10個億，機器人賽道開年第一大融資來了

作者丨好好

編輯丨小龍

圖源丨自變量機器人官網

1月12日，自變量機器人完成A++輪融資，金額為10億元人民幣。字節跳動、紅杉中國、深創投等頂級機構領投。

圖片來源：自變量官網

自變量成立于2023年12月，自成立以來，兩年時間完成9輪融資。總金額超30億元，估值從天使輪的2億元快速攀升至A++輪后的100億元，實現50倍增長。

兩年前，具身智能對公眾而言還是一個相當陌生的術語。它不同于傳統工業機器人基于預設程序執行任務，而是指能通過“大腦”（智能模型）理解環境、自主決策的智能機器人。

如今，整個行業正迎來拐點。高工機器人產業研究所數據顯示，2025年國內具身智能產業鏈發生144次融資事件，融資金額達195億元，平均單筆融資規模達到1.35億元。

自變量自創立之初就選擇了技術難度極高的“端到端通用具身智能大模型”路線。這與傳統機器人分模塊、單任務優化的技術范式截然不同，目標是打造一個能統一處理感知、規劃與控制的機器人“大腦”。

光速光合合伙人蔡偉認為，這種路徑一旦突破，將實現機器人在廣泛場景下的泛化能力，從而定義下一代機器人的智能標準。盡管這條路投入大、周期長，但資本認為這是通往通用機器人的關鍵橋梁。

更引人注目的是，自變量成為國內唯一同時獲得字節跳動、阿里巴巴、美團三家互聯網巨頭投資的具身智能企業。這不僅是財務投資，更意味著戰略協同：美團的本地生活場景、阿里的云算力生態、字節的內容與流量，為自變量未來的技術落地提供了無與倫比的場景和數據資源。這種“稀缺生態位”是其他競爭對手難以復制的獨特優勢。

01從“注意力機制”到具身智能的“造夢者

創始人王潛出生于1988年，童年時期的夢想是成為像愛因斯坦一樣的物理學家，但這一想法在高中階段發生了轉變。他認為，現代物理學研究到達前沿所需的時間周期過長，而人工智能領域則提供了更直接的路徑，去實現一個更為核心的追求：創造出能夠擴展人類能力邊界的機器。這一理念貫穿了他之后的學術與職業生涯。

自變量機器人創始人兼CEO 王潛

王潛的學術路徑始于清華大學，他在那里完成了本科與碩士學位。之后，王潛赴美國南加州大學攻讀博士學位，并在美國頂尖的機器人實驗室進行博士后研究，專注于機器人學習與人機交互。在此期間，他在神經網絡中引入注意力機制（Attention Mechanism）的早期探索，與谷歌同期發表的研究共同預示了后來以Transformer架構為代表的技術變革。

博士畢業后，王潛并未立即投身機器人產業，而是在美國創立并運營了一家量化基金公司。然而，對機器人事業的未竟之感始終縈繞。2023年，在看到大語言模型取得突破后，他判斷實現通用機器人的技術路徑已現曙光，同時考慮到中國在硬件供應鏈與數據成本方面的綜合優勢，他解散了基金，回國在深圳創立了自變量機器人。

在創立公司后，王潛在產品與經營層面做出了一系列關鍵決策，引領了公司的發展。這些決策緊密圍繞他所堅信的“物理世界基礎模型”這一核心展開。他堅定地選擇了在當時尚屬非主流的“端到端統一VLA大模型”技術路線。

在他看來，傳統分層模型如同“搭積木”或“傳話游戲”，模塊間的誤差會不斷累積，而端到端模型則能讓機器人像人一樣“看見、思考、行動一氣呵成”，這才是實現通用智能的關鍵。即便早期有專家質疑這“可能永遠只是個玩具”，他仍基于長期研究經驗堅持這一路徑。

為了喂養這個獨特的“大腦”，王潛制定了與眾不同的數據策略。他明確表示：“所有涉及到復雜物理交互（如接觸豐富的手部操作）完全不使用仿真數據。” 他認為，具身智能的核心競爭力在于高質量的真實世界數據。因此，公司投入大量資源自研數據采集設備，構建以真實數據為主的多元數據集，因為“數據質量的重要程度高于數據數量”。這一策略確保了模型能在復雜的物理隨機性中可靠進化。

