独家对话周顺波：就算没有 AGI，也能做一台大家喜欢的机器人

在创立欧拉万象以前，周顺波已经做了近 12 年机器人。

2015 年，他进入香港中文大学徐扬生院士的实验室，才真正开始做机器人。他参与研发过一只熊猫形态的疗愈机器人，后来被送进香港沙田医院，陪伴自闭症儿童和阿尔茨海默病老人。那时，这类机器人还很原始，身上的触觉传感器要靠人一个个贴装，距离成熟、可复制的产品仍然很远。但周顺波已经有了一个明确的愿望：让机器人不只停留在实验室，而是把自己喜欢的技术做成普通人真正能够使用的产品。

2016 年，他师从刘云辉教授攻读博士。面试时，刘云辉问他为什么读博，他回答：「为了更好地创业。」

从视觉定位、状态估计到工业车辆的动力学与控制，周顺波研究的是怎样让一台真实机器在缺少 GPS、载荷不断变化的环境里稳定工作。他以第一作者完成的工业牵引车导航控制论文，获得 IEEE RA-L 年度最佳论文荣誉提名。

但研究越深入，他的「心越来越凉」。物理、数学、控制、编程和硬件都要学，最后也只能让机器人在限定场景下勉强工作。那个可以被普通人拥有、使用，甚至亲手创造的机器人产品，似乎离他越来越远。

2020 年博士毕业后，周顺波曾和导师用近一年时间筹备井下机器人创业，希望用移动机器人完成矿井里的搬运作业。项目最终因为资源和公司治理问题停下。他第一次意识到，懂得把机器人做出来，不等于懂得产品、交付、运维和商业化。

2021 年，周顺波通过「天才少年」计划加入华为，是迄今唯一以智能机器人课题入选的人。他从零组建华为的具身智能团队，后来担任华为云物理智能创新 Lab 负责人和公司级首席专家，团队扩大到百余人，也把机器人技术从论文和 POC 带进了真实的工业项目。

在那里，他看到了机器人走出实验室后的另一层困难。做 POC 时，工厂很欢迎新技术；一旦真正进入生产环境，对方便会立刻「板起脸」，追问五个九的可靠性、生产节拍、单次任务成功率和 ROI。学术研究让他看到机器人有多难做出来，工业落地则让他知道，做出来与真正被使用之间还有多远。

真正改变他判断的，是华为内部一个不起眼的案例。

一位不常写代码、也没有机器人经验的产品经理，借助团队搭建的机器人开发平台，独立做出了一个柔性卷盘拣选应用。按照过去的方式，这至少需要一名专业开发者花上一个月。

周顺波第一次意识到，通用机器人距离普通用户或许仍然遥远，但机器人应用开发的门槛已经开始下降。借助新的模型和工具，即使没有机器人专业背景，也可能通过示教为机器人开发新的任务。

「那一刻，很多事情就串起来了。」

那个他想了许多年、又一度认为根本做不到的产品，突然出现了一条可以落地的路径。

周顺波决定出来创业。这一年，机器人行业也开始回报另一批坚持了十几年的人。王兴兴在做机器人的第 17 年，把宇树科技带到了科创板上市前夜；优必选、越疆、云迹等公司已经登陆资本市场，更多机器人公司正在排队递表。在前辈开始收获、后来者密集涌入的时间点，他却认为，自己没有来晚，时机反而刚刚好。

2026 年 3 月，周顺波离开华为，创办欧拉万象。这一次，他没有回到自己最熟悉的工业场景，而是选择进入家庭。

不是因为家庭更容易，而是因为周顺波相信数据具有第一性：如果机器人的终点是真实生活，训练它的数据也应该尽可能来自人真正生活的地方。工厂、仓库和酒店可以产生大量数据，却很容易在交付和 ROI 的压力下收敛成定制化方案；家庭和类家庭场景才能持续产生足够多样、足够长序的人机交互与物理反馈。

欧拉万象要做的不是当下最受追捧的双足人形，而是一台轮式家庭机器人。它不会开箱之后什么都会，却可以被用户教学、养成和扩展技能；先从整理地面、沙发、茶几和桌面开始，再沿着真实家庭产生的数据逐渐进化。它最早服务的也不是对机器人缺乏耐心的普通消费者，而是一群像拓竹早期用户一样的极客。他们愿意动手，允许产品犯错，也愿意参与创造。

五源资本的创始合伙人刘芹把欧拉万象理解成「Physical OpenClaw」：不必独自创造具身智能的「DeepSeek时刻」，而是把不断进步的模型能力转化成用户可以使用和开发的机器人技能。

