2026 年一季度，国内具身智能赛道披露超五十起融资，同比增长接近六成。行业融资热潮之下，自变量交出的融资成绩单格外亮眼：短短两个多月接连落地 B、B+、B++、C 四轮融资，资金已全数到账，投后估值一举突破 200 亿元。
这让自变量成为粤港澳大湾区第一家、也是唯一一家估值超过200亿元的具身智能企业。放眼全国，具身智能模型领域达到这一量级的公司只有四家——自变量、智元、银河通用和星海图。
估值本身只是结果。更值得细看的，是那份投资方名单背后正在形成的行业共识。
PART 01
四大资本阵营罕见集体重仓
此次爆出的自变量融资吸引超30家顶级机构入局，互联网巨头、国家队与地方资本、产业资本、头部 VC 四类资金全部齐聚。
自变量是目前国内已知唯一一家被四大互联网巨头分别领投的具身智能公司。 美团领投A轮，阿里领投A+轮，字节跳动领投A++轮，小米领投B轮。四家各自领投一轮之外还多次跟投加注——其中小米战投连续参与了B、B+、B++三轮。
四家互联网大厂均自研大模型与机器人业务，内部会组织算法专家完成深度技术评审，评估维度远多于传统财务投资机构。四家彼此独立完成投资决策、多轮持续加码，行业普遍认为，这交叉印证了行业头部企业对自变量具身模型技术实力的一致认可。
国家队与地方资本——国家人工智能产业投资基金、国投创新、中保投资、江苏省高投、深投控、宝安区引导基金悉数入局。具身智能已被列入"十五五"规划的未来产业核心赛道，国资密集进入头部企业，除资金外也意味着潜在的地方产业资源和供应链协同。
产业资本——58 集团、荣耀（深圳市人工智能终端基金）、奇瑞汽车（国海瑞丞）、沈阳汽车（沈阳汽车产业投资基金）、弘信电子等。这些产业方覆盖家政服务、汽车制造、消费电子等领域，其投资诉求不仅是财务回报，更在于将具身智能接入自身产业链。
头部VC——红杉中国、IDG资本、源码资本、达晨财智、中金资本、毅达资本等。据公开信息，红杉中国从去年9月A+轮开始跟投，此后几乎没有缺席。
互联网大厂注重技术确定性，产业方注重落地确定性，国资注重政策方向确定性，VC注重成长确定性。当四种投资逻辑同时指向一个标的，形成的信号密度在具身智能赛道中并不多见。
PART 02
行业焦点从"硬件本体"向"具身大脑"迁移
理解为何一二级市场资本愿意为这家以模型为核心的公司给到 200 亿估值，需要看到行业正在发生的变化。
过去两年大量资金涌入机器人本体——关节、灵巧手、运动控制。但到了2026年，一个趋势越来越清晰：硬件层面的差距在快速缩小，真正决定一台机器人能完成多少种任务的变量，正在从四肢转向大脑。资本的焦点也随之从广撒网投本体，开始向少数模型领跑者集中。
自变量从创立之初就选择了"大脑优先"的路线。创始人兼CEO王潜，清华本硕，后赴美国南加州大学读博，研究方向为Robotics Learning，也是较早将注意力机制引入神经网络体系的研究者之一。联合创始人兼CTO王昊，北京大学计算物理博士，曾在IDEA研究院负责大模型团队，主导发布了多个开源大模型。
王潜较早提出一个核心判断：具身智能模型并非语言模型的延伸，而是与之平行的另一类基础模型。机器人面对的是真实物理世界中的连续状态、因果关系和动作反馈，建模目标和训练方式等不能照搬大语言模型的范式。基于这一判断，自变量坚持走完全端到端的路径，放弃将感知、决策、动作拆成多个模块再串联的传统做法，是国内最早践行这条路线的团队之一。
PART 03
三个月内密集释放的技术信号
