機器人“投身”家庭保潔 具身智能邁向家庭“終極考場”

近日，在北京市海淀區(qū)中關(guān)村大街一座大廈內(nèi)的便利店，機器人將抓取好的飲料交給顧客。 新華社記者 任超 攝

當58到家的保潔阿姨按下門鈴時，她的身邊多了一位新“同事”：一臺由具身智能企業(yè)自變量研發(fā)的機器人。隨著房門打開，全球首個機器人保潔員“上崗”入戶，與保潔阿姨協(xié)同作業(yè)完成家庭保潔。

記者了解到，目前機器人保潔員已先后在深圳、北京等地累計服務近百個家庭。這也意味著機器人從實驗室和工業(yè)場景來到了更為復雜的家庭場景，為攻克具身智能應用“最后一公里”邁出了真實一步。

“實習保潔員”的一小步

機器人的一大步

深圳市民陳果（化名）是呼叫機器人保潔員上門服務的首批體驗者：她通過58同城App預約了國產(chǎn)機器人上門的智能保潔服務。“確實很新奇，一開始還有點擔心機器人做家務活會做不好。”

在3小時的服務中，陳果觀察到，機器人不僅能在客廳和廚房間順暢行走，還能負責清理垃圾、收拾桌面、清潔收納等任務。“這臺機器人干活還挺穩(wěn)，人機配合很高效，比預期中好得多。”

在家庭服務場景中，人機協(xié)作分工明確：保潔阿姨主要承擔與客戶溝通、現(xiàn)場判斷以及更復雜的深度保潔工作，機器人作為得力助手，主要負責客廳區(qū)域的收納和基礎(chǔ)清潔。

作為“實習保潔員”進家入戶，對機器人來說已是顯著的進步。因為家庭是一類具有極高復雜性、非標準化特征的開放場景，被認為是檢驗通用機器人技能的“終極考場”。智元機器人合伙人、高級副總裁王闖認為，普通百姓可能期待機器人直接進入家庭干活，但家庭場景實際上落地難度最高，需解決安全性、成本、復雜任務泛化性、作業(yè)成功率及避免破壞物品等諸多難題。

正因如此，為使機器人在家庭場景中更穩(wěn)定地干好精細活，需要更優(yōu)的預訓練，這對機器人的“大腦”——模型能力提出了更高要求。一位參與技術(shù)研發(fā)的工程師打了個比方：工業(yè)機器人像循規(guī)蹈矩的實習生，每一步都按手冊操作；而家庭機器人需要像一個有常識的成年人，即使遇到?jīng)]見過的情形也能隨機應變。

應用于家庭場景的機器人，一直是具身智能領(lǐng)域公認的“最后一公里”。36氪研究院發(fā)布的《2026年具身智能產(chǎn)業(yè)發(fā)展研究報告》提出，人形機器人產(chǎn)業(yè)發(fā)展的核心突破口在于機器人大腦的“演進”。宇樹科技創(chuàng)始人王興興也不止一次公開表達過，機器人當下及未來最關(guān)鍵的挑戰(zhàn)在于大模型，足見具身智能模型能力提升的急迫。如果說硬件決定了機器人能不能動，那么大模型決定了它能不能“聰明”地動——而這恰恰是目前全球業(yè)界共同的瓶頸。

大腦進化關(guān)鍵在于處理“未見場景”

用于家庭場景的機器人應當擁有怎樣的大腦？

“真正的智能機器人難點不在于單一動作的重復，而在于能不能在隨機環(huán)境下做出全新的沒有被訓練過的動作。這要求基礎(chǔ)模型必須具備高度的泛化性、準確性，能應對足夠復雜的任務。”自變量機器人CEO王潛介紹，為此自變量研發(fā)了具身智能基礎(chǔ)模型Wall-B。

縱觀全球多數(shù)具身智能企業(yè)，VLA（視覺-語言-行動）架構(gòu)是當前具身智能領(lǐng)域的主流方案，其結(jié)構(gòu)清晰：視覺模塊負責“看”，語言模塊負責“理解”，動作模塊負責“做”。三個模塊各司其職，數(shù)據(jù)依次傳遞。然而這一架構(gòu)具有天然缺陷：數(shù)據(jù)在模塊之間每傳遞一次，就會發(fā)生一次信息損耗和延遲。視覺模塊“看到”的豐富空間信息，傳到動作模塊時，往往只剩一個模糊的摘要。而且VLA只能“模仿”訓練數(shù)據(jù)中的軌跡，并不理解杯子為什么會掉，也不理解為什么盤子懸在桌邊需要推回去。