产品尚未正式发售，这条路线已经获得资本市场的关注。欧拉万象成立后三个月连续完成三轮融资，其中 6 月的一轮融资金额达到数亿元，高瓴创投、五源资本、招商局创投、百度风投等机构先后入场。第一批样机则要到年底才会进入早期用户家中。

周顺波相信具身智能的未来，却不愿把一款产品能否成立，完全交给一个尚未到来的技术终局。

「就算没有 AGI，」他说，「我们依然可以做一个大家喜欢的机器人。」

以下是 42 号电波与周顺波的对话，经编辑：

一、从平台到产品，为什么是家庭

**42 号电波：**先简单介绍一下欧拉万象。你们到底想做一件什么事？

周顺波： 欧拉万象是一家家庭具身智能公司。我们主要想做两件事：第一，把机器人的技术平权给每一个爱好者，让更多人能够开发、养成自己的机器人；第二，把现在人类社会里一些昂贵、稀缺的专业服务，平权给每一个家庭。

前者决定了我们会先从 Maker 和开发者群体起步，后者决定了我们的终局一定在家庭。我们想同时降低两种门槛：创造机器人能力的门槛，以及普通家庭获得现实世界服务的门槛。

**42 号电波：**你为什么要从华为出来创业？

**周顺波：**我自己非常热爱机器人，也一直希望把热爱的东西做成产品，带给身边的每一个人。这么多年，我的目标一直没有变。当时选择读博，甚至也是因为这件事。

但在读博期间，我的心其实越来越凉。我是 2016 年到 2020 年读博。那个时候，要做机器人，你需要学物理、数学、控制、编程，还要懂硬件。学了这么多东西，最后才能勉强开发出一个只会在限定场景下运动的机器人。这个门槛实在太高了，显然不可能把机器人带给每一个人，所以越做越心凉。

但过去几年，我在华为看到了整个行业技术范式的变化。现在做机器人，不再需要进行特别复杂的建模，它已经逐渐转向数据驱动。只要有数据、有算力，再加上一套好的 pipeline，就可以把机器人训练出来。这让我看到了把机器人推向大众市场的可能性。

另外一个让我非常有感触的事情，在华为时，我们围绕一个 To B 平台工作，希望降低大家使用机器人开发工业解决方案的门槛。有一天，我们的一位产品经理——他不常写代码，也没有机器人经验——通过这套平台，自己开发出了一个柔性卷盘拣选应用。按照以前的方式，一个专业开发者可能至少需要一个月。

那一刻我就在想，即使我暂时不能把一个通用机器人或通用模型直接卖给用户，有了这套工具，是不是每个人都可以把机器人玩起来、用起来？那一刻，很多事情就串起来了。

所以当一个目标你已经想了很多年，过去想做但做不了，现在终于出现了实现的可能，我觉得自己一定会选择下场尝试。

**42 号电波：**可你当时在华为已经带了一百人左右的团队，也把平台从 0 做到 1 了。为什么不能留在华为继续做机器人？

周顺波： 我们证明了这套工具链确实能大幅降低机器人开发门槛。到了下一阶段，我希望找一个高价值场景真正扎进去，把数据闭环、产品闭环和商业闭环一起跑通。只有真的把飞轮转起来，我才知道平台还有哪些断点，下一步该补什么。

而站在华为的角度，更合理的选择是从 1 到 N，继续复制平台、继续「卖铲子」，而不是自己深扎一个垂直场景。

**42 号电波：**你不想继续卖铲子？

周顺波： 对。我自己的判断是，具身智能现在所谓的「通用」其实还通用不了。尤其是平台，你一定要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拖。否则你一直卖铲子，却没有人真正用铲子挖出东西，平台也不知道该怎么进化。

留在华为，我做不了这种垂直整合。创业至少让我有决策权。现在的投资人又都是因为我们想做的这件事来投，大家目标比较一致，也没人要求我改成另一家公司，那我就可以按照自己的判断往下做。

**42 号电波：**你留在华为时，看到外面已经有那么多创业项目，有 FOMO 心态吗？

周顺波： 大部分时候没有。因为我一直在行业里，大概知道每一个进展，也知道很多事情是怎么做出来的。

FOMO 会在什么时候产生？是别人突然做出了一件事，你不知道他是怎么做成的。那时候才会麻烦。

我想起来 1X 有一次让我们团队成员焦虑过。当时他们宣布要把机器人放进用户家里，价格是 2 万美元。我们现在的联合创始人张靖那天特别焦虑：这个机器人的供应链几乎都在美国，把 BOM 拆一拆，很可能不止 2 万美元。那他为什么愿意贴钱卖？是不是模型已经有了某种巨大突破，只差把机器人怼进家庭、采数据、做评测？是不是机器人已经到了互联网「百团大战」那个阶段？

