2026年的具身智能涌现出了许多名字。在这其中，周顺波大概是较耀眼的那一个。
在选择创业之前，周顺波已经研究了机器人十二年，起点是香港中文大学的机器人实验室。在那里，他开发了一只疗愈熊猫，负责在医院里陪伴自闭症儿童和阿尔兹海默老人，也曾主导开发了一款服务于香港空运货站（HACTL）的重载无人拖车系统。随着研究工作的深入，他意识到自己真的“热爱机器人”，非常享受“把热爱带给身边每一个人”的过程。2020年博士毕业后，他通过“天才少年”计划加入了华为，开始正式将“机器人”作为事业，并取得了如下成果：
作为华为具身智能创新Lab的第一位负责人，主导了华为具身智能体系从0到1的搭建；担任华为具身智能首席技术专家多年负责华为云具身智能战略规划，并带队研发了华为云具身平台CloudRobo，完成工业场景机器人“从0到1”的技术验证，并在国家具身训练场、高端制造及政务领域完成标杆性POC落地，技术指标国际领先。
在华为时期，周顺波关注的是技术如何降低机器人开发的门槛。创业之后，他希望把机器人真正带进人们的生活。欧拉万象将使命写成一句话：“We build robots so people have more time to live, explore, and create.” 选择家庭场景、探索可养成的机器人，都是朝这个目标迈出的具体步骤。
从时间线来看，事情似乎也正是如此展开的：2026年3月欧拉万象注册成立，此后用3个月时间就快速敲定了种子轮、种子+轮、天使轮，累计融资金额达到数亿元，投资方包括高瓴创投、五源资本、招商局创投、钧山资本、赛富投资、九合创投、BV百度风投等近年来具身智能赛道最活跃的一线VC与产业资本。
而现在，他们完成了半年以来的第4次融资。据投中网获悉，欧拉万象已于近日完成数亿元天使轮+融资。本轮融资由诚元祥基金、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，本轮除获老股东超额追投外；拓邦股份等产业资本亦成为新晋股东，双方将在业务方面探索进一步合作可能 ；值观资本持续担任独家财务顾问。
然而，用“天才少年风口创业”来讲述周顺波的创业故事，或许是最无聊的一个版本。
其实2020年博士毕业之后，周顺波和他的导师刘云辉就已经筹备创业了，场景也非常明确，他们准备开发一款于矿井下作业的搬运机器人。但2020年远远比不了今天，智能没准备好，供应链没准备好，市场也没有准备好，更不是一位应届毕业生能够完美应对的。受当时技术成熟度和产业条件所限，项目未继续推进。而周顺波正是带着这份“遗憾”来到了华为，想更近距离看到“整个行业技术范式的变化”，看看到底应该怎么把“机器人推向大众市场”。
一切也确实如周顺波所愿。通过他们开发的机器人平台，团队里一位不怎么写代码、几乎没有机器人开发经验的同学，用4天的时间开发了一个物料拣选应用；而在过去，类似项目需要专业开发者至少一个月的时间。这和周顺波在读博期间对“造机器人”这件事产生强烈的无力感形成鲜明对比：彼时开发者需要学物理、数学、控制、编程、还要懂硬件，才能勉强开发出一个“只会在限定场景下运动”的机器人。开发门槛的急速下降，让周顺波相信，那个长久以来“把热爱带给身边每一个人”的梦想有了可能性。
那么下一步呢？是继续开发通用平台，进一步降低机器人的开发门槛，还是深入到一个具体的场景里，把数据闭环、产品闭环和商业闭环一起跑通，制造出一台真正意义上可以创造高价值的机器人？
这就是欧拉万象故事的真正开头。周顺波相信“通用机器人”是一个理想的目标，但想要真正做到这一点，最现实的路径是在一个真实场景里把数据飞轮转起来，把账算出来，再基于这个场景慢慢向外拓展。而在他看来，家庭有真实、持续且多样的任务需求，也能让团队在执行与反馈中持续检验和改进系统。
