8 月 12 日，自变量机器人以 1816 件 / 小时的分拣效率刷新全球纪录，较美国 Figure AI 此前公开的 1248 件 / 小时提升 45% 以上。更关键的是，它用双机械臂 + 标准夹爪做到了这一点——硬件成本仅为 Figure AI 人形方案的 30%。
注：柱形自 800 件 / 小时起缩放，非零起点。自变量效率为直播实测数据，Figure AI 效率为其此前公开的最佳纪录。分差 568 件 / 小时，提升 45.5%。
更值得关注的是成本维度。自变量采用双机械臂搭配标准夹爪，而非人形机器人 + 五指灵巧手——后者的硬件成本是前者的 3 倍以上。这意味着，在达到更高效率的同时，自变量的单站部署成本仅为 Figure AI 方案的不到三分之一。
四个数字概括这场对决：效率更高、成本更低、硬件更简、场景更复杂。
自变量的技术核心是自研的端到端世界统一模型 WALL-B（World-Aware Learning & Logic Bridge）。与传统的"感知-规划-控制"分模块架构不同，WALL-B 将视觉、触觉、运动控制融合为一个统一的神经网络，直接从传感器输入映射到动作输出。
这意味着什么？
在物流分拣场景中，包裹的形态、重量、材质、摆放位置千变万化。传统方法需要为每种包裹类型编写规则，遇到未见过的情况就容易失败。而 WALL-B 让机器人理解了物理规律——它知道软袋如何抓取不会滑落、异形件如何调整姿态、纸箱堆叠如何保持稳定——这些不是写死的规则，而是模型从数据中习得的泛化能力。
视觉识别 → 规划轨迹 → 控制执行，各模块独立优化，误差累积，泛化能力弱，对新包裹类型需要重新编程。
传感器输入直达动作输出，全链路联合优化，自主学习物理规律，零样本适应未见过的包裹形态。
直播中，自变量处理的包裹包括随机尺寸的纸箱、软袋、异形件，而 Figure AI 此前展示的是标准件。场景复杂度不在同一量级，但自变量仍跑出了更高的效率。
WALL-B 将传统四阶段压缩为单一端到端链路，信息损耗大幅降低。
自变量的路线选择，与目前行业主流形成了鲜明对比。
Figure AI、Tesla Optimus 等公司走的是人形机器人 + 通用灵巧手路线，追求"像人一样工作"。这条路线技术上限高，但硬件成本居高不下（单台成本数十万美元），且灵巧手的控制算法尚未成熟，产业落地进展缓慢。
自变量选择了另一条路：用更简单的硬件 + 更聪明的算法，在特定场景中先跑通商业闭环。
「双机械臂 + 标准夹爪 + WALL-B 模型」——这套组合的成本在 5 万美元以内，而效率已超过人形机器人方案。对于物流中心、电商仓库来说，投资回收期可以缩短到 12 个月以内。
WALL-B 不是为分拣场景定制的模型。它的物理理解能力可以迁移到装配、质检、物料搬运等场景。自变量团队表示，同一套模型架构在多个工业场景中已完成概念验证。
不能回避的是：自变量的方案目前聚焦于结构化工业场景，与人形机器人在通用性上仍有差距。但产业落地的第一步，从来不是追求最通用的方案，而是找到效率最高、成本最低、最可复制的那个场景先跑起来。
具身智能的产业落地，不取决于谁先做出"像人的机器人"，而取决于谁先用可接受的成本，在真实场景中创造可量化的价值。自变量用 30% 的成本、45% 的效率反超，证明了"更聪明的算法 + 更简单的硬件"是一条更快的路。
自变量机器人已完成多轮融资，其技术路线已获得多家工业客户验证。物流分拣只是起点，WALL-B 模型在更广泛的工业场景中的表现，值得持续关注。
了解更多 → 自变量机器人官方