成都具身智能公司获千万级天使轮融资，基于开源鸿蒙开发机器人大脑｜硬氪首发

作者 | 黄楠

编辑 | 袁斯来

硬氪获悉，成都具身大脑公司「奇林波」近日完成千万级人民币天使轮融资，投资方包括成都方寸引擎科技有限公司及天使投资人。本轮资金将重点用于核心技术研发、研发团队建设和市场拓展，为公司持续推进机器脑与多机协作系统的研发、产品化及应用落地提供资金支持。

奇林波成立于2025年12月，公司聚焦具身智能核心软件，以机器人自主行动与多机协作为核心方向，致力于让机器人具备持续执行任务的能力，并通过多机协作完成更复杂的工作。

联合创始人兼CEO唐佐林具备跨AI算法、嵌入式系统、国产操作系统的复合技术背景；他早年任职摩托罗拉，深耕嵌入式、芯片与驱动开发；后续作为核心开发者参与开源鸿蒙基座、Python国产化框架相关建设。

技术差异化方面，开源鸿蒙、国产计算平台适配与本地模型部署是公司的重要研发方向。奇林波团队将国产化基座作为支撑机器人应用、适配不同场景的重要工程基础。

其具身机器人可搭载开源鸿蒙系统。奇林波联合创始人唐佐林向硬氪表示，以开源鸿蒙为基座开发具身智能，能够发挥团队在底层系统与软硬件适配方面的技术积累，也有助于公司面向自主可控、数据安全要求较高的场景开展应用。这一优势的前提是系统、芯片与算法能够协同工作。

依托在鸿蒙体系上的技术积累，公司已形成稳定现金流订单。团队将相关能力迁移至机器人领域，优先面向中小学与高校，交付桌面履带机器人、桌面机器狗，匹配人工智能普惠教育、鸿蒙+具身智能的教学科研需求。在桌面机型基础上，进一步推进工业级四足机器狗与工业机械臂的应用适配。

奇林波整套技术架构分为端云两层，一侧是自研“灵雁引擎”，面向单台机器人的任务理解、规划决策与自主执行。另一侧的“雁阵系统”面向不同形态机器人的任务分配、资源协调与协同工作。

单体智能加协作智能的两级结构之上，单机在端侧完成实时响应，云端则在更高层级完成跨设备、跨空间的任务分配与资源调度。

目前，“灵雁引擎”支持跨形态适配，可部署于机器狗、机械臂、人形机器人等不同本体，并接入“雁阵系统”。

支持多具身机器人落地适配（图源/企业）

按照规划，现阶段教育科研场景是其端侧、云端系统重要的打磨与验证载体。团队在教学科研场景中持续迭代“灵雁引擎”与“雁阵”调度系统，并结合不同本体与任务需求，逐步向园区、工业等场景拓展，推进项目应用与实地验证。

灵雁引擎架构（图源/企业）

这一架构判断源于唐佐林对行业结构性短板的观察。

唐佐林告诉硬氪，随着具身本体数量快速增长，多数本体仍停留在演示与单机作业阶段，缺乏真实工况下持续完成任务的能力。“本体之间的协同是下一阶段的关键缺口，单机智能再强，也无法独立完成需要多设备配合的任务。”

以跨楼层巡检场景为例，当一台机器狗巡检中发现突发情况、发出协助请求时，需要系统结合任务规则判断是否需要支援，并协调其他机器人资源。云端大脑负责需求研判、资源匹配与协同调度，再将任务下发至端侧执行。端侧负责“任务如何执行”，云端负责判断“哪台设备来负责、怎么配合”，两层能力相互配合。

在教育科研之外，奇林波也关注高风险、低效率、人力难以持续覆盖的工况，定位是与人形成协同互补。以园区夜间巡检为例，人工巡场存在时间盲区，难以持续覆盖重点点位的温度监测；搭载红外热成像模块的机器狗可在点位采集热数据并回传，值班人员在中控端即可完成风险研判。油田、矿山、森林防火等也是公司关注的潜在应用方向。

搭载“灵雁引擎”的四足机器人进行园区巡检中（图源/企业）

硬氪了解到，在当前园区与工业应用探索中，公司将四足机器人作为主要适配本体之一，核心考量是相关场景对结构稳定性和持续作业能力的要求。四足结构在负重、越障和复杂地形通过性上更适配巡检类任务，也便于在现阶段推进适配与实机验证。唐佐林同时表示，公司也关注人形本体，未来若人形机器人在特定场景中形成明确任务闭环，同样可以部署“灵雁”系统。

