估值200亿的自变量机器人：故事很美，落地尚早

人形机器人赛道的风向正在发生微妙转变。

近期，梅卡曼德创始人邵天兰公开发文，直指部分机器人企业搞“攒局型创业”，依靠关联交易做不可持续的账面收入，成立两三年便急于冲刺IPO。与此同时，市场传出监管层正提高机器人企业上市门槛的“窗口指导”，要求企业必须拿出可持续收入、减亏趋势或实质性技术创新。

行业的估值逻辑正在被重新审视：概念再好，也得落地生根。

处在舆论聚光灯下的，就包括2023年成立的自变量机器人。在短短两年半内，自变量累计融资超50亿元，美团、阿里、字节跳动、小米等大厂齐聚股东名册，30多家机构将其估值推高至约200亿元人民币。然而，高估值背后，公司至今尚未形成规模化量产与稳固的销售收入。

演示很亮眼，落地见真章

自变量亟需向外界证明自己的能力。

8月，自变量在深圳某物流仓库做了一场长约一小时的直播测试：其双臂机器人在无人工干预下连续分拣包裹，测出1816件/小时的拣货速度与超过98%的准确率。自变量随即对比了美国人形机器人公司Figure AI此前的1248件/小时，强调自身效率高出约45.5%，硬件成本还大幅降低70%。

然而，业内很快指出了数据对比的口径问题。Figure公布的数据基于200小时、多台全尺寸人形机器人轮换作业的平均值，而自变量展示的是单一小时的峰值表现，且采用的是结构相对简单的“双机械臂+标准夹爪”方案。

除了仓储物流，自变量还曾将触角伸向被视为具身智能终极考场的家庭场景。3月，自变量联合58集团在深圳推出机器人上门家政服务。但实际体验中，机器人动作迟缓、噪音偏大，叠一件衣服耗时数分钟。

更关键的是，这项服务伴随着高额补贴——公司向参与测试的家庭每月提供数千元补贴以换取场景数据采集权限。这本质上是“花钱买数据”的研发测试，而非跑通了商业模式的消费级产品。进入下半年后，该服务的宣传也已逐渐降温。

统一大模型的野心与现实压力

资本市场愿意给予自变量高估值，核心在于其押注的技术路径。

不同于传统的模块化分工（感知、规划、控制各自独立），自变量主打端到端世界模型。从视觉-语言-动作（VLA）架构WALL-A，到“世界统一模型”WALL-B，再到具身智能世界模型WALL-WM，自变量试图让单一神经网络理解物理世界的运作规律，实现跨场景通用。

通用模型的底层逻辑极其诱人：一旦打通泛化能力，机器人进入新场景就不需要从头采集海量数据和重度二次微调，软件边际成本将趋近于零。

但硬币的反面是高昂的研发与试错成本。端到端大模型需要海量计算资源、真实的真机交互数据，以及机械本体和灵巧手的底层研发支持。如果每个商用落地项目仍需要定制化驻场调试，其商业本质就更贴近外包项目公司，难以支撑起200亿元的平台型估值。

二级市场的冷暖也给赛道敲响了警钟。行业龙头在二级市场经历估值剧烈震荡，清晰地表明市场审美正在从单纯看技术概念，转向紧盯毛利、订单和造血能力。对尚未形成规模化量产的自变量机器人而言，将大模型能力快速转化为客户愿意持续付费的生产力，才是应对监管收紧与市场冷却的唯一解药。