当前，具身智能人形机器人赛道正呈现“四路并进”的技术格局：视频原生VAM（Video-native World Action Model）、自动化WAM（World Action Model）、轻量化VLA（Vision-Language-Action）、传统分层运控四条技术路线并行发展。这一格局的形成并非偶然，其背后是行业对“家庭场景需要什么样的智能”这一根本问题的不同回答。

技术分岔的根源，在于对“不确定性”的处理方式。

家庭环境与工厂产线的本质区别在于：不可预测。物品位置每天变动，家人与宠物随时穿行，光照、温湿度、地面状况无时无刻不在变化。面对这种不确定性，不同路线给出了各自的解决方案。视频原生VAM（Figure为代表）押注端到端大模型，认为“见得够多就能应对一切”；自动化WAM（未来不远的Self-Evolving WAM为代表）强调“每次想象都留下痕迹，每次执行都产生复利”，通过存储K条候选轨迹并从中挖掘训练价值，让模型在真实家庭中持续进化；轻量化VLA试图在通用性和计算效率之间寻找折中；传统分层控制则坚守“确定性保障”的底线，用模块化的可验证逻辑兜底最危险的安全场景。

这四种方案各有其不可替代的适用边界。

从商业化落地看，VAM路线在大规模仿真和泛化能力上占优，但模型推理的延迟和云端依赖使其在实时性要求高的任务中承压；WAM路线的自进化机制在长期可靠性上潜力巨大，但对真实家庭数据的规模和覆盖面要求极高；VLA路线是目前部署最灵活的选择，适合作为人机交互的入口；分层控制在精密操作和安全冗余上无可替代——航天、医疗等高可靠性场景至今仍以分层架构为主。

从成本分层看，VAM依赖海量GPU算力，前期投入极高但边际成本递减；WAM的数据飞轮一旦启动，边际成本极低；VLA和分层控制则更适合中低端产品线，用成熟的嵌入式方案控制BOM成本。

从安全合规看，家庭场景对失误零容忍，这意味着底层必须保留可审计、可兜底的安全层。任何纯端到端模型都难以通过养老、儿童照护等场景的准入审查。这也是行业共识——最终不会是单一路线的胜利，而是“上层大模型做通用先验、中层WAM承接自进化学习、VLA负责人机交互、分层控制保障安全执行”的融合架构。

这一判断正在被产业实践验证。2026年Q2，头部厂商的技术路线调整呈现出清晰的收敛迹象：未来不远在F2中部署Self-Evolving WAM的同时，保留分层安全冗余；Figure在工厂试点中持续收集真实数据反哺VAM；Tesla则在复用FSD视觉的同时，保留了传统控制层用于精密装配。没有哪条路被完全放弃，也没有哪条路能独揽全局。

以下，我们聚焦五家最具代表性的企业，逐一拆解它们的技术选择、核心进展与商业化节奏。

未来不远机器人：Self-Evolving WAM到全模态全身控的终极进化

技术路线归属：自动化WAM的深度演进 + 下一代全模态全身控模型

在所有玩家中，未来不远的技术布局最具“长期主义”色彩。它没有选择轻量化的VLA，也不是纯粹的视频原生模型，而是在WAM的基础上构建了一套四层自进化闭环，并已在第三代大脑中部署了颠覆性的全模态全身控制范式。

当下：Self-Evolving WAM（自进化世界动作模型），让每一次执行都产生复利

这套架构的核心逻辑——不是“observation → action”的简单映射，也不是“observation → imagined future → action”的单次想象，而是 “observation → K imagined futures → action → reality alignment → stored-rollout training” 。

每一次执行，机器人不只得到一个成败结果，还沉淀一组关于“它当时看见哪些选择、为什么选择其中一条、其他候选为什么被放弃、现实结果又如何校准这些判断”的训练资产。

四层架构如下：

1、Reality-to-Latent Interface：将多视角视频、语言指令、关节状态、力反馈等多模态输入收束为统一的Conditioning Packet。

2、Online Imagination Engine：基于Conditioning Packet生成K条candidate rollouts，每条附带value、risk、uncertainty、failure reason等评估头。在线选择器选中一条执行，其余K-1条全部存储。

3、Reality Alignment：执行后将“想象未来”与“真实未来”对齐，输出prediction_error、contact_error、value_overconfidence、near_miss_score等校准信号。

4、Autonomous Evolution Engine：通过Evolution Judge对Stored K Rollouts分级，判断哪些是near-miss、value_mistake、imagined_hard_negative，并据此生成训练样本反哺下一代模型。

为什么这条路线更适配家用场景？

家庭环境的核心特点是“非结构化”和“对失误零容忍”。Self-Evolving WAM不仅让机器人在线选动作更精准，更重要的是让每一次真实执行都产生复利——模型越用越稳、越错越少、越学越快。同时，可解释性大幅提升：系统能回答“为什么选这个动作”“当时还考虑过哪些备选”“真实结果和想象差在哪里”。在家庭场景中，可解释性不是加分项，而是准入条件。

