中国具身智能公司自变量（Zibian）在一场直播中展示了其双臂机器人在物流分拣场景中的表现：仅配备两只工业标准夹爪，机器人连续运行一小时，完成1816件有效分拣，按短时吞吐量计算，较Figure 03此前创下的1248件/小时标杆高出45%。据公开信息，该方案成本较Figure路线下降70%，分拣准确率超过98%。这一结果被部分观察者视为具身智能领域的“DeepSeek时刻”——用更低成本实现足够强的能力。

直播中，机器人面对的是大小、重量、材质和朝向完全随机的真实包裹，包括纸箱、软袋、圆柱形快件和泡沫封装生鲜件，基本还原了物流仓库中人工处理的杂乱状态。机器人需实时识别包裹属性，判断抓取位置和力度，并规划机械臂路径；遇到面单方向错误的包裹，还需翻转和重新摆放。整个过程连续运行，无人工介入，也未出现故障停机。

自变量选择了一条与Figure不同的技术路线。Figure 03采用完整人形身体与五指灵巧手，而自变量去掉了分拣用不到的腿和手指，将任务交由两条机械臂和标准夹爪完成。其核心在于背后的通用具身智能大模型WALL-B。该模型采用世界统一模型架构（WUM），将视觉、语言、动作以及对物理变化的预测放在同一网络中联合训练，使机器人不仅能决定下一步动作，还能预判动作对物体的影响，从而灵活组合夹、推、拨、摊、双臂托举等策略。

这种“更简单的手，配上更聪明的大脑”的思路，旨在降低硬件成本、控制难度和故障概率。一只五指灵巧手包含大量精密关节、驱动器和传感器，在7×24小时运转的仓库中，每个零部件都可能成为故障点。自变量认为，通过模型承担更多复杂度，标准硬件也能处理随机场景，从而让企业不必为走路、平衡和十根手指付费。

自变量的技术积累源于家庭场景。2024年底，其发布第一代端到端具身基础模型WALL-A，随后机器人进入养老院和真实家庭，完成折毛巾、整理桌面等任务。2026年，自变量与58到家推出可预约的智能保洁服务，成为全球首个规模化进入普通家庭的具身企业。此次物流分拣被视为同一套模型能力向工业场景的自然延伸，家庭场景积累的视觉理解、空间推理和物理预测能力得以复用。

这一进展对具身智能产业的意义在于，它可能改变行业对“先进”的定义。过去，人们常以机器人能否跑半马、完成精细手工等来评判其先进性；而在真实产业中，效率、成本、稳定性和复制速度才是关键。自变量通过模型进步取代硬件堆叠，使单个工位的投入、吞吐、维护成本和回本周期更接近可接受范围，从而推动机器人从一次项目交付走向规模采购。

当然，这仍是一次直播演示，实际部署中还需考虑长期稳定性、维护成本等因素。但自变量与Figure的对比，展示了具身智能落地的另一条路径：模型越聪明，身体可以越简单。未来，机器人或许不会更像人，但会更像一个用户愿意买单的伙伴。