具身智能落地,广东解法破局 自变量机器人激活制造业智能转型新动能
时间:2026-11-18 12:26:11 浏览次数:2 来源:南方日报 [ 字体:大:2624 中:2220 小:1816 ]
前海石公园滨海地标“前海激浪”下,湾区会客厅科技产品展的一条传送带恒速运转。零件以随机姿态、随机间距进入作业区,两条机械臂在运动中精准识别、协同抓取,按类别投进指定料位。
隔壁展台,同一套模型在做插花的精细活:真实花瓶、真实花束,花茎会弯,花瓣会掉。分拣比速度,插花比的,是手上的分寸。
过去一年,具身智能行业更多在讨论技术可行性与单点演示;如今,能不能在真实产线上稳定干活、算得过账,成了新的考题。
展台之外,自变量的机器人已在深圳的物流产线上真实“上岗”,智能化改造订单不断。商业化应用快速落地的背后,是机器人分得清零件、插得稳鲜花、产线改造成本可控等一系列核心技术难题的攻克。
一脑多用
驾驭场景自如切换
展台上摆出的两道题,是同一套具身智能大模型在两种约束下的表现。
流水线零件分拣,压力来自时间。传送带不停,零件随机而来,机器人要在运动中识别目标、双臂协同抓取,并按类别投进料位。现场可以随时改变零件的摆放、朝向与间距,也可以临时加入未经登记的干扰件。
中国风插花,压力则来自力与姿态。不同于普通机器人的仿真花演示,自变量使用的是真实花材:花朵有重量,花茎易弯曲,花瓣会掉落。抓取力度稍大便会捏坏,稍小则会滑脱;花茎细长、重心偏移,插入瓶口后还需调整倾角,方能亭亭玉立。主花、配花、枝叶,先插哪枝、插在何处、朝向何方,动手之前必须成竹在胸。
工业任务的判据是“到位”,插花的判据是“好看”。看似毫不相干的两道题,却由同一个“大脑”解答。对于普通观众而言,这种演示将抽象的算法参数转化为肉眼可见的直观画面:手稳不稳、分寸准不准,一目了然。
展台之外,同一套本领在真实物流产线上交出了更为硬核的成绩单。今年8月,在一场持续1小时的全自主分拣直播实测中,面对纸箱、软袋、圆柱形快件、泡沫封装件等随机出现的各类包裹,自变量的机器人以双机械臂搭配标准夹爪的方案,在全程无人工干预的情况下完成1816件包裹分拣,较国际头部企业Figure AI此前公布的1248件/小时高出约45%,准确率超过98%。随后,实测延长至5小时连续直播,效率进一步提升至1911件/小时——这不仅是对速度的考验,更是对长时间运行稳定性的终极验证。
稳定的秘诀在于“因材施教”。面对不同包裹,机器人能自主匹配差异化策略:轻质小件直接夹取,保证节拍;较重箱体改用侧面推移或双臂协作,避免损伤;蜷曲的柔性软包,则先拨开、摊平、整理,再调整面单方向。若异形件未能推入格口,它会先处理其他包裹,回头再来补推;传送带意外停止,它能主动点触唤醒。这些决策并非工程师预设的规则,而是模型基于对重力、惯性、摩擦力的物理理解,当场推理得出的最优解。
支撑这一切的,是自变量自研的世界统一模型WALL-B。该模型将视觉、语言、触觉、动作和物理预测融合于单一神经网络,具备跨本体、跨任务、跨场景的操作能力。它并非为物流专项训练,家庭服务与工业分拣共享同一套架构,展现出强大的场景适应能力。
降本增效
为制造业算清“经济账”
想让机器人手更巧,行业惯常做法是“堆身体”:做人形、装五指灵巧手,用更高的硬件复杂度换能力上限。自变量选择了另一条路——化繁为简。两条简洁的机械臂配合一只标准夹爪,便能完成同等任务,硬件成本直降约70%。