也正因如此，欧拉万象在当下具身智能领域显得颇为“反共识”。谈到家庭场景的时候，通常会本能地带入“情感陪伴”的设定里，进而认为有开发人形的必要。但欧拉万象的产品形态选择了移动底盘加双臂，并坚持“现阶段优先探索底盘加双臂的形态”。谈到toC科技产品的时候，会本能地套用到“消费电子”的语境里，认为应该优先解决产品的普适性。但欧拉万象的首款产品是to Maker和开发者群体的，邀请一批更愿意折腾、更愿意训练、更能接受早期产品形态的人来参与产品开发。
在当下的具身智能行业里，甚至很难找到一家公司作为对标。欧拉万象的产品既不是纯粹的扫地机器人、服务机器人，也不是充满科幻味道的陪伴机器人。周顺波说，他们身处的是一个“需要所有人重新定义、重新创造”的赛道。
在我看来，这些可比“天才少年”这个标签有吸引力多了。毕竟“天才少年”更多是对过去积累的一种嘉奖。而当初我们之所以为人工智能、具身智能的涌现兴奋不已，其实他们让我们意识到，我们有机会亲手塑造一个梦想中的未来。
当然，关于欧拉万象还有很多“谜”。截至目前，欧拉万象还没有机器人产品面世。最新发布的是模型阶段成果OLA-Sem和OLA-Geo两款模型、家庭场景 Demo，用于优化用户的任务意图、机器人当前看到的世界，以及最终行动之间的关联。因此，在融资完成的第一时间，我和周顺波展开了一场简单的对话，以下是对话节选，希望对你有所帮助：
半年四轮融资，投资人看到了什么？
投中网：通常来说，一家成立半年的公司连续完成四轮“轮次名称”不同的融资，通常意味着公司不断出现新的变化，比如团队、财务模型、技术突破或者产品里程碑。所以我很好奇，欧拉万象在半年里完成了哪些演进，让投资人为什么持续参与？
周顺波：投资是一个综合决策。前两轮投资人更看重家庭赛道、团队过去在机器人领域的积累，以及创始团队对问题想得有多清楚。他们判断的是我们的起点、潜力和后续推进速度。到第三轮，包括最近正在进行的这一轮，机构已经开始要求看到实际进展：此前规划的技术节点有没有兑现，团队是否在持续完善，公司是否在降低不确定性。
过去几个月，我们搭建了数据和模型的基础设施。8月，我们训练出第一版基础模型，在一些全球主流benchmark上取得了很好的结果。它证明团队可以沿着差异化路径，在较短时间里追上行业进展。我们也在真实场景完成了端到端验证，先在相对可控的场景里验证整体理念，相关成果近期会对外发布。
从模型研发到家庭场景验证，欧拉万象希望逐步建立一套 Real-world RSI（Recursive Self-Improvement，递归自我改进）系统：让机器人在真实任务中执行、获得反馈，再经过数据处理、训练与评测，回到场景中验证改进。眼下展示的是这一路线的阶段性成果。
生态方面，我们已经储备了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建立了战略合作，计划在2027年共同生产高质量家庭数据；同时也是地瓜机器人的战略合作伙伴。团队目前约70人，核心岗位基本到位，核心成员大多来自多年积累的合作网络，彼此有信任和共同工作基础。
最复杂的家庭数据，从哪里来？
投中网：你提到好慷在家有很好的SOP。我想确认一下，数据是由家政服务人员在真实家庭里产生的吗？可以理解成你们在把阿姨的经验蒸馏给机器人吗？
周顺波：好慷在家的价值不只在于能进入家庭，还在于它有专业的家政服务SOP。它把家政服务拆分得很细，包括保洁、收纳整理、育儿、做饭等工种，每个工种里的每个任务都有专业流程。以收纳为例，它是一项需要专业训练甚至考级考证的工作。如果机器人能把专业收纳能力带给普通家庭，这比让非专业人员简单重复动作更有价值。
投中网：你说收纳整理需要专业训练，但我参观过不少数采中心，很多公司会安排年轻人反复遥操作机器人叠衣服、熨衣服，再把衣服放进衣柜。你怎么看这种数据采集？好慷在家是一个很好的入口，但这种稀缺数据毕竟有限。