**42 号电波：**所以不是它能力表现得多强，而是它卖得太便宜，反而让你们 FOMO 了。

周顺波： 对。卖得便宜，而且一定亏钱。你会想，它为什么愿意亏钱做这件事，是不是只差临门一脚？这才是我所说的 FOMO：出现了一件用常规技术逻辑很难推导的事。

**42 号电波：**后来怎么想通了？

周顺波： 后来从技术上看，发现大家其实都还差得远。

而且资本市场很多时候还是诚实的。假如 1X 真的已经展示出断代领先的能力，我们可以不知道，但它一定会让投资人知道；如果投资人看见了，公司的融资和估值也会反映出来。这是我们当时用来校准判断的一个侧面依据。当然，估值不等于技术，只能作为旁证。

我不是等到赛道足够热才出来，也不会因为别人先发布、先融资就焦虑。真正能改变我判断的，还是我看见一个此前解释不了、后来又被证明成立的技术事实。

**42 号电波：**你在华为做了这么长时间的工业场景了，为什么现在要做家用机器人？家庭不是更困难吗？

周顺波： 我有一些非共识的观点。一方面，这些观点来自过去几年我们对技术的投入；另一方面，如果面向终局，我相信数据是第一性的。

当然，如果要训练一个终局形态的具身模型，到底需要什么数据？这件事很难定义，现在没有人能够定义清楚。但一些大方向已经可以逐渐收敛。比如，数据需要有足够的多样性，需要包含足够多的长序列任务，也需要包含真实的人机交互和物理世界反馈。

如果你相信数据的第一性，就会发现，家庭和类家庭场景是积累这些数据最好的地方，没有之一。接下来的问题才是：你能不能在家庭场景里找到 PMF。但这是另一个问题。

当然，我选择家庭还有一个原因。我在华为时，其实接到的是一道「半命题作文」，就是去做偏工业的场景。这是华为这家公司的调性决定的。但这段经历反而给了我一些负向激励。对我来说，工业场景和商业场景远没有大家想象得那么简单。

我们当时既服务华为自己的工厂和制造部门，做手机等 3C 产品的包装、物料转运、拣选，也服务一些企业客户。

你会发现，做 POC 的时候大家都很开心：这是一个新技术，我也能够用这个新技术把任务跑通。但即使是在华为自己的工厂，一旦你说技术已经跑通，希望进入正式生产环境，工厂立刻就会板起脸告诉你：我要五个九的可靠性；我的生产节拍是什么；单次任务的成功率是多少；ROI 应该怎么算？

如果真想解决工厂里的一个高价值问题，我反而觉得不一定要讲具身智能。可以用成熟自动化技术，再配合一些 AI，做一套 AI Plus 方案，ROI 很可能能算过来，但它就没有那么「性感」，也不一定是一套 AI-native 产品。

我在华为已经知道工业解决方案应该怎么做。欧拉万象不是因为工业做不下去，才退而求其次选择家庭。恰恰相反，是因为我已经看过那条路，才更确定自己想做一个真正数据驱动、能够持续进化的产品。

**42 号电波：**家庭任务那么多，环境又不标准，你为什么觉得它没有大家想象中那么难？

周顺波： 如果你要求机器人什么都会，家庭当然非常难。但我们会在三个维度中取交集：第一，这是不是一个高频需求；第二，失败后的损失和安全代价是不是足够小；第三，当前技术是不是可达。

比如收纳地面上的玩具。即使 policy 单次成功率只有 70%，一次不成功，我可以做第二次。小朋友不玩以后，收纳任务没有严格的节拍，也没有必须一次成功的要求。三次都失败的概率已经很低了，并不一定影响用户体验。

再比如清理沙发上的宠物毛。就算是人去清理，也是拿刷子从头到尾刷一遍，不会刷完以后拿探照灯检查还有几根毛。它没有一个绝对的「完成」或「没完成」，只要做了就有效果。

家里其实有很多这样的任务。家庭网络条件通常也不错，一些对实时性要求不高的能力可以端云协同，进一步降低本体算力成本。最重要的是找到一个优雅的产品定义：它必须对用户有价值，同时又是今天的技术能达到的。

二、由人的数据，反向定义机器人

**42 号电波：**扫地机公司已经在尝试给产品长一只手，先去捡地面上的东西。虽然第一代效果普通，但它有现成用户和供应链。为什么家庭机器人不能沿着扫地机一点点长出来？

周顺波： 我不认为这件事可以从任何现有产品品类的延长线上自然长出来。

扫地机长一只手，如果用传统规则硬编码，就还是上一代机器人；如果用数据驱动，就要遥控这台扫地机，在各种家庭里采「捡东西」的数据。假设最后地面上的东西都捡得不错，下一代我想把腰升高一点，让它够到沙发、桌面，它其实已经变成另一款机器人了。你又要重新收敛本体、重新采数据、重新训练。

