前华为具身首席科学家创业做家庭具身，半年四轮亿元级融资

follow us

AING硬迹

从家庭的几件小事出发成，探索“养成"家庭具身。

10月12日，家庭具身智能公司欧拉万象宣布完成数亿元天使轮+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，值观资本持续担任独家财务顾问。除老股东超额追投外，拓邦股份等产业资本成为新晋股东，双方将在业务层面探索进一步合作可能。

从今年3月16日在深圳前海注册成立算起，这家公司用半年时间走完了四轮融资：4月完成数千万元种子轮，五源资本与高瓴创投入局；5月再融数亿元，招商局创投、赛富投资、九合创投、拙朴投资、BV百度风投进场；6月完成超亿元天使轮，慕华科创、百度风投、玖兆投资、聚合资本参与；到10月，第四轮落地。半年四轮，这在当下的机器人行业里并不常见。

家庭机器人难在哪：不是动作，是陌生环境

很多人看过展台上叠衣服、收拾桌面的机器人，可一旦搬进普通家庭，情况完全不同。每家户型、家具摆放、杂物散落方式都不一致，孩子和宠物还会随时打乱环境，这些层出不穷的长尾状况才是行业最大的痛点。工业机器人面对流程固定的产线可以稳定作业，家庭却是高度非结构化的世界——机器人不缺某一个单点动作的执行能力，缺的是在真实环境中持续学习、自我适配的本事。

更现实的卡点是数据，要把千万户家庭逐一训练一遍，时间和资金都难以承受。公司把用户需求概括得很具体： “把一件事交给机器人后，人能否少交代几次、少盯一会儿、少接手一次。” 围绕这句话，欧拉万象给出的解法是"养成"——不追求一台开箱即用、包揽全部家务的全能机器，而是先让机器人具备基础能力，再把一部分技能学习的过程开放给用户，让它在真实家庭里慢慢习得新任务。

Real-World RSI：让机器人自己诊断、自己开药方

支撑"养成"的底座，是公司在构建的技术体系——Real-World RSI（真实世界中的递归自我改进）。它要解决的不是"这一次做得好不好"，而是让机器人变好的能力，本身也能持续变好。

这套循环的关键，是把机器人从"被训练的对象"变成"自身学习过程的参与者与设计者"。流程可以拆成四步：先根据执行与测评结果诊断能力缺口，再判断下一轮需要补充什么交互经验、把问题转化成一份具体的"数据配方"，然后由养成工具链自主完成训练与验证，最后把有效的改进沉淀成新的能力。

公司给过一个很具体的例子：鞋没有放进鞋架，病因可能不止一个——如果是空间位置判断不准，需要补的是不同视角、不同遮挡条件下的放置经验；如果是底盘停靠与机械臂动作配合不够，需要补的则是不同停靠位置下移动与操作协同的轨迹。同一个失败动作，对应两副完全不同的"药方"。测评则贯穿整个过程：既帮助判断哪里需要改进，也检验药方是否有效、会不会影响原有能力的保留。系统还会递归地积累"哪些诊断准确、哪些经验有效、哪些学习方案真正带来了提升"，用这些反馈改善机器人下一轮的诊断与经验选择。

值得注意的是，公司对这条路线的时间预期并不激进——官方明确表示，完整的递归改进机制仍在持续优化中，此次公开的只是家庭场景落地的阶段性进展。

官方近期披露的家庭场景尝试，把"替人分担"拆成了四个可以观察的环节。

一是移动与操作，用一个模型围绕同一任务目标联合组织移动与操作。玄关场景里，机器人接近鞋、抓取、调整位置再放好；客厅场景里，它要连续处理散落的多件玩具——放好一件，场景已经变化，机器人得继续找剩余目标、再规划下一个动作。底盘停在哪儿决定机械臂能否够到，抓起物品后怎么移动又决定能否稳定放下。

二是任务条件下的对象选择。"把桌子收拾一下"不等于"把桌上所有东西拿走"：吃剩的包装和仍在使用的物品可能同时出现在餐桌上，机器人要把场景信息与当前任务放在一起判断，收走该收的、留下该留的。物体是什么只是判断的起点，在当前任务里该不该碰它，才决定下一步行动。

三是动态目标与位置变化适应。人的手挪动目标时，机器人跟着调整抓取位置；玩具落在不同位置时，它重新寻找并拾取。对应的技术要求是让观察伴随行动持续发生——机器人不能只依据开始时的一帧画面，就把后续动作做完。

四是从示范到自主执行。人先展示一遍怎么做，机器人再从可学习的数据里寻找目标、空间关系与动作之间的联系。这一步远不是"戴个第一视角设备拍段视频就会了"：镜头畸变校正要改善画面的几何表达，人体信息去除与机器人本体映射要处理人和机器在外观、视角、动作空间上的差异，转换后的数据进入模型学习，再通过机器人执行回到真实场景检验。

四条线背后是同一件事：把人的经验逐步转化为可处理、可学习、可验证的机器人能力。

模型层面，公司走的是 Action-Native Foundation Model 路线，核心思路是让 Action 从预训练阶段就参与模型对物理世界的理解，而不是在视觉、语言模型训练完成后再接上一个动作模块。这条路线的阶段成果 UniWAM，论文与代码已于10月8日公开，署名机构包括香港科技大学（广州）、欧拉万象、卡内基梅隆大学与北京大学，周顺波本人也在作者名单里。