周顺波：不同训练阶段需要不同的数据策略。预训练阶段需要大量in-the-wild数据，我们自己只采很少一部分，主要通过数据联盟置换、向行业公司采购，以及与好慷这样的伙伴合作获得。middle train阶段与最终产品体验相关，需要端到端闭环，因此会形成私有数据。post-train阶段则会做得更轻，通过合规合作、研发采集和用户自愿反馈建立数据闭环。
投中网：这里还有一个问题。石头科技、追觅等已经进入家庭服务场景的公司，也在不断积累自己的数据，形成数据飞轮。如果家庭机器人逐渐成为共识，为什么欧拉万象能更好地利用这些数据？与石头、追觅相比，你们的后发优势在哪里？
周顺波：首先，我不认为家庭机器人已经成为行业共识。很多公司表面上选择家庭，实际从酒店、商业服务、工业或特种场景切入。酒店是标准化场景，需要计算ROI，企业容易加入标准化流程编排、视觉标记和各种工程技巧，最后沉淀为针对酒店的定制方案。它与真实家庭的数据、模型和基础设施能力差异很大。家庭场景仍处于早期，不同公司选择的切入任务和投入深度各异。
石头、追觅当然是大公司，但大公司做软硬一体的新产品，不一定就意味着有绝对优势。大疆早期同样面对已经成立多年、拥有资金和人才优势的竞争者，最后依靠先极客、后大众的路线，以及组织和技术决策的灵活性跑了出来。
我相信，这一轮具身智能里，数据具有第一性。大公司可以买到预训练数据，但产品进入真实物理世界后，一定需要大量私有数据来保证体验。这类积累需要时间。欧拉万象从Day one开始积累数据采集和私有数据闭环的know-how，并通过好慷在家、招商局等产业伙伴进入真实场景。
扫地机上加一只机械臂，之后再增加第二只手、腰部或更高的操作空间，每次本体构型变化都可能迫使此前遥操作数据重新采集。这是一条延长线式创新。欧拉万象从一开始积累human data，研究如何让人的数据驱动机器人。硬件可以逐步演进，人的操作数据和方法仍能持续积累。家庭具身是历史上没有出现过的新品类，单纯延长已有家电形态，很难长出可持续进化的家庭机器人。
投中网：你刚才的解释让我想到，之前有种说法是，之所以人们执着于开发“人形机器人”，是因为人类社会里的桌子、柜子和门，都是按照人的身体结构设计的。过去的家庭机器人替代的不是家庭成员、保姆或家政人员，更接近替代一把扫帚，而欧拉万象是以人为本去研发。可以这样理解吗？
周顺波：可以这么理解，但我想补充一点：以人为本首先意味着用human data驱动机器人，并不意味着本体必须是双足人形。人类世界确实按照人的身体结构设计，但人的构型也是亿万年进化中的综合权衡，各方面都不是绝对最优。人的移动效率、速度和力量都不是最高的。
机器人目前服务于人，未来还应该完成一些人做不了的事情。因此，本体会追求超越人的能力。我不认为机器人最终一定收敛为双足人形。人的数据可以教会机器人，但机器人的身体仍可以有其他形态。
为什么欧拉万象选择了“极客共创”？
投中网：你们有一个很有意思的地方在于，你们在开发产品上选择了“先极客、后大众”的路线。你们筛选体验官，也储备了一批有开发热情的种子用户，由他们参与共创。但从消费电子的逻辑看，最后面对的是普通家庭。消费电子重要的是消费，产品的可拓展性和探索性应该让位于普适性和易用性。最开始交给极客拓展，会不会反而把开发思路带偏？极客创造出来的需求，会不会是伪需求或者过渡需求？最后公司还要从过剩需求里做减法，这会不会增加产品开发负担？
周顺波：面向普通家庭、开箱即用，当然是终极目标。但具身智能现在没有外界想象得那么成熟。做产品首先要定义清楚边界。欧拉万象早期服务的客户不是终端家庭用户，而是Maker家庭。现阶段硬件和软件都需要一群容错度更高、好奇心更强、愿意参与共创的人。找不到精确客群，就直接宣称服务所有家庭，风险很大，因为家庭用户对机器人的期待几乎可以无限的高。
并且Maker并非固定的小众群体。大模型和Agent工具正在持续降低开发门槛。我们已经把门槛从同时懂机器人和AI，降低到不需要机器人经验、也不需要训练过大模型，只要具备常规开发sense就能参与。随着工具进步，每天都会有更多人具备成为Maker的资格。早期用户与大众用户之间更像一个不断滑移的过程。