最大的问题不是第一代能力弱，而是前面学到的东西很难持续传给下一代产品。**所以我们的选择是，先把数据采集收敛到人，而不是收敛到某一代机器人。**人在地面捡玩具、在沙发叠衣服、在桌面收纳，都是人的双手在操作。先把这些 human-centric （以人为中心）数据积累起来，本体以后怎么调整，数据还有机会继续迁移。

当然，人不是机器人，这里会产生 gap。怎样做 retargeting，怎样准确估计空间状态，就是我们过去很多年的积累要解决的问题。

**42 号电波：**你反复强调数据第一性，但如果数据最重要，直觉上你应该去做一家机器人大脑公司。为什么最后做的是软硬件一体的产品？

周顺波： 数据第一性不代表不做模型。相反，模型是整个数据链条里非常重要的一环。

欧拉万象现在有三块核心技术投入：第一是数据到模型闭环迭代的工具链；第二是基座模型；第三是 Agent OS。这三件事协同起作用，缺一不可。模型很重要，但不是公司的全部。

我理解的数据第一性，更多表达的是我们对数据的重视程度，以及它怎样指导内部决策。我们最终想要的机器人，一定要能够与整套数据管线、数据采集方式相匹配，同时给用户提供最丝滑的体验。某种程度上，它是一款由数据第一性定义出来的机器人。

**42 号电波：**数据第一性怎样具体决定机器人的形态？

周顺波： 举一个很现实的例子。机器人卖到用户家里，一定会有做不好的地方。一个很直接的交互方式，是像大人教小孩一样，用户拿着机器人的手，带它做一遍。

那你设计本体时就要考虑：底盘多大、机器人多高、工作空间是什么样的，才能让人舒服地教它？只有交互足够自然，用户才能快速建立 rollout 数据，数据才能回流。

我们倾向双臂，也是因为人天然用双臂操作。人的两只手采集的数据，可以迁移给单臂或双臂机器人。相反，轮式还是双足，对上层模型未必有那么重要。人类数据里真正需要采的是左手怎么动、右手怎么动，以及人作为一个整体在空间中怎样移动。只要底层运动控制器足够好，上层模型给出下一步的空间目标，轮式或双足都可以去执行。

**42 号电波：**所以你认为单臂不够？很多收纳任务一只手也能完成。

周顺波： 单臂当然可以做很多事情，我们以后也可能推出单臂版本。但如果希望机器人跟随人类数据不断进化，双臂会更自然，因为人类大量操作本来就是双手完成的。

我们只会做尽可能少的机器人品类，不会像汽车一样铺很多型号。核心产品会持续迭代，逐步增加负载、可靠性和能力。如果单臂版本可以显著降低用户体验机器人和开发技能的门槛，我们会考虑，但到底要不要自主移动底盘，内部现在还有分歧，需要继续验证。

**42 号电波：**欧拉万象为什么选择移动底盘加双臂？这个形态已经收敛了吗？

周顺波： 「收敛」这个词有点太大了，技术上还是要严谨一点。我只能说，它能够覆盖我们目前定义的主要市场和任务。

我未来三到五年只会考虑轮式机器人。因为我是做机器人硬件出身的，对硬件还是非常敬畏。双足人形在家庭里，除了跳舞之外，暂时没有其他意义。它在安全、能耗、噪音、可靠性上都有很大问题，这些问题不是未来三五年一定能解决的。

我们早期卖产品，是为了继续迭代操作技术。真正需要持续进步的是操作，所以移动平台首先要尽可能稳定。轮式底盘可以让我们把资源集中到手臂、数据和任务上。

**42 号电波：**家庭机器人做得太大，用户可能会有压迫感，但做小了，负载能力和功能又可能不够。你们会怎样在体积、负载和功能之间做取舍？目前可以透露产品的大致尺寸吗？

**周顺波：**产品的细节还不能透露。但这是一个很好的问题。我们讲家庭机器人的时候，其实我们讲的不是一个技术，而是一个产品。所以我觉得这个事情，它一定要结合一个非常巧妙的，甚至是天才的产品定义，才有可能把这个事情推下去。就是任何产品都是有边界的，你要用这个产品定义，产品边界去管理用户的 expectation，就是机器人就不是万能的。

**42 号电波：**用户拿到机器人后，具体怎样教它？要教多少次，才算真的学会？

周顺波： 我们会把任务分成两类。

第一类，用户想做的事情已经在基础模型的能力清单里。以现在的技术成熟度，用户大概需要采集十几到几十条数据，物理世界里差不多是一小时量级的工作。通过后训练，可以把它推到 90%、95% 左右的成功率。

