机器人进家庭：挑战与机遇并存，自变量机器人合伙人甘如饴揭秘世界模型真相

回顾往届世界机器人大会，各家企业热衷于展示机器人的“身体”能力，双足行走、翻跟头、甚至秀起舞技，成为会场焦点。然而，今年的大会风向悄然转变，企业间的竞争焦点从“身体”转向了“大脑”，而支撑这颗“大脑”的核心，正是世界模型这一前沿技术。

在2026年的世界机器人大会上，世界模型从学术界的抽象概念，摇身一变成为展台上的热门竞品标签。超维动力展示了其KAI世界模型，大晓机器人则推出了开悟世界模型3.1版本，RoboScience更是成为行业内首个公开展示世界模型实时可视化推理的企业，章鱼动力也不甘示弱，推出了SYNWorld具身原生世界基础模型，一时间，世界模型成为大会上的热门话题。

在各家企业竞相展示“大脑”实力的同时，一个问题浮现出来：真正决定具身智能发展上限的，是模型参数的多少，还是那些需要达到“千万乃至亿小时”量级的规模化训练数据？当前，机器人进入家庭仍面临速度慢、噪音大等挑战，那么，制约机器人家庭普及的最大障碍究竟是什么？带着这些疑问，在2026世界机器人大会期间，徽声在线记者专访了自变量机器人合伙人兼算法负责人甘如饴，试图揭开这些谜团。

世界模型：真正的壁垒何在？

世界模型的火热，背后是行业共识的悄然转变。

甘如饴在接受徽声在线记者采访时表示：“大家都认同机器人需要理解物理规律、预测动作结果，但在模型架构、数据配方等关键问题上，行业还远未达成共识。”

在2026世界机器人大会现场，记者注意到，去年高频出现的VLA和端到端等关键词显著减少，取而代之的是“世界模型”的广泛讨论。然而，尽管“世界模型”被大量提及，但尚未形成统一定义。行业讨论的重点也从“谁是机器人大脑的终极路线”转向了更务实的问题：究竟需要采集哪些物理交互数据？又该如何高效、高质量地采集这些数据？

当前，自变量机器人估值已超200亿元，常被拿来与美国Figure AI等头部具身企业相提并论。在谈到业内普遍认为的“需要1000万小时乃至1亿小时量级的真实世界数据才能实现突破”的观点时，甘如饴表达了不同看法。

“我们并不认同只要数据足够多，模型就一定能实现突破。规模固然重要，但并非充分条件。更关键的是数据来自什么环境、覆盖哪些任务，动作与视觉、语言是否准确对齐，以及数据中是否包含真实交互中的失败和意外情况。”甘如饴向徽声在线记者指出，“如果底层架构和数据配方不合理，盲目扩大规模只会放大噪声，对模型提升无益。”

在2026世界机器人大会现场的主题演讲中，自变量机器人创始人兼CEO王潜也提出了类似观点。他认为，数据不应被简单类比为“石油”。石油是相对标准化的原材料，而能真正用于训练具身模型的数据，更像链条很长、加工复杂的工业品。其生产过程覆盖任务定义、采集、质量判断、处理、训练验证和反向优化等多个环节，“复杂程度可能高于模型本身”。随着模型架构逐渐趋同，数据将成为具身智能差异的主要来源、核心技术和重要壁垒。

机器人真实场景验证：挑战与机遇并存

对于数据采集端而言，在2026世界机器人大会现场，自变量机器人展示了其无本体数采方案QUANXTA Zero。观众可以穿戴设备体验动作被捕捉采集、并转化为机器人可训练数据的过程。然而，采集只是数据利用的第一步。

甘如饴向徽声在线记者用一个代数比喻阐释了自变量机器人的基础设施逻辑：如果把模型能力看作一条增长曲线，那么数据就是这条曲线的“一阶导数”，而数据管线则是“二阶导数”。数据决定了模型当前能学到什么，而数据管线则决定了模型能够以多快的速度持续进步。

世界模型的价值，最终要在真实场景中接受检验。在2026世界机器人大会现场，记者看到，自变量机器人已经能够完成浇花、叠衣、铲猫砂等数十种家务任务。而在工业端，其机械臂更是能够对大小、形状、材质完全随机的真实包裹进行自主分拣，展现了强大的适应能力。

自变量展厅一角。每经记者 温沐夏 摄

然而，真实场景的验证依然存在诸多难点。此前，自变量机器人与58到家联合推出了149元/3小时的机器人上门保洁服务，却收到了速度慢、噪音大等用户反馈。

当记者问及这是技术成熟前的阵痛，还是说明家庭场景远比预想复杂时，甘如饴表示：“两方面都有。速度和噪音问题说明当前技术仍有提升空间，同时也进一步验证了家庭场景的复杂性。毕竟，真实用户不会按照脚本生活，他们的需求和行为模式千变万化。”

与此同时，机器人进家庭也引发了外界的质疑：这究竟是面向消费者的服务，还是企业在做数据采集的实验？

“这是一项面向真实用户、解决实际需求的服务。”甘如饴向徽声在线记者强调，“出于隐私保护考虑，相关数据在端侧全部完成打码处理。更重要的是，在真实服务中，我们能够感知用户需求、了解用户如何评价机器人，并摸清机器人当前的能力边界。我们不会等技术达到完美后再进入家庭，而是想通过真实服务发现边界，推动模型提升长程规划、动作效率、异常恢复和环境适应能力。只有不断发现哪些事情做得好、哪些事情还做不好，才能推动模型和产品持续迭代，更好地服务于用户。”