xLean 颗粒进化创始人、CEO 薛轲翰的答案是否定的。在他看来，通用机器人不会从实验室里突然蹦出来。它必须先进入真实场景，在每天发生的任务中积累数据和能力，才有可能一步步走向通用。

而 xLean 选中的起点，是家庭清洁。这项任务高频且刚需，几乎每个家庭每天都在发生。扫地机器人也是目前唯一已经大规模进入家庭、每天自主工作的机器人品类。这也意味着，xLean 的第一步，是闯进一个成熟到不能再成熟的市场：科沃斯、石头、追觅、云鲸在这个市场已经打了好几轮价格战，产品越来越同质化，智能上限却像是卡住了。

2026 年再做清洁机器人，还有空间吗？

xLean 的解法，是全球首款双形态洗地机器人 TR1。放在地面上，它可以自主完成日常清洁。拔出手持杆，又能变成洗地机，处理突发污渍和重度清洁。用户每一次手持操作，都在自然地告诉机器人哪里脏、怎样清、什么时候算干净，留下传统扫地机很难采集到的高密度示范数据。在此基础上，通过原本安装手持杆的结构接口，再将 TR1 构建成为可移动、可感知的 Family Agent 入口。

继 IFA 2025 Best of IFA Next 、Design Honoree 后，在刚结束的 2026 柏林 IFA 上，TR1 又获得 IFA 2026 Smart Home、Home Appliances 两个领域的官方荣誉奖，并首次演示为机器人提供的原生Family Agent 系统——EvoMate™ OS 的现场实际交互。

经销商的认可更关键，现场来自超过 40 个国家和地区的 100 多位经销商及经销集团，向 xLean 释放了约 15 万台意向订单。此前在 Kickstarter 上，TR1 已经获得 2000 多名早期支持者，众筹金额超过 210 万美元，并已签署超过 2 万台海外渠道订单。

这些市场表现也让薛轲翰更笃定：清洁机器人远没有到头。现在的扫地机可以按指令跑遍全屋，但它不知道哪里还是脏的，面对不同污渍应该怎样调整策略，也不知道清洁到什么程度才算干净。下一个变量，就是让清洁机器人对结果负责。

成立以来，公司已完成4轮融资，融资额累计超千万美金。投资方包括：国方创新，华业天成，五源资本，麟阁创投，蓝海众力资本，万世资本，高樟资本，奇绩创坛。

今天，xLean 的对手还是扫地机器人。几年后，它在家庭场景里遇到的，可能就是具身智能公司。

以下是 Founder Park 与 xLean 创始人兼 CEO 薛轲翰的对话，经编辑整理。

采访 | 朱俊熹

编辑 | 万户

⬆️关注 Founder Park，最及时最干货的创业分享

我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。

如果你正在做 AI 相关的事，欢迎和我们聊聊。 

---

01

扫地机做了这么多年，

还是不知道自己有没有扫干净

Founder Park：先从你的个人经历聊起吧，在 xLean 之前都做过什么？

薛轲翰：我 2017 年进入西北工业大学读本科，当时只有十五六岁。大一就加入了学校机器人队，到了大二、大三开始担任队长。

本科几年基本一直在做各种机器人比赛，我们做过室内多旋翼无人机、水下无人航行器。我还带队参加了我们学校第一届 RoboMaster AI Challenge，在七八十所高校中拿到全球第六，当时也有 CMU、MIT 等北美高校的实验室参加。

所以从天上飞的、水里游的，到地上跑的机器人，我本科基本都接触过。机器人形态不一样，技术侧重点会有区别，但底层的技术栈其实大差不差。

我原本是算法出身，做了两年队长后，结构、电子、打螺丝、焊板子都要做，也要审核其他人的技术方案，什么都能干。

2020 年，我拿到了香港中文大学机器人研究所的全奖直博 offer。正好赶上疫情，阴差阳错地开始了第一次创业，做医院的消毒消杀机器人。之后，我把 offer 也放弃了。最开始团队不到 10 个人，两年时间做到了四五千万营收，交付了接近 1000 台机器人。

