半年融四轮，欧拉万象周顺波想把家庭机器人“养大”

总要有人从Day one就在家庭场景深耕，才有可能走到家庭具身的终局。

作者｜徐婷

编辑｜孟雯

欧拉万象正以一种“超出行业惯性”的速度推进。

10月12日，奇点研究社获悉，家庭具身智能公司欧拉万象已完成数亿元天使轮+融资。本轮由诚元祥基金、芯能创投、锡洲国际、拓邦股份、弘毅投资等新老股东联合投资。

自2026年3月成立以来，这家公司已连续完成四轮融资，投资方包括高瓴创投、五源资本、招商局创投、赛富投资、九合创投、百度风投等机构。

创始人周顺波曾是华为具身智能创新Lab的第一位负责人，主导过华为相关技术体系从0到1的搭建。离开大厂后，他选择了一条颇具挑战的路线：让机器人进入家庭。

这个决定并不太容易被外界理解。

过去几年，具身智能的商业化探索主要围绕工业制造、仓储物流、商业服务等场景展开。家庭虽然拥有大量潜在需求，却也是环境最复杂、任务最琐碎、用户容错率最低的地方。桌面上散落的玩具、沙发上的衣物、随手放错位置的物品，都可能成为机器人需要处理的“意外”。

更何况，家庭里没有一张提前画好的任务清单。每个家庭的空间布局、物品摆放、生活习惯都不一样：今天要整理茶几，明天要收拾玩具，后天，也许有人希望它做一个从未被训练过的动作。所以多数公司选择绕开家庭，先去那些“算得过来账”的场景落地。

但周顺波想做的，恰恰是能够应对这些变化的机器人。

此前接受奇点研究社采访时，他解释过一个判断：家庭和类家庭场景，是积累具身智能所需的多样化数据、长序列任务，以及真实人机交互和物理世界反馈数据的理想场所。

欧拉万象给出的产品方向，也由此有了一个区别于传统家电的关键词：可养成。

他希望先让一群愿意动手、乐于探索的用户参与机器人训练，再逐步把用户反馈转化为模型和产品能力。与其一开始就承诺机器人能替所有家庭做家务，欧拉万象更愿意先验证：机器人能否在真实家庭中持续学习，用户能否以足够低的成本教会它新技能。

这背后，是一条仍处于早期、但可能决定家庭具身智能长期竞争力的路线：从真实场景获取数据，再通过模型训练、任务执行和用户反馈不断改进，终极目标是“把机器人的技术平权给每一位爱好者”。

从Day One就押注家庭

数据是第一性

周顺波对机器人的兴趣，远早于具身智能成为热门赛道。

在香港中文大学攻读机器人学博士期间，他做过用于医院陪伴的疗愈熊猫，也参与过重载无人拖车系统的开发。2020年博士毕业后，他通过华为“天才少年”计划加入华为，后来主导华为具身智能创新Lab的建设，带队研发具身智能平台CloudRobo。

在华为期间，他接触过3C制造、物料转运、拣选等工业任务，也与顺丰、比亚迪等客户开展过相关项目。

这些经历让他对机器人落地有了更具体的认识。

“做POC的时候大家都很开心。”周顺波告诉奇点，新技术只要能够把一个任务跑通，就足以让合作双方看到希望。但当机器人准备进入真实生产环境，客户马上就会追问可靠性、任务成功率、生产节拍，以及投资回报率（ROI）。

对于工厂来说，技术演示成功只是第一步。要进入生产线，机器人还需要满足严格的可靠性要求，任何一个环节的不稳定，都可能影响整套系统的运行。

周顺波认为，工业场景的商业化远没有外界想象得那么简单。如果目标只是解决某个高价值、流程相对固定的任务，成熟的自动化技术配合少量AI，可能已经足够。具身智能若想体现自身价值，则需要解决更复杂的感知、决策与操作问题。

家庭虽然同样困难，却有另一层吸引力。

在他看来，具身智能需要的数据，不仅要有数量，还要有足够丰富的分布。机器人必须接触不同物体、空间、动作和生活习惯，并在执行任务的过程中不断获得物理世界的反馈。

家庭场景几乎天然具备这些条件。

但家庭数据并不能简单地从其他场景迁移过来。

此前，周顺波曾做过酒店场景的实验，酒店客房整理与家庭收纳，在任务描述上看起来十分接近，具体操作却存在明显差异：酒店床铺与家庭床铺的整理方式不同，酒店的收纳流程也未必适用于真实家庭。按照他的判断，即使在酒店积累了大量数据，迁移到家庭后，真正可用的比例也可能很低。

任务名称相似，不代表机器人学到的技能可以直接迁移。

这也是欧拉万象把家庭数据放在战略优先级上的原因。与其先在标准化场景中积累一套成熟的工程方案，再尝试将其复制到家庭，不如从一开始就围绕真实家庭的任务分布建设数据和模型能力。