比如机器人默认把钥匙放在玄关的收纳盘里，但你习惯挂在洞洞板上。你戴着第一视角设备，用裸手把钥匙从收纳盘拿到洞洞板，示范几次，它就可以把这件事内化成你的偏好。

第二类，基础模型里完全没有这个任务。我们访谈过一个极客，他希望机器人在家里敲木鱼，因为他经常在家办公、开会，需要让自己心平气和。这个需求我们很难预先想到，基础模型里大概率没有。

这种情况下，我们会通过我们的技能养成工具链，从零训练一个很小的 policy，同样可能只需要几十条数据。它没有很强的泛化性，但我认为不重要，因为它本来就是为了满足这个用户自己的小爱好。用户付出一点精力，换到很强的情绪价值，是成立的。

**42 号电波：**这些在一个家庭里训练出的技能，能泛化到其他家庭吗？

周顺波： 一部分可以，一部分不需要。取决于任务复杂度和任务类型。

对于绝大部分用户，如果他不靠开发技能赚钱，也不以分享为乐，很多任务没有必要泛化。机器人卖到你家里，一辈子就在你家里。它是你的家庭伙伴，不需要会别人家里的东西。

只有当社区逐渐变大，有人像开发 App Store 应用一样开发机器人技能，泛化才变得重要。比如写春联、敲木鱼，这些技能可以被其他用户下载。但「我家的钥匙应该挂在哪里」，本来就和这个家庭绑定，也只需要在这个家庭里有效。

**42 号电波：**你们第一批用户是谁？会要求他们懂机器人吗？

周顺波： 我们现在在国内外机器人社区、爱好者社区里，大概积累了两千名潜在用户。体验官招募收到一千多份长问卷，最后筛选出约两百名最相关的用户。这 200 个人里面，我们的产品经理团队，还在挨个去做深度访谈，它是一个逐步筛选的过程。

**42 号电波：**你们怎么筛选这两百个人？

周顺波： 问卷非常长，能认真做完，我们已经很感激。问题包括家庭面积、是不是平层、有没有超过 3 厘米的门槛、家务习惯、最痛的家务是什么，以及对机器人隐私边界的接受程度。

我们优先让机器人进入综合评分更高的家庭，主要不是判断这个人「好不好」，而是早期机器人能力比较弱，需要先进入更容易运行的环境。比如空间较大、杂物较少、不需要跨楼层。

**42 号电波：**除了家庭环境的硬性条件以外，你们会要求这些人对机器人的 knowhow 达到什么水平吗？他们是普通的消费者用户，还是开发者型的用户？

**答：**这些人很多是大厂的一线开发者，有 general 的开发能力，喜欢机器人，但不懂机器人，我们把他们叫做「泛开发者」。我们其实还收了很多问卷，其中一部分人是有钱人，还有一部分甚至是我们的投资人等等。这些用户，我们会稍微往后放一放，因为他们更接近普通爱好者。

当然，公司里也有一些同学，希望让自己的家人参与，比如父母。但他们年纪相对较大，即使是面向普通爱好者的产品成熟度，可能也满足不了他们的需求。所以，这类用户我们只能暂时先放一放。

我们的用户大概是这样分层的：第一层是专业开发者，也就是由我们自己先完成第一版；然后，我们会把产品推给一般的泛开发者群体进行测试。

**42 号电波：**你们的内测用户现在还开放报名吗？

周顺波： 有，我们一直在持续收集报名。它本质上是一个用户池，我们不会嫌用户多，只会嫌用户少，区别只是发货的先后顺序。我们有一个公众号，现在里面只有一篇帖子，就是体验官报名帖，可以直接通过公众号报名。

三、机器人大脑，不只是一场模型架构之争

**42 号电波：**你认为算法还有工程能力哪个更重要？

**周顺波：**工程能力有可能比算法更重要。创业不是单纯做技术研究，我也不认为某一种算法能成为长期壁垒，因为技术最终会平权，也一定会流动。即使是模型这种在外界看来很阳春白雪、很高大上的东西，只要你真的去做，就会发现它背后全部都是工程问题和资源问题。因为很多时候，你就是没卡嘛。

现在其实很难证明某一种架构天然优于其他架构。我们以前做过相关实验，因为华为的资源还是比较充足的。无论是哪一种模型架构，唯一能够平等地提升它们、把所有性能曲线一起往上拉的方法，就是提高数据质量。反过来也一样。

真正大规模铺开时，需要的不是一个优雅的架构，而是一个简单、好用、可扩展的架构，剩下的全是工程：数据怎么扩展、清洗和统一格式，infra 怎么优化，跨卡集群怎么管理。训练中途一断，前面的算力全浪费了，那还不如没有这些卡，对吧？