但做着做着，我发现它变成了纯渠道导向的生意。买单和做决策的是医院或政府的管理者，真正使用产品的是清洁工，客户对产品本身的好坏并不敏感。这个品类的天花板已经被锚定，产品、技术和用户反馈之间的链条非常不闭环。我想做一件离真实用户更近的事情，所以两年后主动退出了。

Founder Park：后来又回了港中文？

薛轲翰：我在港中文算是「两进两出」。第一次拿到 offer 后去创业，就放弃入学 PhD 了。第二次是从上一家公司退出后，我又联系了刘云辉教授（香港中文大学天石机器人研究所所长），他还是给了我一次机会。

但读了半年博士之后，我发现这种状态仍然不是我想要的。一个 PhD 课题可能花 3 到 6 个月做出论文结果，离真实使用场景却很远，商业上也未必成立。因为没有真实场景和数据，很多技术方向探索下来根本无法实现。

我已经经历过一次比较社会化的创业，越来越觉得，读博不是当时成长效率最高的路径。于是 2022 年下半年，我又开始寻找新的方向。

Founder Park：怎么选中的清洁机器人这个方向？

薛轲翰：一开始想做 To C，但也很迷茫。家庭和消费场景里，能做的产品好像都做得差不多了。剩下那些技术一时半会还做不到的，我们也做不了。

当时，市场上比较热的有泳池机器人、割草机器人。但我的判断是，泳池环境相对简单，把技术继续做深的 ROI 不高。割草机器人当时已经进入产业窗口，后来跑出来的公司要么是寻找第二增长曲线的大厂，要么像松灵机器人一样从 2020 年就开始做。一个 2022 年才成立的团队，大概率赶不上那轮节奏。

相比之下，室内环境更非标、更多样，对机器人技术的要求也更高。但家庭清洁最初并不在我们的选择里，因为是个人都会觉得，扫地机器人已经有那么多大公司，产品应该做得差不多了。

事情的拐点是，我们当时四五个人在深圳租了套三室一厅。我花 6999 元买了一台科沃斯旗舰扫拖机器人，买回来才发现，它和我期待的清洁机器人完全不是一回事。

我期待的是，它能把家里的地面清洁完整覆盖，并对结果负责，它是一个闭环产品。但当时的扫地机器人只是按计划把全屋走一遍，不知道扫完是否干净。即使不干净，也不会调整策略多来几遍。

当时，拓竹给了我另一个启发。本科做机器人时，我们经常用创想三维、纵维立方的 3D 打印机。晚上打印一个零件，根本不敢回宿舍，因为失败率很高，出了问题必须及时处理。

拓竹第一代产品能卖爆，核心就是把 3D 打印从开环变成闭环。它在打印机里加入大量传感器，实时发现累积误差，再控制喷头修正，能对最终打印结果负责了。一个消费电子产品在场景里从开环变成闭环，就是质变。

我意识到，清洁机器人赛道也存在同样的机会。虽然这些大公司做了很多年，但产品根本没有到头。下一个变量，就是清洁从开环变成闭环，让机器人能对清洁结果负责。

另一条主线是，我本质上还是想做机器人。但一个最终能够进入家庭的机器人，很难突然从实验室里蹦出来，因为没有真实的场景和数据。所以我想先做一台能进入家庭的机器人，从具体任务开始，把数据、算法和硬件的 pipeline 跑通。

这时候，两条线就开始收敛了。清洁虽然被认为是没有机会的成熟赛道，却可能同时满足两件事：把现有产品从开环推向闭环，也成为机器人进入家庭的入口。

02

把扫地机和洗地机合二为一，

不是加一根杆那么简单

Founder Park：你说的「清洁闭环」，具体指什么？

薛轲翰：清洁机器人要学会三件事。第一，什么是脏污，第二，面对不同脏污，采用什么清洁策略。第三，清到什么程度才算干净。

这三件事天生适合数据驱动的方式，也只能用数据驱动。因为脏污是高度非标准化的东西，不同地区常见的污渍也不同，像透明液体、反光液体、与地板颜色接近的液体等等，很难靠手写规则覆盖。

Founder Park：这些数据从哪来？现有的扫地机器人采集不了吗？

薛轲翰：出货量大，不等于数据可用，扫地机形态没办法承载这些数据。现在扫地机的产品定义是做全屋维护型清洁，一台扫地机在家里跑 1 到 2 个小时，真正遇到脏污的时间可能只有几十秒到一两分钟，有效数据密度很低。