“大家可能会认为灵巧手对大模型技术要求更高,恰恰相反,用更简单的机械臂加夹爪处理物流分拣,对具身大模型要求更高。”自变量合伙人兼算法负责人甘如饴说。省下的硬件,由“大脑”补上:WALL-B模型依据实时观测,直接给出每个关节的角度。
标准夹爪零件少、故障率低;双机械臂可直接嵌入现有分拣工位,换一条产线,30分钟即可完成部署。省下的是设备钱,也是停线改造的时间。产线上的机器人也在持续学习与优化——每一次分拣产生的真实数据都会回流模型,在线强化学习让策略持续优化,本体执行、数据采集、模型再训练、本体部署,串成一条数据回流闭环——今天干的活,明天干得更利索。
广东是制造大省,也是物流大省。无数中小制造企业同时面临着三重压力:用工成本攀升、招工愈发困难、多品种小批量订单成为常态。传统的自动化改造往往需要重铺产线、重写程序,换一种产品就得重新调试,投入巨大且回收周期漫长。自变量带来的通用具身智能,无需大改产线,而是依靠“大脑”的泛化能力去灵活适应各种具体任务。
目前,自变量已与头部物流企业合作,把分拣方案嵌入复杂工业物流场景,实现柔性智能分拣与供件,7×24小时不间断作业。在真实产线上,方案常态化运行,回流率低于3%。同一套能力也进入汽车制造环节——自变量机器人批量落地汽车座椅和内饰产线。从物流到汽车,跨行业的产线共享着同一颗“大脑”。
这些机器人与人类分拣员一样,按件计费、接受KPI考核,经受住了企业对生产效率与经济效益的双重检验。在真实工业产线上,自变量的机器人ROI(投资回报率)已达到甚至超越了人类水平,将人工从重复枯燥的工作中解脱出来。在工业落地这一具身智能的核心价值赛道上,自变量代表广东,交出了一份亮眼的“深圳答卷”。
规模应用
“深圳方案”迈向亚太市场
机器人智能化改造的产能要放大,要先过合规这一关。
近日,广东省委网信办公布新一批生成式人工智能服务备案信息,自变量自研的GreatWall通用具身大模型通过备案,成为粤港澳大湾区首个完成备案的通用具身大模型。备案前,模型依据国家标准完成历时5个月的安全评估、超20万次语料与生成内容抽检、27148道高风险拒答测试,建立起从数据输入到服务运行的全链条安全保障机制。
此次备案的GreatWall系列涵盖世界统一模型WALL-B、世界模型WALL-WM、VLA模型WALL-OSS等路线。其中WALL-B采用预训练、端到端路线,具备跨本体、跨任务、跨场景复用能力,已在家庭服务、物流分拣等场景规模化应用。
“具身智能最终要进入家庭、物流和工业等真实环境,安全、合规与可靠不是附加项,而是走向规模化应用的基础。”自变量联合创始人兼COO杨倩说。
除了合规,还需要可对接的场景与规则。今年7月,自变量与Meta、谷歌、微软等30余家企业,登上了国际数字与人工智能的舞台同场交流;自变量创始人王潜作为具身智能行业的中国企业代表,就“发展人工智能,增进民生福祉”发表演讲,自变量“机器人进家庭”项目,同期入选《亚太地区数智赋能案例集》。
面向行业的发展痛点,王潜还提出3点倡议:多开放家庭服务、智慧养老、医疗健康、物流分拣等民生场景,让技术在真实生活中迭代成长;加强开源协作,共建可信、安全、包容的技术生态;与高校、科研机构合作,共同培养产业所需人才。
在王潜看来,具身智能需要的不是把语言模型“搬”到物理世界,而是一个专门服务物理世界的基础模型。从开源模型到数据采集方案,自变量正以“开源共建”的方式,降低整个行业的技术门槛。
亚太地区的制造、物流、农业、养老与家庭服务场景密集,为技术迭代提供了真实的实践土壤。机器接过重复工序,人腾出手来做判断;门槛降下来,中小企业用得上、参与得进来。一种新的生产生活方式,正在这些场景里加速成形。