**42 号电波：**机器人大脑公司更容易从机器人公司里面跑出来，还是从大语言模型公司里跑出来？

**周顺波：**我觉得大语言模型长不出这种公司。Generalist 的 Andy Zeng 一直在做机器人，而且一直做的就是 robot learning。Skild AI 的 Deepak Pathak 他们，本来就是从 CMU 机器人学院出来的。PI 的 Sergey Levine 他们，也一直来自传统的机器人实验室。都是这个领域的「黄埔军校」。这些人对机器人本体有足够的 sense，对 robot learning 也有足够的 sense。所以我觉得，这种能力很难从大语言模型公司里长出来。

**42 号电波：**有工程师跟我说，Physical Intelligence 的 π0.5 发布一年后，国内还没有一个模型在综合能力上真正赶超它。你认可吗？

周顺波： 我认可啊。现在不是有很多人都在刷各种 benchmark 嘛？所以圈子里经常有人说，π0.5 是「真机之王」：刷榜的时候从来没赢过，但真机部署的时候从来没输过。这句话非常现实地反映了这个问题。我觉得 PI 真的是一家非常好的公司，某种程度上，它也在弥合中国和美国之间的模型差距。因为国内在供应链、本体和数据上确实更有优势，但在模型架构上，我认为至少还落后 6 到 9 个月。

**42 号电波：**为什么 PI 能做到这么强？

周顺波： 我觉得，这件事可能涉及好几个维度。

第一，他们确实是全球最前沿的具身模型研究机构之一。创始人都来自那几所顶尖学校，全球这一领域的人才也大多由那套体系培养出来。所以客观上，人家起步更早、研究得更透，想法也更先进。

另外还有一个很关键的点：PI 毕竟是一家公司，但从资本市场对创业公司的预期来看，PI 和国内公司会有非常大的不同。这里不能说是「差距」，更准确地说，是两边面对的预期不一样。

从组织形态上看，大家会觉得 PI 更像一个 lab。PI 现在的环境非常宽松。虽然它是一家商业公司，但实际上没有任何商业指标。像这样宽松的创业环境，在国内目前还是很难想象的。

**42 号电波：**那你怎么看 VLA、WAM 这些路线之争？

周顺波： 我觉得名字没那么重要，关键要看本质。

具身模型最终一定要输出 action。V 代表对环境的多模态感知，L 代表人的意图和偏好，最后输出 A。从这个意义上说，VLA 已经是一个终局概念。WAM 同样要理解视觉、意图并输出动作，本质上绕不开这三件事。中间的黑盒怎么设计，才是模型架构。大家起不同名字，既有技术差异，也有建立标签、方便融资的考虑。

但我对 WAM 仍然谨慎。它把视频生成和 action 耦合在一起，动作能力的上限也就受制于视频生成。可如果一个视频模型能够完美理解物理规律和 3D 空间一致性，它本身不就接近 AGI 了吗？这里存在一个「鸡生蛋、蛋生鸡」的悖论。

而且视频模型很容易在固定仿真环境中过拟合，把 benchmark 刷得很好；一旦进入真实世界，光照、时间、季节甚至窗帘开合都会影响结果，真机性能立刻断崖式下降。它基本上是 benchmark 从没输过，真机部署却很难。

所以我对 WAM 持保留意见。如果相信这条路线，与其直接做 WM，不如先解决视频生成。但做视频生成的人又在等机器人铺开，回流符合物理规律的真实数据。这就互相卡住了：我等你，你也等我。

**42 号电波：**所以，你觉得未来会不会出现一种新的架构，最终让机器人走向 AGI？

**周顺波：**我觉得有可能。但也有一种可能，就是现在的架构已经够用了。因为现在大家本质上并没有卡在架构上。

**42 号电波：**那是卡在数据上吗？

**周顺波：**对啊。现在还没有任何一种架构真正被高质量的数据喂饱。当然，我觉得具身智能最终很有可能是一套 agent 系统，因为它实在太复杂了。这个系统里会有基础模型，但基础模型究竟如何推理？它的记忆怎么管理？上下文怎么管理？这些事情都有可能需要依靠一整套 agent 系统，来把基础模型的价值最大化。

**42 号电波：**你们的数据采集是怎么做的？

周顺波： 我们现在整体上会以人类采集的数据为主，更准确的称呼应该是 human-centric。

Egocentric 专指第一视角。假设我手上什么都没有，也没有使用 UMI，只戴着一个 egocentric camera，那么采集到的 ego 加裸手数据，也属于 egocentric data。如果我再使用两个夹爪，比如 UMI，那采集到的就是 ego 加 UMI。但这两类数据，可以统称为 human-centric data。

