从成熟产品出发，追觅加速物理AI走进家庭

今年7月，美国初创公司Weave Robotics发布了一台不太像人的家庭机器人Isaac 1。它没有双腿，也没有仿人的五指，而是采用轮式底盘、可升降机身和机械臂，目标集中在折叠衣物、整理杂物和铺床等具体家务。

无独有偶，早在3月的AWE 2026上，全球高端科技品牌追觅就已展示了具身洗护机器人，它通过机械臂与多模态感知，自主完成衣物识别、抓取、分类和转移。相比Isaac 1，追觅的洗护机器人能力更聚焦，但两者体现出相似的产品思路：不以复刻完整人形、包办所有家务为起点，先围绕高频刚需任务配置更实用、更具体的身体。

追觅具身洗护机器人

模型的进步仍在缩短这段距离。2026年4月，Google DeepMind发布Gemini Robotics-ER 1.6，将空间理解、任务规划和结果判断纳入同一套推理过程。对机器人而言，知道动作该怎样开始之外，能否判断任务是否完成、失败后是否需要重试，同样是自主性的组成部分。

这些进展让行业开始思考另一个问题：AI需要一副怎样的身体？一种思路是制造覆盖清洁、收纳、烹饪和照护的全能家庭管家；另一种是让大模型先进入扫地机、洗地机、风扇等成熟产品，在明确任务中增强原有功能，并进一步打开新的产品定义。

前一种路线代表更远的技术目标，后一种路线则更接近现阶段的产业条件。追觅恰好提供了一个观察样本：从2017年成立至今，它用九年时间积累马达、感知、机器人算法、运动控制和机械结构。过去，这些能力用于解决具体的产品问题；当大模型开始寻找身体，它们又成为AI进入家庭、把判断转化为动作的现实基础。

全能家庭管家，难点不只在模型

家庭是机器人最难适应的环境之一。工厂有固定工位、标准流程和明确的安全区域，家庭的户型、家具、地面材质和生活习惯却各不相同，儿童、宠物和临时摆放的物品还会不断改变空间状态。

机器面对的不是一个单点任务，处于家庭环境，它需要识别房间内的不同物品，判断它们应该放在哪里，规划移动和抓取顺序，并在动作过程中持续避让人和家具。任何一个环节出现误差，都可能使后续步骤失效。

通用能力因此会显著放大系统复杂度。机器人每增加一种任务，都要同时扩展感知对象、动作空间、安全规则和异常处理能力；不同家庭之间的差异，又要求这些能力能够迁移，而不是只在预先设置的房间中成立。 

商业化尝试已经把这一矛盾带到用户面前。Isaac 1定价7999美元或每月449美元，1X开放预订的NEO家庭机器人则定价2万美元或每月499美元；两者在部分任务中都保留了远程协助机制。价格差异背后，是产品形态、任务范围和自主程度的不同，也说明成本、隐私与服务规模已经成为家庭机器人的产品变量。

数据也是一项长期约束。Google DeepMind在介绍跨机器人训练研究时曾指出，机器人通常是优秀的专业选手，却不擅长成为通才；任务、机型或环境发生变化，往往需要重新训练。通用家庭机器人要跨越这道障碍，需要大量包含环境、动作和结果的真实数据。

模型之外，本体能力同样决定落地速度。看见台阶不等于能跨越台阶，识别水渍也不等于能完成清洁。执行机构的自由度、力量和控制精度，机械结构的可靠性与成本，都要与模型同时成熟。

家庭对失误的容忍度又低于一般公共场所。机器人不仅要完成任务，还要避免碰伤家人、损坏物品或泄露隐私。能力越通用，可能出现的动作组合越多，验证和安全边界也越复杂。

2026年AAAI收录的IS-Bench研究进一步指出，主流视觉语言模型驱动的具身智能体在日常家庭任务中仍缺乏充分的交互安全意识；加入安全推理虽然能够改善表现，却可能降低任务完成率。安全与效率并不是上线前最后补上的功能，而是必须在模型、动作和产品设计中同时权衡的变量。

这意味着，全能家庭管家类人形机器人的落地，需要模型、本体、数据、安全和量产能力共同推进。它更像一个长期技术方向，很难单纯依靠模型能力的跃升迅速完成商业闭环。

大模型进入产品，打开两层想象空间

全能家庭管家尚需时间，并不意味着大模型只能停留在对话界面。扫地机、洗地机、风扇等产品拥有传感器、控制系统和执行机构，当模型进入这些终端，语言理解和推理能力便有机会转化为对真实环境的判断与行动。

