机器人走进家庭第一步，先给保洁阿姨打下手

一直以来，家庭与工业是机器人落地的两大主流场景，但前者因环境高度非结构化、场景多元且不可控，增加了机器人实操难度，更多厂商选择优先从数据更标准化的工业场景入手。

与主流路线不同，通用机器人初创公司自变量自创立便明确了家庭场景的重要性，2025年披露家庭与工业场景双线推进的战略规划，试图平衡技术创新与业务造血，同步推动具身基础模型更新。

4月21日，自变量发布自研具身智能基础模型WALL-B，解释家庭场景对数据飞轮与具身模型训练的意义，并披露将与58同城合作，将机器人送入真实家庭，与保洁阿姨协同作业，获取高价值、高真实度的交互数据反哺模型训练。

机器人进家庭的难点

对于两大场景的侧重，采访中，自变量创始人王潜对第一财经记者表示，工业与家庭是两类非常极端的场景，数据获取方法、任务难度等要素都不同。

家庭端更侧重预训练，即基础模型的技术能力；工业端更多是后训练，比如通过强化学习或其他方式让机器人跑得更快，效率更高。但这两个场景不是对立的两件事，并非将全部资源放置在一个场景就能做到最好。王潜认为，只要拥有足够好的基础模型，后训练就有可能提高能力。

即便如此，更多厂商还是选择优先从工业端入手，核心原因便是机器人目前进家庭，难度仍过高。

智元机器人总裁彭志辉表示，进家庭很复杂，1000个家庭就有1000种环境、成员状态和任务，还涉及亲密的人机交互，安全性要求比工厂高不止一个维度，工厂里最多做坏零件，家里出事故就可能伤人。所以智元对家庭场景的策略是遵循技术规律，先易后难，先把工厂装配等成熟度角度的场景落地，把本体规格做成熟、成本通过规模降下来，为进家庭打基础。

沂景资本董事总经理李佳同样看好家庭场景的落地，但眼下如果做选择，他也会先从工业入手。李佳对记者表示，家庭场景对于机器人来说，是最重要的真实场景数据反馈来源。家庭环境是非结构化、高个性化的复杂场景，能够为算法迭代、交互优化、行为决策提供大量的真实数据。家庭数据更能推动技术从可用走向好用，对企业长期技术积累和产品迭代具有重要意义。

但相对来讲，他称，目前工业场景更易率先落地突破。因工业领域需求明确、价值可量化、付费意愿清晰，且对机器人的实用性、稳定性、安全性有成熟的评判体系，更容易形成规模化商业闭环。同时，工业场景对人形形态依赖度低，更看重实际作业能力，更符合当前技术阶段的产业化节奏。

难也要进家的原因

价值高低与难易度差异，已经是摆放在桌面上的明牌。对自变量来讲，仍选择进入家庭场景落地应用，核心原因是家庭场景数据更符合高价值数据的定位。

王潜表示，目前全世界范围内，没有一台机器人可以在没有遥控操作的情况下进行家务劳作。行业看到的舞蹈或武术，都是工程师为机器人提前编好的程序，每一个动作看起来很酷，但本质都是预设轨迹下的“命令行机器人”。

机器人发展过程中，遥控操作是必然需要经历的过程，王潜认为无需对遥操有所忌讳，但需认识到，真正的机器人不是对单一动作的重复，而是能否在没有训练前提下做动作。现在的机器人空有一身“肌肉”，大脑是机器人智能化所必需的，后者离不开高质量数据。

自变量机器人曾在实验室多次成功叠衣服，但放置到真实场景后就发生崩溃，核心就是大脑是在模仿还是在预测。自变量CTO王皓表示，机器人能看到盘子，也能认出盘子，但它们不知道盘子在桌沿位置会掉下来摔碎，这就是缺乏对物理世界的认知所致。

他称，大多数机器人的训练数据都来自实验室，干净稳定，没有猫，没有孩子，没有任何不可预测的东西，通过这样的数据训练出的具身模型就像让一个人在泳池里学游泳，丢到大海里就很危险。

这种价值含量较低的“糖水数据”量大、成本低，但与现实世界差太多，易造成模型的低泛化问题。而厂商真正需要的是“牛奶数据”——来自真实家庭场景，嘈杂、不可控、多元化。王皓称，“牛奶数据”很好，同时采集成本极高，很苦、很慢、很贵。但如果想做出真正零样本泛化的基础模型，这种最难走的路反而可能是最简单的。

高质量数据获取非要走家庭这一条难路吗？王皓对记者表示，目前行业内的确有UMI、手持式采集等不同方式，但都无法让机器人直接获得真实人机交互数据。团队希望以实验数据打底，真实场景提质，通过与58同城合作，将搭载WALL-AS模型的机器人送入真实家庭，与保洁阿姨协同作业，获取高价值、高真实度的交互数据反哺模型训练。