用周顺波的原话讲，“工业场景全是算账的逻辑，都是定制化，永远不可能从工业走到家庭。总要有人从Day one就在家庭场景深耕，才有可能走到家庭具身的终局。”

数据都从哪里来？欧拉万象正在尝试建立多种来源。

一类是以人为中心的数据采集。采集者佩戴摄像头或其他采集设备，在日常生活中记录真实动作，为机器人学习人类操作方式提供素材。

另一类是通过产业合作进入真实生活场景。此前采访中，周顺波提到，招商局创投旗下的公寓资源，可以成为酒店与普通家庭之间的过渡场景：公寓有真实居住者和较高频的整理需求，相较酒店，其任务分布更接近家庭；同时，相比直接进入普通家庭，也有机会降低部分数据采集的组织难度。

最新公开信息显示，欧拉万象已与高端家政服务公司好慷在家建立战略合作，计划在2027年共同生产高质量家庭数据。好慷在家的价值不只在于进入家庭，还在于其专业家政服务SOP：保洁、收纳整理、育儿、做饭等任务，都有相应的流程和操作经验。

这给家庭机器人提供了另一种训练思路：从专业服务人员的经验中学习。

以收纳为例，人类完成一项家务，往往依赖长期形成的经验判断。物品应该放在哪里、不同材质如何处理、整理后是否方便下一次使用，都可能影响最终结果。若机器人能够学习这些专业操作，再将其迁移到普通家庭，所提供的价值就可能超过简单重复某个动作。

不过，家庭数据的积累仍然需要解决隐私、成本、数据质量和任务覆盖等问题。数据能够采集，不等于可以直接用于训练；在一个场景中有效，也不意味着换一个家庭仍然有效。

因此，欧拉万象需要验证的不仅是如何获得数据，还包括如何把数据转化为稳定、可复用的操作能力。

从“开箱即用”到“可养成”

机器人能否让用户参与进化？

家庭机器人有两种看起来截然不同的产品思路。

一种是尽可能在交付前完成训练，让用户开箱后就能使用。另一种则允许用户在使用过程中教会机器人新技能，产品能力随着任务积累逐步扩展。

欧拉万象选择后者。

周顺波举过一个颇有意思的例子：一位极客希望机器人在家里敲木鱼，原因是居家办公事情太繁杂需要敲木鱼静心。（听起来很Personal AI）

这个需求实现起来并不复杂，却未必存在于通用机器人基础模型的任务清单中。对普通家电来说，这可能是一个没有必要专门开发的功能；对希望让机器人适应个人偏好的用户来说，它却可能具有独特的价值。

欧拉万象希望建立一套技能开发流程，让用户能够通过示教和少量数据采集，训练机器人完成个性化任务。

周顺波将这类需求分为两种情况。

如果用户想教的任务已经包含在基础模型的能力范围内，按照他此前的介绍，在现阶段的技术条件下，用户可能只需要采集十几到几十条示教数据，再经过后训练，就有机会将任务成功率提升到90%至95%左右。具体效果仍取决于任务本身和实际训练条件。

如果任务完全不在基础模型的能力范围内，则需要另外开发技能。以敲木鱼为例，团队可能使用一个规模较小的策略模型来完成特定动作，这类技能的泛化能力有限，但只要能够稳定满足用户的个性化需求，就可能具有产品价值。

两种模式对应着不同的产品逻辑：基础模型负责提供较广泛的通用能力，个性化技能则让机器人逐渐适应具体用户。

这也解释了为什么欧拉万象没有把“开箱即用”设定为第一阶段的唯一目标。

在此前采访中，周顺波告诉我们，团队筛选首批开箱可用任务时，会同时考虑三项条件：用户需求是否足够高频，任务失败的代价是否足够低，以及现阶段技术是否能够实现。

按照这套标准，欧拉万象优先攻克的是平面收纳整理。

从进门后的玄关，到沙发、电视柜、床头柜、茶几，再到书桌和餐桌，这些区域分布在多数家庭中，物品也经常发生变化。与“抓一条活鱼”这种难度颇高的任务相比，平面整理更适合作为早期能力验证的起点。

不过这也并不意味着整理家务是一项简单任务。物体形态、摆放位置、遮挡关系以及用户对整理结果的不同要求，都可能影响执行效果。但从产品设计的角度看，先把高频、低风险、技术可达的任务做扎实，有助于团队明确产品边界。

欧拉万象的另一项重要决策，是先服务Maker，即有动手能力、愿意探索和参与开发的用户。

周顺波将这群人比作拓竹3D打印机的早期用户，“他们对产品的期待，除了完成任务，还包括探索机器人的能力边界、开发新技能，以及参与产品迭代。”

