半年四轮亿元级融资后，欧拉万象想把家庭机器人带向哪里？

家庭机器人最难的不是干活，而是理解生活

试想一下这样的场景：下班的你拖着疲惫的身体回家，在电梯里打开app给机器人发送快到家的消息，打开门，它已经给你拿出了拖鞋，又帮你把脱下的鞋子放至鞋架。

到了客厅，狗狗和你都躺在沙发休息，机器人便把散落一地的玩具捡起来归位。等你吃完外卖，跟它说“收拾一下桌子”后再次躺回沙发，它则把桌面上的外卖盒整理到袋子里。

现在，这不只是想象中的场景，而是家庭具身智能企业欧拉万象最新推出的家庭落地实践。几天前，这家成立仅半年的公司刚宣布完成第四轮数亿元融资。

在当下的具身智能行业，家庭几乎是所有人都看好、却少有人敢给出确定性的场景。它足够高频、足够刚需，也足够不标准。以上的每个场景对人来说不难，对机器人来说却意味着一系列的判断、调整和执行。

因此，机器人要真正进入家庭，面对的就不只是动作执行得是否准确，还有对具体任务和使用环境的持续适应。于是真正问题应该是，家庭机器人究竟应该依靠预先编写、训练好的技能完成任务，还是能够在使用过程中逐步适应环境、理解需求，并不断扩展自己的能力？

欧拉万象的回答是后者。CEO周顺波表示，公司从一开始就强调“养成”的概念——机器人出厂时不必会做所有家务，但要能被这个家教会，从用户的示范里学会新技能，再在一次次真实执行中发现自己做得不够好的地方，通过自进化系统持续迭代来提升表现。至于这条路径能走多远，最终仍要由机器人在真实家庭中的稳定性与可靠性来检验。

01. 家庭机器人最难的不是干活，而是理解生活

家里的门有多少类型？不同的门要如何打开？

房间的门需要旋拧，阳台的门是横向推拉，衣柜的门则可能要按压。欧拉万象的产品团队调研发现，像开门这样对人再简单不过的事，已然可以把机器人难住。

人类习以为常的生活涉及一系列的理解、判断、执行和反思，在其中，还有人这个最大的变量。在家的小天地里，人释放自我、随心所欲。“家庭的多样性、不同用户的需求，两个维度是相乘的关系，让家庭机器人处理任务变得极其的复杂”，周顺波坦言。

家庭环境的复杂，决定了机器人不能从“包揽所有家务”开始定义产品。欧拉万象选择先找出用户反复遇到、同时现阶段技术有机会解决的任务，再据此划定首批验证场景。安全、隐私和长期使用的可靠性，也会影响这些能力最终能否进入家庭。

为了获得用户的真实需求，欧拉万象在国内外的机器人社区里收集了一千余份有效的长问卷，问卷全部填完需要近15分钟，问题细致到家里有没有超过 3 厘米的门槛、家务习惯、最痛的家务是什么等等，再从其中确定家庭机器人最值得完成的高价值任务。

比如用户最希望机器人帮忙解决的问题是桌面收纳，“大家隔段时间会请阿姨进行全屋打扫，但桌面也许每天都在从整洁变得混乱，很难说一直找阿姨去整理一张桌子。”

再比如，比起市面上宣扬的机器人帮忙叠衣服的需求，大部分人更在意的是等待衣服洗净烘干的那一小时。“很多人工作到很晚才下班回家，由于洗完的衣服在洗衣机里放一夜，不及时的晾出来怕有味道，所以衣服洗不完是无法安睡的”，周顺波表示，反而叠衣服对许多用户来说是一个清爽、解压的事情。

在欧拉万象这次的展示里，正是基于真实需求选择的场景。欧拉万象的技术团队表示，以玄关拿鞋为例，这看似只是把一双鞋从地面拿起、再放到鞋柜里，实际上却串联起了目标识别、位置判断、移动、抓取和放置等一系列环节。机器人不仅要识别鞋子，还要确定鞋柜的位置和合适的放置位置，并在执行过程中协调移动底盘与机械臂，也就是协调移动和操作，从而完成一连串连续动作。任何一个环节出现偏差，都可能影响最终结果。

难点还在于移动和操作必须连在一起。机器人走向鞋子时，就要判断机械臂接下来能否够到它；抓取过程中，如果位置发生变化，身体和手部动作也要随之调整。欧拉万象正沿着Action-Native Foundation Model路线，探索在统一的模型框架下处理移动与操作，减少机器人“走到了，却做不了”的情况。

