大湾区首家 自变量连融四轮估值超200亿元 顶级投资人云集下注

自变量机器人在短短两个月内连续完成了B轮至C轮四轮融资，交割速度之快在行业内实属罕见。作为大湾区首家且唯一一家估值突破200亿元的具身智能企业，自变量已与智元、银河通用、星海图共同跻身该赛道的“两百亿俱乐部”，头部效应愈发显著。

此次融资集结了包括中国移动、中保投资、红杉中国、IDG资本、源码资本、达晨财智、中金资本等在内的30多家顶级机构。投资方阵容涵盖了互联网巨头、产业资本、国家队以及地方基金，其中小米战投更是连续三轮加注，显示了极高的战略协同度。

互联网大厂、顶级VC与国资的抱团下注，标志着资本市场对具身基础模型战略价值的集体共识。这不仅意味着资金向头部企业迅速收拢，更侧面印证了自变量在技术壁垒和商业落地潜力上的领先地位。

目前，具身模型领域仅有自变量、智元、银河通用和星海图四家企业估值突破200亿。这一高门槛不仅代表了资金的认可，更意味着企业在产业链资源整合与供应链支持上具备了先发优势。

#### 各路顶级资本齐下注
#### 豪华程度极其罕见

梳理自变量的融资历程，美团、阿里、字节跳动、小米四大互联网巨头分别在不同轮次领投并持续加注。这种罕见的“大厂全覆盖”现象，本质上源于这些科技巨头对自变量技术路径的高度认可，以及具身智能在各自业务版图中的战略刚需。

以美团为例，其本地生活业务高度依赖人力履约，随着人力成本逼近阈值，末端配送与线下服务的人效增长已遭遇瓶颈。投资自变量，是美团通过具身智能解决履约成本难题、构建未来服务基础设施的关键布局。

小米作为B轮领投方，在具身领域广泛布局了触觉、本体及灵巧手等硬件环节。在模型层面重注自变量，补齐了其在具身大模型生态中的核心拼图，完善了从硬件感知到大脑决策的全链路闭环。

字节跳动与阿里巴巴虽在算法与算力上积淀深厚，但均缺乏通往物理世界的交互入口。对于拥有PICO等硬件业务的字节及电商巨头阿里而言，自变量提供了将AI能力实体化的载体，即连接数字世界与物理世界的“接口”。

产业资本的密集入局则更多着眼于产业链升级。58集团、沈阳汽车、奇瑞汽车及雷诺等产业方，看重的是自变量技术在真实场景中的落地能力，试图通过具身智能推动传统服务业与制造业的转型。

目前，自变量机器人已率先在58到家家政服务及德系豪华车企零部件产线等场景实现商业化落地。这种从实验室走向真实家庭与工业现场的跨越，是产业资本愿意深化业务绑定的根本原因。

随着单笔融资金额突破10亿元，具身赛道融资进入“国资轮”。中保投资、国投创新、国开科创及江苏高投等“国字头”主体与地方基金的入局，不仅带来了资金，更引入了地方产业资源，响应了具身智能作为“十五五”规划未来产业核心赛道的国家战略。

财务投资机构阵容同样豪华，红杉中国、IDG资本、达晨财智等头部机构均在列。其中红杉中国在该赛道颇为谨慎，三次押注自变量，充分体现了其对这家企业技术路径和商业化前景的极致看好。

自变量自成立之初即坚持全栈自研，是国内最早采用端到端路径实现通用具身智能大模型的企业。这种从第一性原理出发，不依赖外部拼凑的“最强大脑”策略，构成了其核心竞争力。

#### 具身行业“最强大脑”
#### 世界统一模型“闯进”用户家庭

行业竞争焦点已从硬件转向具身大脑。自变量自研的“世界统一模型”以机器人为载体，正大规模进入用户家庭，这种对复杂真实环境泛化能力的“最高检验”，是其备受资本追捧的核心逻辑。

今年4月发布的WALL-B模型，基于“世界统一模型（WUM）”架构，将视觉、语言、动作及物理预测能力置于同一网络中进行联合训练。这种架构消除了模块间的数据搬运损耗，为通用智能奠定了基础。

得益于端到端架构，WALL-B具备原生多模态、物理规律理解与预测以及环境互动自我进化三大优势。目前，搭载该模型的机器人常驻家庭计划正在推进，直观展示了模型在非结构化环境中的适应能力。

#### 多次刷新具身模型范式
#### 自变量技术实力“秀肌肉”

近三个月来，自变量通过高频的技术发布，不断刷新行业范式。从开源模型到世界模型的推出，其在技术圈层引发的关注，实质上是对具身智能技术边界的一次次拓展。

6月发布的开源模型WALL-OSS-0.5与全球首个具备“事件级预测能力”的世界模型WALL-WM，展示了其在算法层面的深厚积累。WALL-WM通过“事件”对齐多模态数据，解决了传统时间采样方式在理解物理演化上的局限。

在性能表现上，WALL-OSS-0.5在仅预训练的情况下，于17个真机任务中有4个任务自主完成率超过80%，在操作与推理类任务中均领先于Pi 0.5等主流开源模型，证明了其预训练效率的质的飞跃。

针对具身行业最稀缺的数据资产，自变量构建了完整的数据管线与自研数采工厂。通过发布基于XR Zero G0设备的数采方案，成功将训练所需的数据成本降低了95%，打破了数据规模化的成本瓶颈。

在机器人本体层面，自变量自研了量子一号与量子二号作为模型载体，深入数采工厂与各类落地场景。这种“模型-数据-本体”的闭环配合，确保了技术栈的协同优化。

通用具身智能的实现路径漫长，唯有具备全栈自研能力的玩家方能笑到最后。自变量不等待外部生态成熟，而是主动攻克从模型算法到数据采集、硬件本体的前沿难题，这种构建底层基础设施的长期主义，正是投资人最看重的价值底座。