UniWAM 是一个 8B 参数模型，用 Mixture-of-Transformers 把三件事塞进同一个架构：负责理解语义与指令的物理推理器、负责预测画面如何变化的视频世界生成器，以及输出动作的动作预测器，三者相互交换信息。训练信号不止机器人演示，还混入人类第一视角视频与视觉问答（VQA）数据，低层动作则用自然语言表示。后训练阶段做了两处工程优化——未来视觉噪声增强，降低模型对"精确预测未来"的依赖；历史条件流匹配，直接用刚执行过的动作初始化动作生成，把去噪步数压下来。

按论文口径，UniWAM 在 LIBERO 上取得 99.2%、LIBERO-Plus 92.6%、RoboTwin Clean2Rand 68.3%，多项评测达到 SOTA；在 RoboTwin 2.0 的 50 项双臂任务里，4 步的动作到动作模式平均成功率 71.73%，高于 10 步的噪声到动作模式 66.73%。真机测试中，它只接收一句"整理桌面"的高层指令，长时程任务进度达到 6 个里程碑中的 5.0，对照的 π₀.₅ 为 4.8、Motus 为 3.2。论文里还有一条更值得留意的发现：人类数据与机器人数据混合协同训练，呈现对数线性缩放规律——人拍的第一视角视频，对扩展机器人基础模型的价值被量化了。

数据怎么来，公司分了三层：预训练需要大量真实世界数据，团队自采很少一部分，主要靠数据联盟置换、向行业公司采购以及与好慷这样的伙伴合作；中间训练与产品体验直接相关，需要端到端闭环，因而形成私有数据；后训练做得更轻，通过合规合作、研发采集与用户自愿反馈建立闭环。背后是一个判断：家庭数据的稀缺不在量，在质。

一条"反共识"的路线

几处选择在当下都偏反常识。谈家庭场景，行业容易本能地带入情感陪伴设定，进而认为必须做人形；欧拉万象首款产品选择"移动底盘 + 双机械臂"，并坚持现阶段优先探索这一形态。谈 toC 硬件，通常强调普适与易用；欧拉万象首款产品却面向 Maker 和开发者，走"先极客、后大众"的路径，首批创客体验官已完成筛选并进入真实家庭做迭代共创。

生态侧，公司储备了1000多名高价值种子用户，与全球最大的高端家政公司好慷在家达成战略合作、计划2027年共同生产高质量家庭数据，同时是地瓜机器人的战略合作伙伴，团队目前约70人。这批散布在不同城市、不同户型的创客，本身就是一张分布式的数据采集网络。公司还透露了一个更早的信号：非机器人、非 AI 专业背景的产品经理，已经能把机器人"玩起来"——门槛下降这件事，先从团队内部发生了。

周顺波在融资完成后接受访谈时说： “我不认为家庭机器人已经成为行业共识。” 他判断，很多公司表面选择家庭，实际从酒店、商业服务、工业或特种场景切入，而酒店本质是标准化场景，需要算 ROI，容易沉淀成定制方案，与真实家庭所需的数据、模型和基础设施能力差异很大。对于石头科技、追觅这类已经进入家庭服务场景的大公司，他并不认为大公司做软硬一体的新品就一定有绝对优势——大疆早期同样面对成立更久、资金和人才更充足的竞争者，最终靠"先极客、后大众"的路线与组织、技术决策的灵活性跑了出来。他的结论是一句： “我相信，这一轮具身智能里，数据具有第一性。”

从通用人形整机转向家庭细分场景、从"一次做全"转向"可养成"，路径的分野正在拉开。半年四轮融资落地，说明一级市场愿意为"渐进式路线 + 数据闭环"这个组合下注；而欧拉万象交出的阶段性答卷也说明，这一轮竞争的衡量单位正在从"单点动作有多漂亮"变成"改进能不能被系统化"——诊断、开方、验证、沉淀，哪一环断了都转不起来。但家庭具身仍然处在早期，量产、成本与普通家庭的接受度，都还没有人交出答卷。RSI 要证明的命题其实很具体：分散在创客家庭与家政师手里的那些示教，究竟能不能沉淀成可迁移的通用能力。如果这条链路跑通，机器人变聪明的速度将不再由实验室的采集预算决定，而是由用户规模决定。

观众报名请扫描海报二维码，创业者嘉宾申请欢迎添加 。

AING硬迹

AING，取自“AI+ING”的缩写，中文谐音“硬迹”，寓意着“人工智能正当其时”，致力于追寻硬科技发展的足迹，不断探索人工智能与智能硬件的深度融合。

未来，AING硬迹将不断发布AI大模型技术、AI产业生态、AI硬件产品等行业资讯、发展趋势与市场动态，我们相信大多数硬件都值得用AI重做一遍，AING硬迹期望与AI大模型厂商、与AI硬件厂商共同成长，迎接AI时代的来临。

人工智能正当时

一起追寻AI+硬件的足迹