养成也不是产品能力不足时的临时方案。只要社会继续发展，人就会不断出现新的创意、偏好和需求。机器人需要一种长期存在的交互方式，把人的创新和偏好传递给它。我们认为，养成会是家庭机器人的长期核心能力。
具身智能的GPT时刻，还没来？
投中网：刚才你提到，具身智能好像迎来过好几次GPT时刻，但最后并没有像大模型一样快速涌现和普及。
周顺波：可能是我刚才没有表达清楚。我想说的是，行业里陆陆续续，总有人宣称具身迎来了GPT时刻，但其实大家高估了机器人在中短期能够达到的高度。行业对阶段性演示的期待，有时快于实际可用性，现实是可泛化的机器人仍然很难真正落地。
投中网：那我们把问题问得更明确一些：未来如果真的出现一个具身智能的GPT时刻，它应该是什么样？
周顺波：我理解的具身GPT时刻，是行业里存在一个具身基础模型，基于这个模型，用户只需要付出极低的成本，例如仅仅记录自己的一次演示，就能让机器人学会执行任务。本质上是需要把使用机器人的边际成本降到很低。
例如最近的ICL，也就是in-context learning，已经出现了这种能力的雏形。Generalist AI、Skild AI等公司展示了一些相关demo，但距离真正可用还有很长距离。目前ICL主要体现为学习速度快，而且多集中在训练充分的简单任务上，复杂任务仍然困难。
投中网：最近的公开信息提到，欧拉万象发布了OLA-Sem和OLA-Geo两款模型。它们分别做了哪些改进？
周顺波：我认为OLA-Sem 和 OLA-Geo 并不是两项孤立的模型优化，而是与我们正在推进的 Action-Native Foundation Model 技术路线一脉相承，也是这条路线的首批阶段性交付成果。
我们的核心思路是，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简单接入动作模块。沿着这一方向，OLA-Sem 重点增强空间语义理解与动作生成的关联，OLA-Geo 则重点强化空间几何表征，让模型既理解“要做什么”，也理解“物体在哪里、如何与之交互”。
两款模型都在 RoboTwin Benchmark 的对应评测设置中取得了全球第一名的成绩，初步验证了这条技术路线的有效性。对我们来说，这不仅是单点能力的提升，更是迈向统一的 Action-Native Physical Representation 的第一步。接下来，我们会进一步将语义、几何、动作以及物理交互统一到基础模型中，让机器人真正具备理解物理世界并在其中行动的能力。
投中网：你此前在播客里提过一个明确目标：2027年销售上千台产品。但你后来又说，因为发生了一些事情，这个目标需要调整，态度也需要更谨慎。中间发生了什么？
周顺波：我们观察了一些家庭机器人公司，发现整个供应链仍不成熟。电机失力、散热、硬件稳定性等问题，都可能影响可靠性，甚至带来安全隐患。另一方面，AI Native产品必须给用户带来足够明显的新体验。如果投入大模型、端云协同和高算力，最终体验还不如价格只有十分之一的简单机器人，量产本身并没有意义。
过度追求数量，容易弱化硬件可靠性和软件体验。我们的策略是加快版本迭代，每一版只做小批量。先把产品打磨到能在小规模用户中体现出明确价值，再规划规模化量产。
投中网：说得现实一点，这就是所谓的“后发优势”。
周顺波：这件事也让我重新思考目标用户。如果面向尝鲜需求的用户，用户直接购买就够了；但如果卖的是可进化的家庭机器人，就不能把所有终端消费者都当成目标用户。客群选得不够精确，产品边界几乎无法定义。
未来十二个月，主要方向是什么？
投中网：回到一个很现实的问题：公司半年融资四轮，拿钱速度很快。这些钱现在主要用在哪里？
周顺波：资金主要投向三类开支。第一类是算力和数据，约占总开销的三分之一。第二类是人力开支，也约占三分之一。其余主要是公司早期的非周期性投入，包括运营和设备采购等。