在他看来，直接面向所有家庭推出一款宣称开箱即用的机器人，风险很高。家庭用户对产品的期待几乎没有上限，而现阶段的具身智能还无法稳定满足所有需求。相比之下，Maker更愿意接受早期产品的不完善，也更有可能提供有效的使用反馈。

这是一条从小众走向大众的路线，但关键不在于先找到一群愿意尝鲜的人，更在于能否把他们的探索转化为产品能力。

如果用户每次教机器人完成一项任务，都需要投入大量时间、反复调试，所谓“可养成”就可能只适合少数技术爱好者。只有当示教成本持续下降、训练结果足够稳定、技能能够在更多相似场景中复用，用户参与才有机会成为产品的长期优势。

换句话说，用户共创既是早期产品的研发方式，也是欧拉万象需要持续验证的技术命题。

不追双足人形

欧拉万象先算家庭机器人的商业账

在家庭机器人赛道，双足人形往往更容易成为关注焦点，毕竟它接近人类的身体形态，也更容易让人联想到机器人承担家务、照料家庭成员的未来。

欧拉万象却选择了移动底盘加双臂的产品方向。

此前采访中，周顺波明确表示，未来3至5年，公司会优先考虑轮式机器人。他认为，双足人形进入家庭，在安全、能耗、噪音等方面仍面临诸多挑战，短期内很难同时满足家庭场景的要求。

对于一家希望尽快验证操作能力的公司来说，移动底盘首先要足够稳定。机器人移动得越稳，双臂就越有条件完成抓取、整理等精细操作。与其把大量研发资源投入复杂的双足运动，不如先把有限的资源集中在操作技术和真实任务上。

这种选择，也与欧拉万象当前的产品阶段相匹配。

公司并不打算一开始就把产品卖给所有家庭，按照周顺波此前透露的规划，欧拉万象计划先推出小批量样机，交由早期用户进行实测，再根据反馈持续迭代。

最新公开信息显示，公司已储备1000多名高价值种子用户，团队规模约70人。与此前8月份采访中透露的约200名高价值体验官的阶段性数据相比，种子用户储备已有进一步扩展。公司还计划在2027年第一季度推进首代产品的小规模验证与迭代，再根据可靠性和用户体验决定销售及规模化节奏。

技术方面，欧拉万象已公布OLA-Sem和OLA-Geo两款模型阶段性成果，分别侧重空间语义理解与动作生成的关联，以及空间几何表征。按照公司披露的信息，两款模型在RoboTwin Benchmark的对应评测设置中取得了较好的成绩。

这些进展表明，欧拉万象正在同步推进模型研发、数据基础设施和产品验证。不过，模型基准测试的成绩仍需要经过真实家庭任务的检验。机器人能否在不同家庭中稳定完成操作，能否降低用户教会新技能的成本，才是这些技术能力能否转化为产品价值的关键。

这也意味着，融资速度并不直接等同于商业化进度。

具身智能需要大量算力、数据、硬件和研发投入。周顺波表示，公司资金主要用于算力与数据、人力，以及运营和设备采购等早期投入。随着产品从模型研发走向真实场景，团队还需要持续解决硬件可靠性、供应链成熟度和用户体验等问题。

更重要的是，家庭机器人必须找到一个能够支撑长期迭代的商业模式。

如果产品只靠一次性销售，用户买回家后却很少使用，机器人就难以持续获得真实反馈，数据闭环也会受到影响。相反，如果机器人能够在家庭中持续执行任务，用户愿意不断教它新技能，使用频次和单次使用时长就可能成为比短期销量更有意义的指标。

周顺波也将机器人执行开箱可用任务的成功率、单个家庭的使用频次和单次使用时长，视为后续需要重点关注的指标。

这些指标分别对应着技术能力和产品价值，只有两者同时改善，家庭机器人才能逐步走出演示阶段。

从这个意义上说，欧拉万象想要建立的，是一套能够不断循环的系统：用户提出需求，机器人执行任务，执行结果形成反馈，反馈再用于训练和改进模型，新的能力回到用户身边。

任何一个环节停滞，都可能让所谓的数据飞轮失去动力。

欧拉万象成立仅半年，连续完成四轮融资，说明资本愿意为其技术积累和家庭场景路线提供支持，但融资解决的是研发资源问题，无法替代真实任务的验证。

要实现把机器人的技术平权给每一位爱好者的终极目标，欧拉万象需要先证明一件更具体的事：普通用户能否以足够低的成本教会机器人完成一项新任务，而机器人又能否把这项能力稳定地留在自己的技能体系中。

当家庭机器人开始拥有这种持续学习的能力，“可养成”才有望从一个产品概念，变成一条可行的商业路线。