一场没有人工干预、无固定脚本的物流分拣系统直播，让深圳自变量机器人公司成为行业焦点。这场持续一小时的测试中，系统以每小时1816件的效率完成随机包裹分拣，成功率超过98%，平均每2秒完成一次抓取、翻面、扫码、摆放的全流程动作。这一数据不仅超越美国Figure AI公司此前创造的1248件/小时纪录，更达到人类熟练工人900件/小时效率的两倍以上。
对比测试条件显示，自变量系统处理的包裹包含纸箱、软袋、圆柱件等混合形态，而Figure AI的200小时马拉松直播使用的是标准化包裹。更引人注目的是成本差异：自变量采用双机械臂+标准夹爪的简约设计，成本仅为美国同行的30%，却实现了145%的效率提升。这种"用更简单硬件实现更智能操作"的反差，直接挑战了行业"硬件复杂度决定泛化能力"的固有认知。
技术突破的核心在于自变量今年4月发布的WALL-B具身智能基础模型。该模型将视觉、语言、触觉、动作和物理预测整合到单一神经网络，使机器人能够理解重力、摩擦力等物理规律。面对从未见过的包裹时，系统会自主预测不同动作的后果并决策执行。直播中展现的"先整理衣物软包再翻面"的复杂操作，正是模型现场生成的策略，而非预设程序。
这种技术路线选择折射出行业分化：Figure等公司押注通用人形硬件，试图用单一身体适配多种任务；自变量则聚焦智能迁移性，通过简化硬件结构降低部署成本。创始人王潜指出："多数场景不需要完全模仿人类手部自由度，夹爪在超过半数场景中已足够使用。我们让大脑承担更多复杂度处理，反而能实现更高性价比。"
商业落地层面，自变量已与国内头部物流企业达成合作，将分拣方案部署到真实产线。这与行业普遍存在的"演示强、落地弱"现象形成鲜明对比——数据显示，中国市场售出的人形机器人仅有4%用于工业物流实际场景。自变量通过"大脑性价比"策略，为产业客户提供了不同于美国同行"硬件通用性"的另一种价值主张。
技术团队背景为这种突破提供支撑：创始人王潜拥有清华电子工程系本科和南加大机器人学习博士学位，合伙人兼算法负责人甘如饴则强调："用机械臂+夹爪处理物流分拣，对具身大模型的要求反而更高。每次抓取都必须精准判断，没有灵巧手的冗余容错空间。"这种认知驱动的技术路线，正在重塑机器人行业的竞争逻辑。
当被问及是否要做"具身智能领域的DeepSeek"时，王潜给出明确回应："我们要成为像OpenAI那样的公司。"这种定位背后，是中国机器人产业从技术追赶到场景落地的转型野心。在硬件迭代速度和供应链响应能力上，中国公司正展现出独特优势——王潜举例称，美国实验室机械臂返修需两个月，国内仅需一天，这种效率差异在规模化部署阶段将产生决定性影响。