第一层变化，是提高原有功能的上限。过去，家庭设备主要依靠预设模式运行，功能通过档位、时间等固定分类进行划分；有了大模型参与后，产品可以结合自然语言、环境状态和使用习惯理解目标，并在任务过程中动态调整策略。

以清洁为例，用户随口说的一句“把餐桌附近收拾一下”并不是标准程序。但设备可以识别用户指向的区域，判断污渍和障碍，选择清洁方式，并根据执行结果决定是否补扫。大模型增强了扫地机理解、判断和拆解任务的能力，使其有可能执行表达更模糊的用户需求。

这种提升会改变产品的评价尺度。吸力、温度范围和续航仍然重要，但产品能否理解模糊意图、处理环境变化、减少用户设置，将逐渐成为新的能力维度。原有功能没有消失，但它的调用方式开始更以人为中心，以需求为拆解原点。

第二层变化，是催生新的产品定义。当模型能够持续理解空间、对象和任务，产品便可能成为家庭中的任务节点。扫地机可以从地面清洁延伸到空间巡检和简单整理，空调也可能从温度调节转向围绕人员状态管理局部环境。

新的产品定义，要求产品同时具备感知、推理和执行能力。模型可以提高智能能力，但产品需要可靠地执行方案。家庭机器人的产品边界由此从是否足够像人，转向能否围绕高频任务形成稳定结果。

以追觅扫地机仿生机械手为例，过去扫地机主要负责地面清洁，增加机械手和大模型能力后，设备可以识别并抓取散落在地面的玩具、袜子、纸团等，产品任务由清扫进一步延伸到简单整理。

追觅扫地机仿生多关节机械手

这也解释了为什么成熟产品是大模型进入家庭的重要载体。它们已经围绕高频任务完成硬件设计、供应链建设和安全验证，模型能力可以先在明确边界内落地，再根据真实使用扩展功能，而不必从零制造一个覆盖所有任务的身体。

从产业角度看，大模型与产品结合，把原来的事做得更好，也让产品承担过去没有被定义的任务。前者缩短商业闭环，后者逐步扩展家庭物理AI的边界，共同构成通向更高阶家庭智能的现实路径。

从算法判断到物理行动，产品构成AI的现实入口

这类产品增强路线有两项现实优势。其一，硬件已经围绕明确任务完成设计，新增AI能力能够直接改善用户结果；其二，产品已有供应链、制造和服务体系，新能力可以在真实使用中接受可靠性检验。对物理AI而言，一副经过量产和长期运行验证的身体，往往比一副从零开始追求通用性的身体更接近商业闭环。

这种系统形态不能完全替代通用机器人。跨房间搬运、复杂收纳和照护等任务，仍需要更通用的移动与操作能力；现有家电之间的协议、数据和空间理解也远未统一。

但在现阶段，产品增强路线提供了更短的商业闭环。它不必等待模型、本体和成本同时越过通用门槛，利用已有终端解决高频任务，并通过真实使用继续积累工程经验。

从这个角度看，追觅过去九年的积累，在大模型时代获得了新的含义。

追觅并非在大模型热潮出现后才开始做AI。公司较早便组建人工智能相关小组，2021年，追觅扫地机便组建了AI算法小组，研究如何将AI技术融入产品，在感知算法、语音交互、端侧体验等多个能力方向持续协同推进。到2023年10月，追觅便已经开始将强化学习算法应用在扫地机中。公司内部员工长期探索未来技术，持续研究计算机视觉、大模型等最新算法。

扫地机超广角双目灵动导航避障技术

高速数字马达首先解决了机器如何稳定输出动力的问题。追觅在相关产品中引入主动双目、ToF等感知方案，并将算法与机械结构协同迭代。传感器负责获得空间信息，算法负责判断清洁顺序和行动路径，马达、滚刷与机械结构再把判断变成动作。九年积累，让追觅研发团队一次次把“感知—决策—执行“的逻辑链条写进旗下产品里。

衡量家庭物理AI进展的标准，也应从机器像不像人，转向它是否稳定完成任务、是否理解环境变化、是否能在安全边界内持续改进。动作展示可以证明能力上限，日复一日的可靠运行才决定技术能否进入家庭。

全能家庭管家仍然值得期待，但家庭智能不会等到那一天才开始。先让每一类产品更理解任务，再让不同产品理解同一个家，是一条更接近现实的路径。大模型正在寻找身体，而追觅九年积累的意义，正是让AI能够从理解世界，继续走向改变世界。