即使识别出了脏污，也没有人告诉它，应该以多快的速度、来回几次、用多大功率清洁，更没有「清到什么程度算干净」的结果标签。

这时候我们就想，能不能做一个双形态的新产品？机器人形态负责日常维护，同时也允许用户手持使用。遇到应急清洁或突发污渍时，用户拿起它来处理，也就自然地告诉了机器人哪里脏、应该怎样清、什么时候算清干净。

这些场景无论当时还是现在，扫地机器人都覆盖不了，由另一个品类手持洗地机来满足。那从消费者的角度看，能不能用一款产品覆盖这两类场景？

手持只是一个过渡形态。它先解决消费者当下的使用需求，也为机器人提供示范。采集到的数据可以反哺机器人，让它逐渐覆盖那些原本需要人来完成的场景。

Founder Park：在实际使用中，TR1 能解决哪些现有扫地机器人处理不了的问题？

薛轲翰：一是即时、定点的清洁。现在的扫地机器人要在 App 地图里选区，再等它慢慢过去，整个交互链路很长。但很多时候，用户只是刚刚打翻了一杯饮料，或者看到餐桌下面有一小块污渍，希望立刻、快速地处理完，这更适合手持模式。

二是液体、黏稠垃圾和重污。比如宠物在家里小便，传统扫地机如果没有识别出来，可能会把它抹到整个房间。海外还有很多养大型犬的家庭，狗的口水落在地板上风干以后，也很难靠日常扫拖处理。TR1 不只是简单吸尘或扫浮灰，希望能够覆盖深度清洁。

Founder Park：为什么现在市场上更倾向于把扫地机器人和手持洗地机分开做？

薛轲翰：一部分是固有品类认知。大家已经默认，扫地机负责日常维护，洗地机负责突发和重度清洁，各自在一个场景里做到极致。

另一部分是组织问题。大公司内部，扫地机和洗地机往往是两个很大的业务板块。突然做一个二合一产品，到底放在哪个部门？这背后还涉及内部资源和利益分配。我们没有这个包袱，从 Day 1 就认为，应该由一个产品完整覆盖。

Founder Park：把两种形态整合进一台产品，会面临哪些工程难点？

薛轲翰：双形态不是给扫地机加一根杆那么简单。扫地机做的是全屋轻度维护，我们需要提升清洁能力，覆盖家里各种极端清洁场景。我们做了一套全新的「双擎直吸清洁系统」，可以理解为把一台大型手持洗地机，小型化成一台扁平的机器人。

其中一个难点是水汽分离。为了获得洗地机的清洁能力，需要用负压直接吸入垃圾，高速气流以大约 30 m/s 的速度混着垃圾带到机器腔体内。但机器内部的风道长度只有 30 cm，需要在几十毫秒内把水和空气彻底分开。传统洗地机可以利用高度差，我们的机身只有它的 1/10 高，只能重新设计串联的多级旋风分离器。

整个研发前期面临巨大的不确定性，很像「硬件炼丹」。水和空气混合介质的双相流、高速流体仿真的 Sim-to-Real Gap 很大，只能仿真、打样、验证，循环往复。我们迭代了 30 多个版本，才把这套系统做稳定。除了流体，还要继续解决散热、降噪、防水和密闭等问题。

整套产品内部接近 500 个零部件，开了 300 套模具。一般扫拖机器人通常是 300 个零部件，80 到 120 套模具。零件数量看起来只是增加了一倍，但工程挑战完全不在一个量级。

新的硬件系统还导致机型形态布局不一样，底层算法也需要创新。比如方形机器人在家里不被卡住，做更好的全覆盖、贴边清洁、沿边清洁等等。针对这些问题，我们会引入强化学习端到端，以及让 LLM 参与导航上层决策等创新方法，更高效地适应复杂的家庭环境。

03

每一次手持清理重污，

都是机器人最需要的示范数据

Founder Park：在手持模式下，用户的哪些行为可以转化成机器人学习的数据？

薛轲翰：我们会学两层东西。一层是通用的清洁闭环，不管在谁家使用，机器人都要有闭环能力，这部分可以通过 OTA 更新同一个模型。另一层更偏向每个家庭的个性化，比如家里哪里更容易脏、哪些区域对清洁要求更高，可以做重点区域维护，以及清洁怎样和用户的生活习惯串起来。