在这次展示的彩蛋中，机器人不仅能在客厅持续捡玩具，还能在玩具持续移动时，实时更新抓取位置。这意味着，机器人需要反复移动、寻找目标、伸出机械臂、完成抓取，再将玩具带到收纳篮附近。真正的难点在于，机器人不能只依靠任务开始时看到的环境信息行动，而需要在整个执行过程中持续感知周围环境，根据玩具的位置和自身所处的位置变化，及时调整后续动作。

桌面整理考验的则是理解。用户往往只会简单说一句“把桌子收一下”，但他要的并不是把桌上所有东西都拿走，真实家庭的桌面上，有的东西需要扔掉，有的需要保留并归置到合适的位置，机器人必须据此判断哪些该处理、哪些该留下并放到合适位置。

欧拉万象的技术团队介绍，这种判断力来自两层设计。一层在模型内部，预训练阶段就把语义理解和取舍判断结合进去，再辅以额外的目标检测与标注工作，让机器人见过足够多“吃剩的外卖盒该扔掉”这类先验。另一层来自其上的 AgenticOS，这套系统接入了通用大模型，负责更高层的任务规划，并调用其他检测模型辅助识别；把各路先验信息组合之后，再制定详细的执行规划，交由自研模型落地。

这些场景共同展现了机器人在复杂动态环境中的持续任务执行能力：不仅能够在明确条件下完成指定动作，还能在物品位置变化、目标动态移动、任务持续推进或指令具有一定开放性的情况下，根据环境与任务状态的变化持续调整行为，推进任务完成。

02. 从第一天开始的“养成”

在欧拉万象此次的场景展示中，还有一个值得关注的环节：人类佩戴数据头环，向机器人示范如何给狗狗喂食，机器人则通过学习这段示范，尝试掌握相应的动作。

让机器人真正学会人的动作，并非简单地把视频交给模型。首先，需要对头环采集的画面进行校正，减少镜头畸变对位置和动作判断的影响。接着，还要去除与任务无关的人体信息，并将人的动作转换成机器人能够理解和执行的动作。据团队介绍，这一转换过程中的位置映射误差可以控制在亚毫米级别。完成转换的数据随后进入模型训练，最后再由机器人实际执行。

对用户而言，整个流程被尽可能简化：只需在家中设定一个想要完成的任务，根据任务难度提供数十条示范，后续的数据处理、模型训练与部署则由系统自动完成。根据欧拉万象目前的验证，部分相对简单的任务，用户参与数据采集仅需约10–20分钟，完整的端到端流程约为6小时。这意味着，用户只需投入少量时间进行示范，机器人便有机会在当天完成新技能的学习与部署，并尝试执行相应任务。

“我们希望降低机器人获取新技能的门槛，包括数据门槛。”技术团队表示，“机器人在这个过程中学到的不是一个固定的动作，而是你的任务意图、物体之间的交互关系，以及背后的物理规律。”

欧拉万象的技术团队提到，家庭中的长尾需求特别复杂，“几乎没有两个人的家是完全一样的，出厂的预置功能很难覆盖所有需求，所以我们还是希望机器人进入家庭后，适当地采集一些数据，形成与这个家庭相关的特性”。

他们在调研中了解到，有位用户希望机器人能帮自己敲木鱼——因为经常在家办公，想通过敲木鱼的声音让自己保持平静。这类需求看似微小，却带有鲜明的个人色彩，难以被预先归纳为一项通用功能。但如果机器人真的能够实现，不仅能为用户提供实用功能之外的情绪价值，也可以增强用户与机器人之间的连接。对于这类难以预先定义的个性化需求，欧拉万象希望通过技能养成工具链，让用户能够从零开始训练一个小型策略模型，将原本难以预置的需求转化为机器人可以学习和执行的技能。

不过，当前演示的场景都来自调研筛选出的高价值任务，而不是一套通用的家务能力，更多的场景还在研发中，而家务真正的难度在于长期运行中的安全性和稳定的任务完成率，也需要在真实家庭里用更长的时间去验证。

示范能让机器人学会一项新技能，但真实任务中的变化会暴露这项技能的不足。如何让技能在真实场景中持续改进，是另一个问题，欧拉万象从day1就在思考，Real-World RSI（Recursive Self-Improvement，递归自我改进）是它给出的答案。

Real-World RSI该如何理解？技术团队以玄关整理鞋子为例：机器人执行任务时成功拿起了鞋子，但放进鞋框时没能放准。传统做法是工程师分析问题、决定怎么采集大量数据、再训练模型，技能扩展就很难跟上家庭任务的多样性。而现在，这些环节都变成了系统自主参与。