投中网：从速度和节奏来看，这几轮融资都很顺利。融资谈判和决策流程通常很长，半年四轮看起来几乎无缝衔接。投资人对你们就没有质疑吗？
周顺波：不是这样。这几轮融资并非平均间隔。前两轮主要看人和潜力，所以关闭得比较快。第三轮开始，投资人会问：你此前规划了一条路径，现在证明了什么？团队依靠过去十多年的行业经验，快速交付了数据、研发和养成工具链方面的进展。第三轮和第四轮投资人都会亲自体验阶段性原型或者家庭场景演示，所以还是要持续交付，兑现承诺。
投中网：既然需要证明，投资人最常问什么？其中最难回答的问题又是什么？
周顺波：最常见的问题包括：早期小众群体究竟有多大；产品从小众走向大众时会卡在哪里；数据隐私如何处理；是否出海；如果大公司进入，欧拉万象凭什么做成。我们的回答是，Maker群体会随着工具门槛下降持续扩大，公司也可以按周期让投资人感受到机器人开发门槛正在降低。
投中网：那么既然“2027年量产千台”现在这个目标被调整了。未来外部应该用什么指标衡量欧拉万象？你们自己的发展规划又是什么？
周顺波：2027年Q1，我们会推进首代产品的小规模验证与迭代，依据可靠性和用户体验决定销售与规模化节奏。2027年会快速迭代，单代产品的量产数量不会特别大，到下半年，我们会根据此前踩过的坑，形成更明确的规模化量产规划。
另外，比销量更重要的有两个指标。第一个是成功率，也就是机器人在家庭里执行开箱高可用任务的成功率。它反映欧拉基础模型的能力，也是用户轻松养成新任务的基础。第二个是单个家庭的使用频次和单次使用时长。它可以判断用户是否真的在使用产品、帮助机器人成长，并继续解锁新的场景。
投中网：我有一个比较个人的问题。你期待别人未来怎样评价欧拉万象？
周顺波：我希望有一天，人们提到欧拉，就会想到家庭具身机器人，就像拓竹之于3D打印、大疆之于无人机。
投中网：也就是说，你希望欧拉万象未来成为这个赛道的代名词，同时定义这个赛道的玩法？
周顺波：我认为，现在真实任务、用户反馈与持续迭代，是各条家庭机器人路线都需要解决的问题。
投中网：某种程度上，未来行业的benchmark也会由你们参与制定？
周顺波：我不会说得这么绝对。行业规则一定需要与同行共同制定。现在大家还不知道机器人究竟能做哪些事情、会被哪些用户接受，合作仍然大于竞争。我们首先要一起把家庭机器人变得可行。
具身智能最终也不会只有一家超级大公司。自动驾驶可以看作一个具身智能子赛道，未来还会出现工业、仓储物流、特种和家庭等平行赛道，每个赛道又会形成自己的产业分工。欧拉万象希望成为家庭赛道里类似蔚小理的全栈自研公司。
投中网：最后再补充一个问题，聊完之后有一个很强烈的感受：你是一位学者型创业者。你过去几次路径调整，都来自某条技术路线走不通，或者没有得到足够的正反馈，于是再寻找新的解法。直到很后期，你才开始讨论PMF和消费者需求。现在你是公司老板，需要同时处理融资、订单、供应链和组织管理。外界可能会把商业化视为技术型团队的潜在短板。你们怎样看这个问题？有没有明确的补课计划？
周顺波：我们现阶段的客户是Maker，团队大多数成员自己就是这个群体，我们是最了解用户需求的人。真正需要补课的情况，是团队甚至不知道精确用户是谁，无法做详细设计。我们现在服务的是自己最熟悉的一群人，通过外部用户访谈、任务测试、使用反馈如何影响产品取舍，需求很容易在团队内部对齐。早期用户积累也超过预期，他们愿意参与共创，这是一个不错的起点。
此外，我们是一支横跨机器人研究、消费级硬件、系统工程与产品商业化的团队，创始团队的每个成员，都是有顶尖代表作，能独当一面的顶尖人才。团队之间有充分信任和明确分工，是大家共同支撑公司不断前行。对我们而言，技术观点和长期信念始终一致，就是推动机器人技术和机器人服务的平民化。随着学术界和产业进展，可用的工具会变化，所以实现目标的方法会调整。