在手持模式下，我们会记录机器人前方的视觉数据、速度和加速度，以及清洁系统里各个电机的输出状态。用户通常不会拿手持模式清理全屋，而是处理一块具体的重污。一次操作可能只有 5 分钟，其中 3 分钟都在对着有效脏污，数据密度比扫地机自动跑两个小时高得多。

第一类是识别数据。人为什么把机器推到某个位置？因为那里出现了值得处理的脏污。第二类是策略数据，包括怎样走向污渍、清洁过程中前后推拉的速度和方向、清洁次数和功率。第三类是结果数据，人停止清洁，意味着他认为结果已经可以接受。这时候，会记录下清洁完成后的视觉画面，打上「干净」的标签。

Founder Park：某种程度上，手持模式也筛选出了那些高价值的数据？

薛轲翰：我认为这就是产品的闭环之处。双形态对消费者是卖点，对技术来说是天然的数据筛选器。用户原本就需要手持去处理很多清洁场景，在这个过程中，自然而然就把数据采集下来了，不会增加额外的数据采集成本。

这有点像特斯拉的 Shadow Mode，自动驾驶还不成熟时，本来就需要人来开车，系统可以在这个过程中学习。但自驾到后期，最有价值的往往是紧急避险等 Corner Case。而手持清洁天然聚焦在机器人没有处理好的重脏污上，每次操作都包含识别、策略和结果，是有效且高密度的数据。

相比于自驾，我们还可以判断模型效果是不是真的变好了。我们会同时看两个指标，一是模型 OTA 后，用户手持介入的频率是否下降。二是，机器人完成全屋清洁的速度和效率是否提高。

模型学会之后，机器人就不用每天都把全屋清洁一遍。它觉得一个地方不太脏，就可以快速通过。发现比较脏，就多清洁几遍，确保处理干净。在保证清洁效果的前提下，用时越来越短，同时用户手持介入越来越少，就意味着机器人交付的结果越来越好。

Founder Park：机器人越学越好，用户手持介入越来越少，数据量会不会也随之减少？

薛轲翰：会变少。但到了后期那个节点，模型在主流场景里也基本收敛了。

Founder Park：你们现在跑通了人类示范、机器人自主复现的闭环吗？

薛轲翰：目前在实验室的特定场景和已有脏污类型里，已经能让机器人把人的动作学出来，相当于跑通了第一步。但真实家庭的数据量还不够，下一步要验证的是大规模泛化，这件事要等第一批产品量产发货之后才能真正开始。

我们也探索过合成数据。先采一批真实污渍，再用生成模型替换背景，但效果很差。很多液体透明、反光，或者和地板颜色接近，换了环境后，污渍与光线、阴影、反射之间的关系很假，训练效果也不好。实验室里数据量确实没那么大，不是只在同样背景下撒不同的脏污就行了，环境也是非常大的变量。

如果要把整个学习闭环真正跑通，图像理解只是第一步。后面还需要大量 Action 数据，这部分才是更核心的数据，但现有渠道基本拿不到。

Founder Park：机器人进入真实家庭后，数据采集不可避免地涉及隐私问题，你们准备怎么处理？

薛轲翰：我们非常在意用户隐私。在视觉模组上，我们设计了一个物理遮挡结构，内部叫「小红线」，类似电脑摄像头的滑动遮罩。用户可以把摄像头盖住，代价是部分 AI 能力无法使用。

在软件层面，我们做了一套端侧隐私计算 pipeline。机器人一天真正工作的时间可能只有 1 到 2 个小时，其余时间可以利用端侧 10 TOPS 的算力慢慢处理。我们不会把原始视频流直接上传云端，在本地完成编码之后，回传时把个人标签关联去掉做匿名化处理。

04

三条产品线：

先把清洁机器人卖进家庭，再让它长出更多能力

Founder Park：目前 TR1 的量产和交付进展如何？

薛轲翰：现在 500 台 TR1 试产已经准备得差不多了。我们在国内外找了几百名 Beta 测试用户，让他们在家里持续使用 1 到 2 个月，确认没有问题后就开始放量。产线和产能也基本准备好了。国内和海外会同步启动，因为地面清洁是一个全球性的大单品。