机器人执行任务时，系统能拿到完整的执行结果、观测数据和测评反馈。由于系统本身沉淀了算法工程师的大量 know-how，它可以判断鞋子没放好究竟是空间位置判断不准，还是底盘控制、双臂协同不到位，并据此进一步诊断出具体的数据需求——比如确认是空间定位问题，就补充不同视角的数据。“通过数据采集或合成、转换的方式补充下一轮所需要的先验信息，再去重新训练模型。”

欧拉万象的技术团队介绍，目前 Real-World RSI（真实世界递归自进化）已逐步融入从数据处理、模型训练到评测与部署的各个环节，覆盖模型迭代的主要流程。从今年8月底训练出第一版模型至今，欧拉万象已在机器人操作仿真基准RoboTwin2.0上发布两版模型，均取得了SOTA（当前最优水平）成绩。

RSI的意义不只是提升模型训练效率，更在于建立一套能够持续自我改进的机器人能力成长机制。它将基座模型、数据与训练基础设施、评测系统和机器人本体连接起来，逐步实现由AI和系统自动识别真实任务中的失败、异常与能力不足，并将这些信息转化为下一轮模型、系统或本体改进的输入，形成“执行—发现问题—改进—再验证”的持续闭环。

“以单次规模化消融实验为例，使用64张GPU训练约2.5天，累计训练资源用量约为3,800GPU-hours。”欧拉万象技术团队介绍，通过持续优化训练与实验流程，在算法工程师人数基本不变的情况下，模型迭代效率提升了约2–4倍。此次家庭场景中的任务尝试，正是基于这一持续迭代的基座模型开展。

03. 成为“管家”而非“家政员工”

具身智能发展到今天，家庭机器人已成为人工智能与机器人产业共同看好的发展方向，但行业对于如何实现这一目标，仍未形成统一答案。有的从成熟的单一功能产品切入，逐步拓展机器人的能力边界，有的押注人形机器人，希望通过更接近人类的形态适应现有生活环境。

真正决定行业发展的，不只是机器人能否实现更多功能，而是能否以合理的价格、较少的人工干预和稳定的任务完成率，为普通家庭创造实际价值。

从香港中文大学机器人专业博士到华为的具身智能1号员工，再到选定家庭机器人方向出来创业，周顺波在机器人领域已经工作了十几年。他的判断很明确，依照当前本体和模型的成熟度，短时间内无法做出一款可直接面向终端普通用户的机器人产品。这也是欧拉万象选择将Maker作为最初目标群体的原因：乐于接受新事物，有一定动手能力。与他们的互动，可以帮助公司逐渐定义清楚产品边界。

但最终，欧拉万象希望能降低机器人的使用门槛，让更多人有机会参与到创造机器人中，周顺波解释，这也是他们从理念到技术上对“可养成机器人”探索的本质。

当前，欧拉万象的模型和数据基建已经基本搭建完毕，专业开发者的门槛开始逐渐降低。“我们很多新进的实习生，都能用我们的工具很快参与到各个研发环节。”

周顺波还有一个大胆的想法，他正在寻觅一名非机器人背景的产品经理。“因为我们本质上在创造一个全新的产品品类，现在许多有机器人经验的产品经理可能来自于消费机器人公司，但他们是在一个传统品类里面去做创新，会有固有的方法论，比如扫地机上面长一个手，这种构型没办法用人类数据去驱动。”

在周顺波看来，真正能帮助公司去定义用户需要什么样的机器人伙伴的产品经理应该是一个“有想象力和活人感，真的去体验和感悟生活的人”。关于未来的设想，他举了一个例子：如果第二天要下雨，手机可以推送给用户这一消息，并提醒用户记得带伞。而机器人作为可以和真实物理世界交互的agent，在用户出门前，就可以直接拿着伞站在玄关口，把伞递给他。

也就是说，作为家庭伙伴，机器人并非简单地去和家政保洁员比较能做多少家务，而是更类似于“管家”角色，既能承担部分服务功能，也是真实的陪伴、照顾者。

据周顺波透露，在明年Q1，欧拉万象的机器人将会走出实验室，真正进入家庭。值得一提的是，这将是一次小规模部署，而非大规模量产和极低售价的铺货。这一决定基于他对整个行业的判断——当下更重要的是快速迭代功能而非以某一早期版本铺开售卖。另一方面，这也将是一次长期的部署，收集真实用户的长期使用反馈，来持续加速基座模型和RSI系统的迭代。

成立半年多，欧拉万象已经把家庭需求、用户示范和模型迭代连成一条可供验证的路线。但家庭机器人能否真正“被一个家教会”，答案不在一次展示里，而在接下来更长时间的真实使用中：它能否稳定完成任务，遇到变化时如何调整，又能否把失败转化为下一次进步。