今年4月，自变量发布了全球首个基于"世界统一模型（World Unified Model，WUM）"架构的具身大模型WALL-B。据公开信息，WALL-B将视觉、语言、动作和物理预测能力放进同一个网络中从零开始联合训练，不再像传统方案那样在多个现成模块之间层层传递信息，以此消除模块间的边界和数据搬运损耗。
据官方介绍，WALL-B具备三项核心能力：原生多模态理解、对物理规律的预测、以及通过与环境交互实现自我进化。自变量同时宣布了让搭载WALL-B的机器人常驻真实用户家庭的计划——家庭环境因物品摆放随时变化、成员行为难以预测，其非结构化程度远高于工厂产线，被业内视为对模型泛化能力的高强度检验。据报道，该计划目前已在推进中。
6月，自变量又接连发布两项技术成果。开源模型WALL-OSS-0.5在仅完成预训练、未经后训练情况下，在17个真机任务中有4个任务的自主完成率超过80%，在操作类和推理类任务上领先Pi 0.5等主流开源模型。
WALL-WM则是全球首个具备“事件级预测能力”的世界模型——不同于现有世界模型按时间均匀采样的方式，WALL-WM以"事件"来对齐视觉、语言和动作等多模态数据，旨在让模型更好地学习不同模态间的因果关联，从而理解物理世界将如何演化，模型应当如何执行。
至此，自变量已形成 「闭源旗舰 + 开源底座 + 开源世界模型」 的完整技术矩阵。
PART 04
全栈闭环：数据和本体同样亲力亲为
模型能力只是拼图的一部分。在通用具身智能的路径中，模型、数据、本体三者的协同迭代缺一不可，自变量选择打通全链条自研。
数据端——自变量自建了数据采集工厂，自研了覆盖采集、清洗、标注、质量控制的全链路数据管线。依托自研XR Zero G0数采设备，数采方案可将模型训练所需的数据采集成本降低95%，并且已经跑通 "全身无本体采集→自动质检→混合训练→真机评测" 的完整闭环。
本体端——自变量自研了量子一号和量子二号两代机器人作为模型的物理载体。据报道，搭载WALL-B的新一代轮式双臂家用机器人于5月25日正式入驻首批真实家庭，可执行物体收纳、基础清洁、物品递送等日常任务。在隐私保护方面，据介绍其配备了端侧实时视觉脱敏能力，原始图像不离开设备。
场景落地端——自变量与58同城合作推出的人机协同家政服务已在深圳、北京等地上线，机器人负责客厅区域收纳和基础清洁，人工承担深度清洁等复杂环节，服务定价与同档位纯人工保洁持平。在工业侧，自变量的方案已落地德系豪华品牌的零部件产线。
模型迭代依赖数据质量，数据采集依赖本体能力，本体验证又反哺模型改进，将三者握在手中的玩家就拥有了一个自循环加速的飞轮——这可能正是各路资本愿意集体押注的底层逻辑。
PART 05
200亿之后的关键问题
需要看到的是，自变量当前的商业化仍处于早期验证阶段。与同一估值梯队中已经规模出货、现已完成IPO过会的宇树相比，自变量尚未拥有同等量级的收入和现金流。家庭的长周期使用反馈、人机协同服务的规模化复制效率、从单点场景向多场景的泛化能力，都是接下来需要持续验证的问题。
但这恰恰是此轮融资耐人寻味之处：超过30家顶级机构愿意在这个阶段共同托举到200亿估值，押注的显然不是当下的出货量，而是那颗具身大脑能否从家政和产线这些初始场景继续生长，最终泛化到更广泛的真实应用中。
通用具身智能离终局还有很长距离。成本、可靠性、用户体验、规模化复制——每一个环节都还有硬仗要打。但这笔融资至少表明，当行业进入"为确定性买单"的阶段，能在模型、数据和本体三个层面同时建立能力闭环的团队，就是资本最愿意集中筹码的方向。
四轮到账，弹药充足。下一份答卷要用场景数据来写。
