一台機器人為了分快遞，真的需要兩條腿和十根手指嗎？自變數機器人（以下簡稱“自變數”）給出的答案是：不需要。在最近的一場直播中，自變數將一台雙臂機器人置於傳送帶前，僅配備工業中最常見的標準夾爪，面對大小、重量、材質和朝向完全隨機的真實物流包裹，連續執行一小時，完成了1816件有效分揀。按短時吞吐量計算，這一成績超過了Figure 03此前連續執行200小時創下的1248件/小時標杆，幅度達45%。
兩家公司看似在執行相同的任務，但硬體路線截然不同。Figure 03擁有完整人形身體和五指靈巧手，而自變數則去掉了分揀用不到的腿和手指，將任務交給兩條機械臂和夾爪。據公開資訊，自變數方案的成本下降了70%，分揀準確率超過98%。這一對比凸顯了具身智慧領域兩條技術路線的分歧：是繼續堆砌硬體自由度，還是將更多複雜度融入底層模型。
分揀任務看似簡單，實則蘊含人類通過進化習得的複雜能力。機器人需要識別包裹的大小、形狀、材質和擺放姿態，判斷抓取位置和力度，規劃移動路徑，甚至處理面單方向錯誤的包裹。在此次直播中，包裹種類混雜，包括紙箱、軟袋、圓柱形快件和泡沫封裝生鮮件，大小、重量和朝向完全隨機，基本還原了物流倉庫的雜亂狀態。配備通用具身智慧大模型WALL-B的機器人，會根據每個包裹的屬性臨時選擇處理方式：輕小快遞袋直接抓取搬運，大紙箱則切換雙臂協作託舉或側推，調整面單時小件利用慣性快速翻轉，重箱分步改變姿態，易變形的軟包先撥開攤平再校準。整個過程連續執行，無人工介入，無故障停機。
WALL-B模型是自變數的核心技術。2026年4月釋出時，它採用了世界統一模型架構（WUM），將視覺、語言、動作以及對物理變化的預測放在同一網路中聯合訓練。模型不僅要決定機器人如何動作，還要預測動作對周圍物體的影響——比如夾爪合攏時軟袋是否會滑走，側推箱子時它會平移、旋轉還是翻倒。這種預測能力讓標準夾爪能夠組合出夾、推、撥、攤和雙臂託舉等策略，彌補了硬體自由度的不足。
自變數選擇這條路線，源於對硬體堆疊弊端的反思。增加關節和感測器固然能提升抓取能力，但也會推高成本、增加控制難度和故障機率。一隻五指靈巧手包含大量精密部件，在7×24小時運轉的倉庫中，每個零部件都可能成為故障點。自變數則讓硬體保持簡潔，把複雜度交給模型。值得注意的是，自變數並非沒有靈巧手技術——2025年它曾釋出單手20個自由度的五指靈巧手，但此次選擇夾爪是出於實際應用考量：對長期守在傳送帶旁的機器人，倉庫沒有必要為走路、平衡和十根手指付費。
自變數的落地路徑始於家庭場景，這被視為具身智慧的“終極考驗”。家庭任務分散、環境多變，機器人無法依賴預設程式，必須在真實環境中不斷觀察和調整。自變數已成為全球首個將具身機器人規模化帶入普通家庭的企業。2024年底釋出第一代端到端基礎模型WALL-A後，機器人陸續進入養老院和家庭，完成折毛巾、整理桌面等任務。2026年，自變數與58到家推出可預約的智慧保潔服務，機器人與保潔員共同上門，負責客廳收納、擺放鞋子、清理垃圾等，成為全球首個規模化進入家庭的具身企業。WALL-B正是在這些隨機、碎片化的環境中驗證和迭代，其積累的視覺理解、空間推理和物理預測能力，為物流分揀奠定了基礎。
同一套模型跨越家庭與工業，意味著能力可以複用。進入新場景時，開發成本大幅降低——模型像“通才”一樣，將第一條產線的能力遷移到其他產線，後續只需適配硬體和流程。當一套方案能從單個工位複製到上百個工位，企業關注的重點轉向每小時處理量、部署週期、故障率和回本週期。只有當單工位投入、持續吞吐、維護成本和回本週期進入可接受範圍，機器人才能從專案交付走向規模採購。這條成本線，被視為具身智慧商業落地的“斬殺線”。
此次反超Figure 03，被一些觀察者視為具身智慧的“DeepSeek時刻”。兩個月前，Figure 03用200小時直播證明人形機器人能長時間在倉庫工作；自變數則證明，只要模型足夠聰明，複雜任務可以交給更簡單、更便宜、更耐用的身體。這類似於DeepSeek在大模型領域用低成本交付強能力，自變數將這條路線帶入物理世界：讓模型承擔更多複雜度，硬體只保留任務所需。過去判斷機器人先進與否，常看它能否跑半馬或完成精細手工；進入真實產業後，所有能力最終要換算成效率、成本、穩定性和複製速度。未來的機器人或許不會更像人，但會更像一個使用者願意買單的夥伴。