根据我们目前的小规模实验，我们认为，human data 加 synthetic data，很可能是数据的终极解法。

这里面的第一个判断是，UMI 要实现大规模扩展，其实也会比较困难；但纯 ego 数据的扩展，基本不会遇到太大阻碍。ego 加 UMI 的数据，至少在我们目前的实验中，已经基本可以替代真机遥操数据了。因为这本来就是 UMI 被设计出来的初衷，对吧？

这些数据由人来采集，而 UMI 使用的执行器和机器人上安装的执行器是同构的。所以，只要确保空间轨迹估计正确，并设计好 workspace 边界，这些数据就是可以 replay 的。

现在大家可能还需要专门做一个在头上或胸前佩戴的摄像头，因为要考虑续航等问题。但 AI 眼镜本身也是一个行业趋势，最终这些数据可能都会由 AI 眼镜捕捉，变成大家日常生活中自然产生的数据。

所以，ego 加裸手这种 human data 一定会长期存在，而且会越来越完备，最终可以广泛应用于模型的预训练。

**42 号电波：**现在行业里还有一种说法，认为具身智能目前卡在评测上。

**周顺波：**对，我认为，行业下一个瓶颈可能是真机评测。现在，人类采集的数据已经找到可扩展的路径，不再依赖评测。

但下一代数据很可能来自 rollout。如果评测做不好，闭环就搭不起来，rollout 数据也无法有效产生。所以，数据问题缓解以后，瓶颈很快就会转移到评测。

**42 号电波：**那评测怎么才能搞好呢？

**周顺波：**这个很难，目前大家都没有答案。仿真、世界模型和真机评测各有问题，真机也无法保证完备性。

我认为，最好的办法是先定义清楚产品边界，再把产品丢到用户家里测试。我们所谓的「养成」，本质上就是把一部分评测外包给用户。

我现在的梦想不是做 AGI，而是做一个能让大家玩得爽、同时又具有可成长性的机器人产品。所以，我的方法并不追求理论或者学术上的极致。用户评测只需要保证它在自己家里好用，换一个家庭是否完备，并不重要。

**42 号电波：**那你们会做灵巧手吗？

周顺波： 在我看来，灵巧手应该是机器人公司的供应商。如果别人能做好，你自己做就不产生增量价值；如果所有人都做不好，说明这个问题本来就很难，而创业公司资源有限，更不应该什么都往里面投。

我们第一版先用现成的二指夹爪，把数据、模型、本体和用户示教的流程尽快串起来，同时并行设计三指，但暂时只做到三指。不能为了等一只理想的手，让所有样机和模型迭代都停下来。

**42 号电波：**那你怎么看触觉？

周顺波： 触觉还很早。机器人本体公司在等灵巧手收敛，灵巧手公司又在等触觉收敛，触觉还是这个链条上游的上游，中间变量非常多。

视触觉理论上性能最好，也可以复用视觉 backbone，但缺点同样明显：算力消耗大、解算慢、成本高、容易坏。其他阵列式或电子皮肤数据格式又不一样，需要额外训练 encoder。大家都知道触觉重要，却还没有形成共识，不敢轻易押某一种路线。

所以灵巧手可以继续迭代它自己的驱动、结构和可靠性，但机器人公司没必要现在把所有不确定性都背到自己身上。我们要把资源投在自己的增量价值上。

四、从汪洋大海，降落到最大的水洼

**42 号电波：**你们对自己有销量目标的要求吗？

**周顺波：**我们现在拿的其实都是财务投资，财务投资人对这些并没有约束。我原本的目标，是希望明年至少能有千台销量。但最近发生的一些事情，让我觉得还是要更谨慎地考虑这件事。

消费级机器人这件事，一方面是本体的可靠性、稳定性和供应链，这些都有可能成为卡点。另一方面，就是它到底聪不聪明。聪不聪明这件事，我的理解是，按照我们现在的路径，只要用户能够非常简单地开发出好玩的机器人，这就够了。

所以，我现在最关心的，还是整个供应链能不能让我们把这个机器人可靠、稳定地产出来，以及机器人够不够聪明、好玩。

**42 号电波：**所以供应链至少还要花一两年的时间去打磨？

**周顺波：**对。相对来说，在这一波具身智能创业潮里，我们出来得比较晚。这有劣势，也有优势。最大的优势就是，大家踩过的坑，我们其实可以尽量避一避。

否则，我可能真会觉得，明年定千台的目标都有点保守。一旦我把公司的研发重心放到确保明年实现3000台量产这个目标上，整个公司的研发节奏就会变形。但最后，你可能是在做一件压根儿就完成不了的事。