我们在量产过程中踩了很多坑。整套产品内部接近 500 个零部件，相比无人机、3D 打印机、扫拖地机器人等主流消费电子产品，零部件数量大概多了 1 到 2 倍。零部件多、结构复杂，量产一致性是一个很大的挑战。产品对防水和气密性的要求也远高于一般消费电子，噪音控制涉及的声学结构同样很复杂。

不过，我们的量产和质量团队都非常资深，核心负责人来自大疆和其他头部消费电子公司。产线设计、测试装备设计、标准作业流程、工厂培训，整个链条都是我们自己做的。

Founder Park：你们设想的早期用户是什么类型的人群？定价是怎么考虑的？

薛轲翰：海外零售价定在 1699 美元，Kickstarter 众筹价格接近 1000 美元。国内价格还没有最终确定，可能 6000 元左右，对标的是扫拖地机器人的高端线。

第一款产品必须从高端往下做，前期才有足够毛利，能够跑得更好、更好放量、做品牌沉淀。但由于成熟品类有价格锚点，海外高端产品一般 1200 到 1600 美元，走量款 700 到 800 美元，所以我们瞄准单个品类最高端。

我们希望面向会同时购买扫地机器人和洗地机的人群，洗地机大概 500 到 800 美元，我们二合一价格还低一些。他们用了这些产品四五年，一看就知道 TR1 解决了什么问题。

本质上，所有做家务的人都需要这样的产品。但对一个新品牌和新形态来说，前期要给用户排优先级。目前转化效率最高的是偏极客、愿意研究产品的人。第二类是只有洗地机，但希望升级自动化的用户。他们之所以一直不用扫地机，是因为扫地机解决不了日常深度清洁和高频定点清洁的需求。普通家庭用户当然是更大的市场，只是现阶段教育和转化成本更高，可以放到之后。

Founder Park：Kickstarter 众筹的结果，符合你们的预期吗？

薛轲翰：其实一开始要不要上 Kickstarter 众筹，内部还挺有争议的。我们虽然是创新产品，但清洁本身是一个老品类。花 1000 美元并不便宜，同样的钱可以买一台追觅或科沃斯的旗舰扫地机，下周就能到货，买我们却相当于买期货，消费者也会担心交付风险。

而且，我们这个品类本质上属于非情绪类产品，就是用来干活的，大家也会比较挑剔。如果是一个全新品类、全新产品形态，转化效率肯定会更高。所以我们一开始就知道，上线的挑战会很大。

但为什么还是要做？为了完成 GTM 的冷启动，还是要找到那些真正懂产品，也愿意为我们发声的消费者。

上线前，我们积累了超过 1 万名 Follower，这个数字其实非常高。因为我们的品类在 Kickstarter 上并不典型，所以没有采用平台上常见的品类打法，是由内部团队自己做。我们希望改变整个流量漏斗的结构，在前期尽可能筛选出真正对产品感兴趣的消费者。假设获取 10 万个邮箱和 1 万个关注者的成本相同，我们肯定会优先选择后者。最后有超过 2000 名早期支持者，金额超过 210 万美元，基本符合我们的预期。

Founder Park：从早期用户走向更大的市场，获客成本会不会变得很高？你们是怎么规划的？

薛轲翰：第一，要配合产品的 SKU 布局。下一代产品有三个方向，为了覆盖更大的人群，我们会推出走量价格带的产品，可以不赚钱，甚至由高端 SKU 来补贴。想要覆盖更大众的市场，价格确实要降下来，这是谁都逃不开的。

第二，从转化效率看，一代产品卖出去之后，可能用不了半年，用户对这种新产品形态的认知就会自然建立起来。这类产品只要体验好，用户就愿意推荐给身边的朋友，家庭场景的口碑传播属性很强。过了特定节点之后，转化效率应该就不会再有什么卡点了。

