度等基本物理規(guī)律，利用對(duì)基本物理常識(shí)的理解來(lái)應(yīng)對(duì)新場(chǎng)景，不需要針對(duì)每個(gè)家庭重新訓(xùn)練；三是與世界交互并自我進(jìn)化，這種機(jī)制使模型在真實(shí)環(huán)境中完成自我迭代，無(wú)需工程師重新訓(xùn)練，無(wú)需人工注入新數(shù)據(jù)，無(wú)需返回實(shí)驗(yàn)室。

王昊將其類(lèi)比為人類(lèi)學(xué)習(xí)使用筷子的過(guò)程，筷子掉了無(wú)數(shù)次，但每一次失敗都在調(diào)整手上的控制，最終形成穩(wěn)定的技能。WALL-B克服了Transformer 架構(gòu)難以進(jìn)行長(zhǎng)期內(nèi)化記憶的問(wèn)題，所有經(jīng)驗(yàn)以原生多模態(tài)記憶的方式，通過(guò)類(lèi)似人腦記憶的機(jī)制實(shí)現(xiàn)自我更新。

從“糖水”到“牛奶”

目前，行業(yè)內(nèi)大多數(shù)訓(xùn)練模型的數(shù)據(jù)來(lái)自實(shí)驗(yàn)室中的固定、無(wú)干擾環(huán)境。王昊將這類(lèi)實(shí)驗(yàn)室數(shù)據(jù)比喻為“糖水?dāng)?shù)據(jù)”，在真實(shí)環(huán)境中會(huì)迅速失效。與之相對(duì)，自變量團(tuán)隊(duì)將進(jìn)入數(shù)百個(gè)志愿者的真實(shí)家庭采集的數(shù)據(jù)比喻為“牛奶數(shù)據(jù)”，嘈雜、多變、充滿(mǎn)隨機(jī)性。自變量的策略為實(shí)驗(yàn)數(shù)據(jù)打底，真實(shí)場(chǎng)景提質(zhì)，讓模型學(xué)會(huì)在不確定環(huán)境中生存。真實(shí)隨機(jī)、不可預(yù)測(cè)的現(xiàn)實(shí)數(shù)據(jù)所驅(qū)動(dòng)的數(shù)據(jù)飛輪，才是真正的壁壘。

在商業(yè)化落地方面，自變量的時(shí)間表也已經(jīng)明確。35天后，新一代搭載WALL-B，并根據(jù)家居環(huán)境進(jìn)行硬件升級(jí)的新一代機(jī)器人將入駐首批用戶(hù)的家庭。針對(duì)隱私問(wèn)題，自變量團(tuán)隊(duì)明確給出承諾，機(jī)器視覺(jué)脫敏、用戶(hù)主動(dòng)授權(quán)、用途限定不共享第三方。王潛指出，當(dāng)前模型仍處于“實(shí)習(xí)生”階段，會(huì)犯錯(cuò)，需要遠(yuǎn)程協(xié)助，但其能夠?qū)崿F(xiàn)24小時(shí)不間斷工作，且每工作一天都會(huì)因新數(shù)據(jù)的產(chǎn)生而變得更“聰明”。

即日起，自變量開(kāi)始招募首進(jìn)家庭機(jī)器人的家長(zhǎng)，用戶(hù)可通過(guò)官方渠道提交申請(qǐng)。