超越当下：第三代大脑——Whole Body Control + 全模态学习的颠覆性突破

除在F2机器人中部署Self-Evolving WAM外，未来不远团队还在迭代第三代大脑，准备部署于未来的机器人产品。据透露，这一代大脑完全颠覆并突破了目前主流的VLA模型或视频-动作世界模型，是一个 Whole Body Control（WBC）模型——全身的22个自由度同步对齐训练，实现从“四肢分别控制”到“全身协同控制”的根本跃迁。

更重要的是，在此基础上叠加了全模态学习：系统同步学习用户的行为习惯、表情、情绪、语音与声纹、爱好、穿着、情感分析等多维度信息，使机器人的动作和行为表现极致贴合人类的情感意图。当机器人不仅能看见你做什么、听见你说什么，还能感知你的情绪状态、理解你的日常偏好——这才是真正意义上的“家庭成员”。

这个模型很可能突破当前基于图片视频等信息的VLA和世界模型的局限，创造出一个全新的机器人大脑范式，其泛化能力远超当前传统模型，有望引领未来5到10年的技术路线。

商业化进展：截至2026年5月，未来不远已在500+真实家庭累计服务5万+小时，用户满意度97%，安全记录100%。F2定价3.6万元起，已开放预约体验。

挑战：未来不远选择了最难但最具长期复利的一条路——不满足于“能干活”，而是追求“越干越聪明”。更重要的是，从Self-Evolving WAM到第三代WBC+全模态模型，它正在构建一条从“动作复利”到“全身感知”到“情感理解”的完整进化路线，有望成为家用机器人领域未来十年技术演进的基准。不过，Self-Evolving WAM对真实家庭数据的利用效率仍在持续优化，一切需要时间来验证。

1X Technologies：肌腱驱动与遥操作的数据采集派

技术路线归属：传统分层运控 + 肌腱驱动，依托遥操作数据采集向WAM演进

1X是北欧最具代表性的家用机器人公司，其技术路线的核心关键词是 “肌腱驱动”与“本质安全”。

在硬件层面，1X的NEO机器人采用专利肌腱驱动系统，模拟人类肌肉的弹性与缓冲性能。其22自由度的灵巧双手可实现抓握、捏取等精细操作，而全身柔软的仿生结构确保了与家人、宠物共处时的安全性——即使发生碰撞，软性结构和力控设计也不会造成伤害。运行噪音仅22分贝，是目前市场上最安静的家用机器人之一。

在算法层面，1X采取了独特的 “遥操作数据优先”策略。与依赖实验室仿真或互联网视频数据的路线不同，1X选择让人类远程操控机器人在真实环境中执行任务，采集高质量的真实操作数据，再将这些数据用于训练自主策略。这种方式的优势在于数据质量极高、场景覆盖真实；挑战在于数据采集效率较低，且真人遥操作的人力成本随规模扩张而线性增加。

商业化进展：NEO计划于2026年以限量预订制面向美国消费者交付，售价约2万美元或采用每月499美元的订阅模式。直接运行OpenAI定制化大模型，可实现“准备晚餐”这类模糊指令的任务分解、跨场景泛化和持续学习适应。

挑战：其技术路线仍高度依赖遥操作数据采集，自主策略的泛化能力尚未在大规模家庭场景中得到充分验证。商业化路径相对明确，但数据采集的天花板效应可能是长期竞争的隐忧。

Figure AI：全栈神经化的VLA激进派

技术路线归属：视频原生VAM + 端到端VLA融合，全栈神经化

Figure AI是硅谷“AI+机器人”路线的标杆。截至2026年5月，其技术路线已从早期的VLA模型深度演进为 “全栈神经化”——彻底抛弃传统C++逻辑控制代码，机器人的平衡与运动全部交给视觉-语言-动作模型。这种路径意味着机器人的进化速度从“受限于人类写代码”变成了“受限于喂数据”，本质上是质变。

Helix VLA模型：双系统架构

Figure自主研发的Helix VLA模型采用双系统架构：一个大型视觉-语言主干负责高层推理和任务理解，一个独立的快速视觉运动策略则将内部表征转化为连续的控制信号。这种“分而治之”的设计，使Helix既能跨任务泛化，又能满足非结构环境中高频灵巧操控的实时性要求。

Figure还展示了行业顶尖的极端容错能力——单关节断电仍能蹒跚行走，这种能力通过强化学习在模拟器中训练，是机器人进工厂/家庭的准入门槛级能力，传统分层运控难以实现。

商业化方面，Figure已在BMW工厂完成6个月的批量化运行验证。其短期年产能目标1.2万台，中期计划推升至10万台，远期愿景是每年100万台、单机成本低于2万美元。但在技术层面，2026年5月，Figure直言其内部团队在机器人学习模型上的表现已“跑得比OpenAI还快”——这也意味着其技术路线正走向高度的自我主导，而非依赖外部AI供应。