在商業化路徑上，王潛直言當時常見的“人形機器人進工廠干簡單重復性工作”在某種程度上是“一個PR行為”。他認為，工業場景往往“避開了模型最擅長的部分”，而服務業和家庭場景中存在的復雜長序列任務，才是通用大模型的價值所在和真正市場。因此，他規劃了從To B場景切入，最終面向家庭市場的路徑，并預測“3-4年會出現早期產品”。同時，他推動公司走向“軟硬一體”，因為機器人需要軟硬件高度耦合，這是他認為“最合理的商業模式。

02從“編程軀體”到“智能體”的行業演變

具身智能行業的發展，本質上是機器“軀體”與“大腦”不斷融合、智能范式持續升級的過程。

早期的自動化時代由發那科、庫卡等傳統工業機器人巨頭定義，它們依靠高精度編程在結構化場景中作業。進入21世紀10年代，隨著深度學習興起，機器人開始通過傳感器“感知”世界，波士頓動力（Boston Dynamics） 成為這一時期的明星，其Atlas機器人憑借先進的驅動與控制技術，將機器人的運動性能推向極致。

真正的范式革命發生在2022年之后，大語言模型的突破為機器人注入了常識與推理能力，行業競爭焦點從“軀體”轉向“大腦”。以特斯拉為代表，將其在自動駕駛中驗證的端到端神經網絡技術遷移至Optimus人形機器人；美國的Figure公司則展示了如何用自然語言直接控制機器人完成泛化操作。在這一最新范式中，自變量機器人自成立起便旗幟鮮明地選擇了最前沿的“完全端到端”路徑，旨在打造直接理解物理世界并輸出行動的智能“大腦”。

關于“智能體”，國內領先的機器人公司普遍采用“以終為始”的策略，從“車間”反推“大腦”。其技術研發緊密圍繞明確的商業化場景展開，追求在特定高價值領域實現快速閉環和部署。

自變量致力于把“理想主義”工程化。創始人王潛堅信，具身智能的終局是創造一個能理解并自主適應物理世界的“大腦”。他曾闡述：“我們堅持端到端路徑，是希望機器人能像人一樣，看見、思考、行動一氣呵成，而不是玩一個誤差會不斷累積的‘傳話游戲’。”為此，自變量構建了獨特的“真實數據閉環”，其開源的 WALL-OSS 模型在第三方測評中已展現出不俗的泛化能力。投資者如光速光合的蔡偉看好其“定義下一代機器人智能標準”的潛力，但這條高難度路徑的商業化正處于從技術驗證到小規模量產的關鍵爬坡期。

智平方則是追求“商業信仰”落地。與自變量的技術信仰形成對比，智平方展現了極強的商業驅動特性。其創始人曾表示，公司的邏輯是“技術信仰與商業理性的合二為一”。這直接體現在其彪悍的戰績上：其自研的GOVLA模型已成功落地于半導體顯示行業，并獲得了來自惠科（HKC）的超1000臺、價值近5億元的訂單。這意味著其“大腦”已經過嚴苛工業環境的檢驗，并創造了清晰的經濟價值。

相比之下，國外頭部創業公司獲得了更為充裕的資本支持，其目標往往更宏大，致力于打造不依賴特定硬件的、平臺級的通用智能體，商業化節奏相對從容。

由OpenAI等機構投資的PI，是純軟件路線的代表。其創始人Karol Hausman明確表示：“我們正在構建一個適用于任何機器人身體的通用大腦。”他們的模型 π*0.6 在復雜操作任務中取得了突破性成功率。投資者押注的是其成為機器人領域“操作系統”的遠期潛力。

圖片來源：Skild AI

Skild AI則構建了一個超大規模的仿真訓練場，讓機器人在虛擬世界中完成“相當于一千年”的訓練。其聯合創始人形容他們的目標是創造“機器人的基礎模型”。這種路徑的優勢在于能高效、低成本地獲取海量訓練數據，為機器人智能提供廣闊的“想象力”空間。

全球機器人“大腦”的競賽已形成“東方務實，西方務遠”的雙線敘事。國內戰局已進入“刺刀見紅”的實戰階段，勝負手在于能否在高價值工業場景中，證明技術能創造不可替代的經濟效益。而國外戰局仍處于定義未來的“黃金實驗期”，其探索將不斷拓寬技術天花板，但最終也需回答商業化的考題。

兩條路徑孰優孰劣尚無定論，但它們的碰撞與融合，正共同加速通用具身智能時代的到來。

本文為創業邦原創，未經授權不得轉載，否則創業邦將保留向其追究法律責任的權利。如需轉載或有任何疑問，請聯系editor@cyzone.cn。