Founder Park：产品线具体准备怎么布局？

薛轲翰：在短期两三年内，要在清洁基本盘站稳。有了足够的量之后，做 Agent 底座的生态才有意义。假设就卖了 2 万台，基本等于没有生态。

我们规划了三条产品线。一是 TR1 的迭代版，更聚焦硬件升级。一代产品的部分核心电机和零部件还不是自研的，来自供应商。但做完整机之后，发现这种新形态对零部件的形状、体积、散热和功率区间都有新的需求，市面上很难找到完全匹配的部件。所以还可以继续深入底层，通过自研零部件优化整机。

二是走量款，会砍掉一些不必要的传感器。比如一代产品为了保险还是保留了激光雷达，但我们的纯视觉方案已经逐渐稳定。

第三条线会适当放开一些清洁带来的设计约束，做一个更极致的 Agent 底座。比如以清洁为主时，机器人的体积不能太大，否则消费者的接受度会大幅下降。但当 Agent 和模块扩展成为重点后，就可以放开这些约束，在底座和模块化能力上做得更极致。

Founder Park：所以三条产品线主要还是出于商业化和市场节奏的考虑，不是受限于技术？

薛轲翰：是的，清洁本身和模块化扩展的技术都验证得差不多了。现阶段能够落地的产品，在可实现性上已经没有太大问题。接下来更考验的是，谁对市场的认知和判断更准确，能够抓住一条合适的路径快速放量，占住场景、生态和用户心智。

未来两三年，清洁产品仍然是我们的销量主力。底座属性更强的产品，前期销量可能只占全盘的 20% 到 30%，但必须提前投入。等到大模型调用硬件的生态逐渐形成，消费者对 Agent 底座的认知也成熟了，市场进入放量阶段时，我们才能抓住节点，跑得更快。

05

清洁机器人只是底座，

上面可以长出一套 Family Agent

Founder Park：把清洁机器人做出来之后，怎么往 Agent 底座这些更大的事情上走？

薛轲翰：我们对清洁的定义，是机器人进入家庭的一个切入口。所以第一步，是做一个极致的清洁机器人。

在家庭场景里，不是所有家务都需要灵巧操作能力。不管上半身是双臂还是单臂，下面都需要一个可以移动的东西。腿未必那么必要，用底盘就可以覆盖大量需求。

但如果跟消费者说，我们做的是未来通用机器人的底座，他根本不知道这个产品有什么用。所以必须先交付一个有价值的产品，再在这个产品上逐步泛化。

而且很难想象一个家里同时有四五个到处跑的设备，大概率只会有一个。这个会移动的设备如果不会清洁，价值会大打折扣。所以，我们选择先从一个极致清洁底盘切进去，再通过各种模块向外扩展能力边界。

我们的判断是，先做透一个大需求，进入大量真实场景，再在场景中持续进化，覆盖更多小需求。家务是高度非结构化的，每个人的需求都不一样，很多情况穷举不完，也很难在实验室里靠拍脑袋定义出来。

Founder Park：整体的架构设计是怎样的？

薛轲翰：我们把整个架构分成三层。最下面的底座层就是清洁机器人，一个深入家庭不可或缺的、可运动、可感知的底盘。中间是协议层，为 Agent 制定统一接口，衔接模型智能、底座和应用模块。

上层是各种应用模块。这在我们的产品上很自然，机器人原本插的是手持杆，同一个位置可以插入各种各样的模块，硬件接口都是一样的。

核心要解决的还是软件和算法问题。接入一个模块之后，怎么把它集成到机器人的工作流里？在 Agent 范式出现之前，做这件事需要大量开发工作，因为很多情况很难穷举。

今年上半年 Agent 火起来之后，我们发现，它很好地解决了模块扩展的挑战。我们通过在线调用大模型，在本地开发了一套 Agent 编排系统。想接入什么模块，只要定义好它的能力和调用方式就可以了，就像硬件版的 skills 或 MCP。

Founder Park：Agent 具体能发挥什么作用？

薛轲翰：没有 Agent 时，要延展任何一个小需求，比如想让机器人清洁完之后看一下猫粮盆有没有空，需要开发团队脑补所有场景穷举出来。一旦需要人来写规则，规则就永远写不完，小需求穷举不完，用户要扩展什么能力你也不知道。

有了 Agent，相当于交给机器人一个通用能力。任何模块集成上来或者要解决一个新需求，只要把把需求描述清楚、模块有什么能力、怎么调用，用自然语言讲明白，它就可以把东西组织起来用。甚至有些硬件都不需要通信，往机器人上面加个香薰或者逗猫棒，跟机器人说怎么用就可以了。