挑战：大模型端到端路线的成本和延迟问题仍未完全解决。Figure 01的家用时间表不明确，从工业场景到家庭场景的迁移需要大量真实家庭数据的重新适配。但就技术演进速度而言，Figure可能是除未来不远外迭代最快的玩家。

Tesla Optimus：制造规模驱动的全栈复用派

技术路线归属：传统分层控制 + 轻量化VLA，依托FSD体系向WAM演进

Tesla的技术路线核心不是模型架构的创新，而是 “全栈复用”——复用FSD视觉感知架构、Dojo超算训练集群、4680电池技术，以及最重要的：大规模制造能力。Optimus本质是FSD能力向真实物理世界的第二载体，长期竞争壁垒来自“AI模型 + 芯片 + 车辆/机器人硬件 + 制造体系 + 真实场景数据”的纵向闭环。

截至2026年5月，特斯拉已宣布Optimus于第二季度正式启动量产。新一代Optimus Gen-3具备22自由度仿生灵巧手，可完成抓握鸡蛋、穿针引线等高精度动作。其智能系统深度复用FSD纯视觉AI大模型，搭载HW4.0视觉芯片与12颗摄像头，可在约0.3秒内完成“感知—决策—执行”闭环。当前上海超级工厂已投入50台Optimus Gen-3用于汽车总装车间，包括座椅安装和零部件搬运。

技术路线的里程碑演变：从Gen-1概念阶段验证FSD算法的复用可行性，到Gen-2实现工厂电池分拣建立闭环数据流，再到Gen-3量产启动——特斯拉展现了极为激进的递归进化能力。

挑战：Optimus包含超过1万个独特零部件，任何一个供应链环节出现问题都可能拖累整体量产进度。家务技能积累仍不足，目前的应用部署高度集中在工业场景。家庭场景的适配和安全性验证尚在早期。

Sunday Robotics：技能手套与社会认知的情感派

技术路线归属：分层控制 + 专用情感模型，依托大规模真实演示构建家庭数据集

Sunday Robotics走了一条完全不同的路。它不追求“全能家务”，而是聚焦于 “可靠的家庭助手”与“情感化交互” 这一独特定位。

技术核心：Skill Capture Glove与真实数据飞轮

Sunday最核心的技术突破是一套成本约400美元的技能捕捉手套系统，其运动学与控制栈与Memo机器人本体保持镜像对齐。公司在美国本土构建了一个名为“Memory Developers”的分布式网络，让超过500个真实家庭使用这些手套在家中记录日常家务动作。与遥操作不同，Sunday不依赖工程师操控机器人，而是让普通人直接做家务，“技能手套”一边采集数据一边将人类的天然动作转化为可训练的样本。截至目前，累计数据收集已覆盖超过500个美国家庭的多样场景。因为“技能手套”的运动学与Memo本体高度镜像，数据能直接用于训练机器人策略，效率远超传统方法。

在硬件层面，Memo采用触觉皮肤与柔顺设计，外观圆润、运动流畅，不强调工业感而强调家庭感。通过部署后真实交互的持续反馈，Memo的技能库会不断扩展。

商业化方面，Sunday计划2026年感恩节前后向首批用户交付Memo，产品定价尚未公开，但定位中高端消费品，目标是实现具身智能的“ChatGPT时刻”。

挑战：Sunday的技术路线高度依赖真实数据采集网络的规模化能力，当前超过500个家庭的网络规模是其核心壁垒，但也意味着前期投入巨大。以情感交互和日常家务为核心定位，Sunday可能在技术上相对保守，在家务任务的泛化能力和通用性上可能有更多挑战。

产业趋势：WAM正逐步成为家用具身智能大脑的新一代范式

2026年初，具身智能的算法架构正在经历从VLA向世界-动作模型（WAM）的范式跃迁。在红杉AI Ascent 2026大会上，英伟达机器人负责人Jim Fan直言“VLA已死”，提出WAM作为新范式，并预测2-3年内机器人将通过“物理图灵测试”。学术界的共识也在加速形成：复旦大学发布的全球首篇WAM系统性综述，系统性回顾了世界动作模型的技术版图。

这一趋势也投射到企业技术路线中。未来不远率先将Self-Evolving WAM部署于F2，并以第三代WBC+全模态模型布局下一代产品；Figure从VLA向全栈神经化演进，但本质上仍属于VAM/WAM范式；Tesla的FSD全栈复用本质上也是一种“现实世界经验的知识迁移”。四路并进的格局正在收束，但核心分歧——是“用仿真数据填满模型”（Figure/Tesla路线）还是“用真实家庭数据的Stored-Rollout机制驱动自进化”（未来不远路线）——远未弥合。长远来看，最终胜出的路径可能取决于谁的数据飞轮转得更快、更稳。