**42 号电波：**所以你现在不悲观了？

**周顺波：**我现在是长期乐观，但短期还是有不确定性。

**42 号电波：**所以你们认为，即使没有达到 AGI 时刻，现在的架构它依然可以产品化，可能会有一定的商业价值？

**周顺波：**还是那句话，我是机器人出身的，所以对这件事的商业化，我是这么思考的。

我们可以想象一条轴，从左往右代表机器人能力不断提升。几十年前，工业机械臂已经实现了商业闭环；2014 年前后出现的那批 AGV 公司，现在也基本跑通了商业模式。这说明，机器人的能力每向右移动一步，都可能产生相应的商业价值。

今天，AI 的进步一定会继续把机器人往右推，只是能推多远，我不敢说。

现在行业的问题是，一群讲 AGI 的人直接跳到了最右边，认为只要把模型装进一个本体，机器人就能什么都做。但模型还没有形成真正的理解，本体也远未收敛。现在连稳定的本体都没有，何谈通用？把所有复杂问题耦合在一起，当然怎么看都落不了地。

我们的选择是一步一步往右走。自己的模型能推动多少，我们就先推动多少；如果未来出现更好的模型，就借助它迈得更远，同时把底层的产品和工程做扎实。

所以我认为，机器人的商业模式一定成立。每一步都成立，区别只在于，这一步到底能迈多大。

**42 号电波：**你们既做数据、模型、本体和应用，又强调克制。欧拉万象到底做什么、不做什么？

周顺波： 我们内部有一个很明确的认知：家庭具身必须全栈迭代，但不能做 general purpose 的全栈迭代。

全栈包括数据、模型、本体和应用。如果每个环节都不加约束，什么都做，就会变成很多头部公司讲的「通用全栈」故事。我们的约束首先放在应用场景和产品定义上：明确做什么、不做什么；产品定了，本体就能做减法；本体和应用定了，数据和模型的 scope 自然会被大幅压窄。

**至少有一件事情非常清晰：我们不能把自己定义成一家纯基础模型公司。**现在的具身模型，相比语言模型和 VLM，还不配被称为真正的基础模型。如果没有把数据、模型、本体和应用的闭环跑起来，就不应该过早讲基础模型。

**42 号电波：**你希望欧拉万象最后成为一家什么样的公司？因为之前你也拿拓竹做过比喻，你心目中有特别欣赏的科技公司吗？

周顺波： 有呀，我特别喜欢大疆和拓竹。我觉得，我们现在做的这件事，下限是一家拓竹，上限是苹果。

这里面有一个逻辑。在一部分任务上，我们已经可以让开发机器人的体验接近拓竹。用户只需要在前面花一点时间 involve 一下，之后就可以去玩，甚至去睡觉。过几个小时回来，就能拿到一个可以 deploy 的模型、一套可以直接使用的 policy。这才是真正的消费级体验。

以前的 3D 打印机也非常复杂、繁琐，机器很大，中间还经常出现各种问题，需要人一直在旁边看着。傻瓜式、零代码、真正消费级，这些特性我们可以越做越好，能够支持的任务也会越来越多。所以我觉得，拓竹覆盖的市场，我们也可以覆盖。

唯一的不同是，机器人其实比 3D 打印机好玩太多了。哪怕早期还有一些不足，它的趣味性也完全可以弥补。所以我觉得拓竹是下限。再往上走的话，这件事有可能带动一整套生态。

**42 号电波：**目前你们团队多少人？

**周顺波：**52 个人。

**42 号电波：**52 个人，就还没有到原来在华为的这个团队的规模。

**周顺波：**没有，但不太一样。在华为的时候，那个团队可能有 60% 是研发，另外 20% 左右是解决方案、销售、产品交付和运维等岗位。我们现在除了一个 HR、一个行政，剩下的全是研发。

**42 号电波：**你心目中会有竞争对手吗？

周顺波： 目前我觉得，我们还没有明确的竞争对手。最主要的原因是，家庭具身这件事，没有任何一家公司天然适合做。它是一个需要所有人重新定义、重新创造的赛道，而且非常综合。

相对来说，我们的团队配置可能比较完整，但其他公司也各有各的长处。所以我觉得，大家还是需要先共同把这个赛道跑起来、做实，然后才有可能谈竞争。现在还非常早期。

当然，我认为这个赛道足够大。但因为我对 AGI、对什么都能做的机器人没有那么乐观，所以它可能并不是表面上看起来的那个超级大赛道。

我自己的感受是，家庭具身就像从天上望下去的一片汪洋大海。当你慢慢往下降、慢慢往下降，真的去落地时，最后很可能会发现，它其实是一个又一个的水洼。

我们需要找到其中最大的那个水洼，然后一头扎进去。到了那个时候，如果有人也在做同样的事情，我们就会有竞争对手。大家先一起往下降。这是我的感受。但现在大家都还在这个高度，看上去下面都是一片汪洋大海。