央广网深圳8月13日消息（记者徐锦秀）8月12日，深圳自变量机器人完成一场持续约1小时的全自主物流分拣直播。机器人采用“双机械臂+夹爪”方案，在无人工干预的情况下，对不同大小、形状、材质和重量的物流包裹进行连续分拣，实现1816件/小时的分拣效率，准确率超过98%。
据公司介绍，此次分拣效率较此前美国一家具身智能企业公开展示的1248件/小时提升约45%。不过，自变量机器人合伙人兼算法负责人甘如饴在直播后接受央广财经记者采访时表示，98%的准确率“还不算特别理想”，公司希望进一步做到99%左右。
值得关注的是，这一方案已开始进入真实物流场景。甘如饴透露，公司已与头部物流企业签署相关合作，相关设备已在真实场景运行数月，正在继续扩展应用。
分拣效率如何走向产线
物流分拣并非单纯的“抓取—搬运”。
在真实场景中，包裹可能出现挤压、变形，大小、形状和材质各异等情况，机器人不仅要抓取，还需要根据包裹状态进行推、拨、翻转等操作，将包裹调整到适合后续扫码、输送的状态。
自变量机器人“双机械臂+夹爪”自动分拣现场
甘如饴告诉记者，传统自动化方案通常将视觉检测、路径规划和执行控制拆分为不同环节，“检测错了，后面就可能跟着错”，多个环节之间还可能产生误差累积。
自变量采用的则是基于具身模型的端到端方案，由模型直接根据环境信息输出动作控制。
在他看来，物流场景的难点恰恰在于包裹具有较强的随机性，“如果传统自动化能解决这个问题，物流行业其实早就做了。”此次测试的一项重要意义，在于机器人能够在包裹状态不断变化的情况下，自主调整操作方式，而不需要针对每一种包裹预先设定固定规则。
但甘如饴也指出，机器人完成抓取只是物流流程中的一个环节，后续还涉及输送、扫码等环节，实际产线的整体效率仍受到整个系统链路影响。因此，单次分拣测试中的98%准确率，并不能直接等同于完整产线的最终表现。
从单点任务测试走向完整产线运行，需要持续验证机器人在不同设备、不同工位和长时间运行条件下的稳定性。对于具身智能企业而言，这也是从技术展示进一步走向规模化应用的重要一步。
不堆硬件，反而更考验模型
记者注意到，此次方案的另一特点，是没有采用人形机器人搭配五指灵巧手，而是使用双机械臂和夹爪完成分拣。
在一些具身智能应用中，增加机械自由度、采用灵巧手，被视为提升复杂操作能力的一条路径。但甘如饴告诉记者，在物流分拣这一具体任务中，情况可能恰恰相反。
“大家可能会认为，灵巧手对大模型技术要求更高。”他说，“实际上，用更简单的机械臂加夹爪处理物流分拣，对具身大模型的要求反而更高。”
这背后依托的是自变量自主研发的世界统一模型WALL-B。
据公司介绍，该模型将视觉、语言、动作及物理预测等能力融于统一模型，通过对环境的理解和动作决策，让机器人根据不同包裹的状态自主调整操作方式。与针对单一场景分别开发模型的方式不同，自变量希望通过通用模型能力适配不同任务，以减少新场景的重复开发。
这一技术路线的逻辑在于，硬件能力相对简化后，更多操作能力需要由算法补足。例如面对不同姿态、不同材质的包裹，机器人需要自主判断抓取方式，并通过推、拨、翻转等动作调整包裹状态。
据公司介绍，目前这套方案相比国外采用高复杂度灵巧手的方案，硬件成本可下降约70%。
在甘如饴看来，硬件与模型之间并不是简单的替代关系，而是不同的技术路线选择：硬件越复杂，可以提供更多机械自由度；硬件相对简化，则需要模型具备更强的环境理解、动作规划和控制能力。
从真实场景落地到规模化复制
甘如饴向记者透露，针对这一物流场景，公司从研发到形成当前方案的时间“不足三个月”。他认为，背后的原因之一是公司长期坚持通用具身模型路线，希望通过已有模型能力适配新的任务，而不是针对每一个场景重新搭建一套系统。
自变量机器人模拟物流分拣现场
目前，自变量在物流领域已经进入真实场景应用，并与头部物流企业开展合作。甘如饴表示，随着应用进一步扩大，公司下一步还将重点优化硬件成本和一致性、设备部署效率以及模型迁移等环节。
此次1816件/小时的分拣结果，体现了机器人在细分场景和环境下的作业能力。随着应用向更多设备和场地扩展，模型的长期稳定表现，也将成为规模化应用的重要考量。