本轮融资后，奇林波将进一步加强机器人应用开发、具身智能算法和工程化团队建设，把研发投入落实到开源鸿蒙与国产计算平台适配、核心软件、模型部署、任务技能与实机验证等环节。通过持续迭代，提升产品的稳定性、可维护性和部署效率，逐步形成能够在不同设备与任务中复用的软件能力。

以下为硬氪与奇林波联合创始人兼CEO唐佐林的访谈节选（经编辑）：

硬氪：以开源鸿蒙为代表的国产化软硬件栈，在具身智能落地中是差异化叙事，还是重点行业的准入条件？这套选型对交付、成本与行业拓展有哪些实际影响？

唐佐林：在我们看来，国产化软硬件栈既是团队的技术特色，也是面向部分重点行业项目的重要工程条件。公司设备优先采用国产芯片，系统层支持开源鸿蒙或Linux，不依赖单一海外算力生态。这一选择有两层现实逻辑。

第一层是行业与项目要求。矿山、油田、能源、政务等场景对安全、合规和数据自主可控的要求较高，部分项目也会对国产化软硬件提出明确要求。供应链、数据与系统能力需要可控，底层算力生态需要减少单点依赖。过去不少具身方案高度依赖单一海外算力生态，一旦涉及重点行业部署或外部供应波动，就容易在准入、交付和长期运维上受限。国产芯片加开源鸿蒙的组合，有助于我们从底层增强系统的自主性。

第二层是成本与可控性。国产芯片在满足端侧推理需求的前提下，为采购成本、供货渠道和深度适配提供了更多选择。国产化需要全栈适配能力：系统裁剪、编译优化、驱动适配、算子调优、性能调优，缺一环都难以充分释放硬件算力。

这也是我们团队背景上的长板。早期参与开源鸿蒙基座和Python国产化框架建设，让团队对底层系统的裁剪、编译、驱动适配和性能调优有长期积累，能够持续优化国产硬件在机器人端侧的实际运行表现。

这些底层能力也可以为不同机器人形态和应用场景的适配提供基础。在教育科研、园区和工业等场景中，设备形态、任务需求和部署条件各不相同，我们希望通过持续适配与验证，逐步沉淀能够复用的软件能力。

从落地影响看，国产化选型会影响项目适配范围、交付与运维的自主性，以及成本结构。具身智能要规模化进入能源、矿山、政务等对安全与合规要求较高的场景，需要结合具体项目要求，持续完善国产化适配与工程验证。

奇林波团队将国产化纳入系统基座的研发，目的正是让大脑系统从一开始就重视面向不同设备和场景的工程条件。

硬氪：通用大模型能力持续增强的背景下，端云协同架构在实时性、可靠性与成本之间如何取舍？

唐佐林：通用大模型强在高层语义理解、开放场景推理和长程任务规划，但机器人真正复杂的部分，是大量强实时、强确定性的物理闭环。抓取、接触、避障、避险这类操作，对反馈延时高度敏感；云端往返的网络抖动，可能影响动作执行的稳定性与安全性。

如果所有感知与决策都依赖云端，就绕不开网络时延、带宽占用、断网风险，以及不同应用环境下网络条件不稳定的现实约束。过度依赖云端，会让作业可靠性受到网络条件的较大影响。

因此，我们坚持在端侧部署自研“灵雁引擎”，针对机器人物理交互做定向优化：通过模型蒸馏、结构轻量化、算子裁剪和硬件适配，推进高频感知、实时响应与执行能力的本地部署，提升本体在断网或弱网条件下基础作业的连续性；同时保留对大模型的调用通道，处理相对低频的高层语义理解与长程规划。云端“雁阵”系统承担全局调度与多机协同，这部分可以复用成熟的开源大模型能力。

端云架构（图源/企业）

这套端云架构的核心，是按任务特性分配算力与职责：强实时、强可靠的物理闭环留在端侧，复杂推理、全局协同、多机调度交给云端。端侧解决“能不能安全、稳定地动起来”，云端解决“多台本体如何协同、任务如何编排”。

对机器人的实际应用而言，可靠性是基础要求。端云协同的价值，正在于通过架构分层，在实时性、可靠性与成本之间取得平衡，并根据不同设备和场景的要求调整部署方式。