王潛說，Wall-B不是一個只會背標準答案的大腦。“它包括三方面能力：一個是以感知和理解，代替死記硬背標準答案的動作模仿。第二種能力是舉一反三，不是每一個動作或場景都需要歷史數(shù)據(jù)或‘老師’教。第三是實時調(diào)整的能力，做錯動作之后可以馬上調(diào)整正確，以高效完成任務。”

具體而言，Wall-B將視覺、語言、動作、預測四方面的能力統(tǒng)一放在同一個架構(gòu)里進行訓練。這意味著模型不再是“看了再想、想了再做”的串聯(lián)模式，而是能同時處理多種信息流。因此模型能夠?qū)ξ锢硎澜绲闹亓ΑT性、摩擦等規(guī)律有更精確的認知和感受——比如它知道一個空紙杯比一個裝滿水的杯子更容易被碰倒，也知道光滑的地板上剎車需要更長的距離。這種對物理常識的內(nèi)化，使得模型對數(shù)據(jù)的處理更加高效準確，而且能夠應對從沒見過的場景。

例如，在一次真實家庭服務中，機器人第一次遇到一個底部帶有吸盤的杯墊。它沒有經(jīng)過專門訓練，但通過視覺識別和物理推理，意識到需要稍微用力才能拿起杯子。這種“現(xiàn)場推理”能力，正是Wall-B區(qū)別于傳統(tǒng)VLA模型的關(guān)鍵所在。

拿得掉遙控器

還要離得開人

今年以來，具身智能邁入應用快車道。2026年政府工作報告中，具身智能被明確列為需要培育壯大的未來產(chǎn)業(yè)之一。同期，工業(yè)和信息化部正式發(fā)布的《人形機器人與具身智能標準體系（2026版）》，為行業(yè)規(guī)范化、規(guī)模化發(fā)展提供了頂層設(shè)計。

記者注意到，目前不論工業(yè)機器人還是用于商業(yè)場景的機器人，大部分依然依賴于遙操作，或者需要人的現(xiàn)場“指揮”。這意味著機器人的功能還停留在被動執(zhí)行而非主動行動層面。拿得掉遙控器，機器人才能真正獨立；離得開人，它才算擁有了自己的“大腦”。

除大腦不夠智能之外，數(shù)據(jù)也是相當關(guān)鍵的制約因素。再好的算法模型，如果沒有海量、高質(zhì)量、貼近真實場景的數(shù)據(jù)去訓練，都會淪為“紙上談兵”。

因此，讓人形機器人進入實戰(zhàn)場以提升數(shù)據(jù)質(zhì)量，已成為業(yè)內(nèi)共識。王興興在2026人形機器人與具身智能標準化年會上說，通過模仿學習采集真人數(shù)據(jù)，機器人才有望掌握人類的各類動作。中國科學院自動化研究所研究員趙曉光稱，實訓場就像機器人上崗前的“實訓課堂”，通過由簡到繁的系統(tǒng)訓練，讓機器人掌握解決實際問題的能力。

然而，目前行業(yè)大多數(shù)訓練模型的數(shù)據(jù)來自實驗室：固定光照、固定物體位置、無干擾環(huán)境。但這一環(huán)境與真實世界有著顯著差距，尤其與家庭中隨時變化的自然光、隨意擺放的物品、孩子和寵物的隨機動作截然不同。在實驗室里表現(xiàn)優(yōu)異的模型，一旦面對真實家庭的“混亂”，準確率可能從90%驟降到60%以下。

機器人保潔員每次完成任務后，都會將脫敏后的感知數(shù)據(jù)和操作數(shù)據(jù)回傳至訓練平臺。這些來自真實場景的“一手經(jīng)驗”，成為模型迭代最寶貴的養(yǎng)料。“訓練的數(shù)據(jù)包括兩個部分，我們用實驗室的數(shù)據(jù)去幫助它建立基本能力，用真實場景的數(shù)據(jù)讓模型學會真正的生存。”王潛說。

接下來，搭載Wall-B的新一代具身智能機器人將更大批量進入多個城市的家庭場景，并加快訓練、增強能力，使機器人盡快成為人類的家庭成員與好幫手。可以預見，在不遠的將來，當我們聽到門鈴開門，迎接一位機器人保潔員進門服務，或許會像今天看到掃地機器人一樣習以為常。（記者 吳蔚 張漫子)

來源：經(jīng)濟參考報