Founder Park：所以用户和机器人的交互方式也会改变？

薛轲翰：我们的 APP 完全不是传统扫地机那种复杂界面，就是一个像 ChatGPT 或豆包那样的对话框。上面有两个简单卡片，展示机器人基本状态和沉淀下来的 skills。用户买了机器人之后，唯一要做的事情就是联网。所有事情完全可以用自然语言交互，直接说希望它什么时候清洁、重点处理哪里，或者怎样组合模块，不必先在复杂菜单里寻找功能。这套系统被包装成了 EvoMate™ OS，会在这次 IFA 上演示。这部分已经开发好了，第一批 Beta 测试用户就能使用。

我们现在调用的云端大模型是 DeepSeek V4 Flash，一是成本足够低，二是响应速度很快。用户和机器人交互时，体验非常重要。说一句话，五秒、十秒才有反应，大概率就没人愿意用了。但具体用哪个模型，其实没那么重要。模型会不断迭代，未来从 DeepSeek 换成 Kimi 或智谱的新模型，迁移成本也很低，就像现在用 Codex 或 Claude Code 一样，基本一键就能切换。模型更像今天互联网里的流量。

端侧主要会运行一些面向机器人具体任务的模型。比如手持模式下学习到的能力，最终会以模型的形式部署到机器人上，让它端到端地对清洁结果负责。还有一些基础模型，在家庭环境中识别不同物体、完成三维高保真重建，打上相应的语义标签。

Founder Park：你们的协议层 PAI，跟现有的智能家居协议有什么区别？

薛轲翰：区别很大。SDK 或智能家居协议只是告诉你模块怎么通信，但怎么智能地用这个模块是另一个层面的问题。

比如往我们的机器人上面装一个空气净化器，通过 SDK 能控制它开关、档位、模式。但机器人结合空气净化器之后，什么时候在家里运行、什么时候换模块、什么时候检测空气质量主动调用，这种智能编排与使用才是我们在做的事。通信是基本能力，上层是怎么让机器人更好地用模块。

Founder Park：Anthropic 前段时间发了 MHS，是一套让 Agent 能安全操作物理设备的共享规范，这和你们在做的协议层类似吗？

薛轲翰：Anthropic 的野心比较大，想让模型调用全球所有硬件。我们聚焦在家庭这个垂直场景，当然家庭市场已经很大了。

之前我们定义协议层时，会面临一个问题，怎么快速把生态做起来？要让很多人遵循我的协议，毕竟我们不是大公司，前期会非常困难。现在有大公司站出来搭建生态，如果大家都接入这套生态，我们天然就能成为它在家庭场景里的承接平台。

不管是 Anthropic 还是其他大厂把对接物理世界的协议做起来了，我们就可以接入。就像当年物联网一样，IoT 协议是标准的。智能也可能某一天变成像流量一样的东西，反而场景里面的终端硬件本体和基于智能做出来的应用，才是更核心的价值沉淀。

06

家庭巡逻、空气净化，

需要什么能力就接上什么模块

Founder Park：清洁之外，哪些家庭场景更可能先落地？你们会怎样排优先级？

薛轲翰：频率和价值要分开看，很多事情高频但价值低。

家庭巡逻、巡检一定是频率最高的，因为它可以 24 小时发生。但真正价值更高、技术壁垒也更高的，还是需要灵巧操作的任务。我们对自己不设限，核心就是底座，模块交给消费者筛选。

除了机械臂之外，其他模块相对没有那么难实现，所以我们会快速推进。比如做巡逻巡检的高视角相机、空气净化器等，已经有成熟的产品，只是过去不能移动。机器人移动底盘的价值，就是把这些不能动的东西给用起来。

有些事情甚至没必要自己做，比如用于空气管理的香薰，涉及香型和品牌认知，可以和第三方消费品牌联名。选择成本最优、效率最高的方式就行。

机械臂是更长期的模块。现在路线还没有收敛，我们不会在这个阶段投入过多资源，更多先跟上行业脚步，和外部团队合作。等能力成熟后，它可以自然接到底座上。

第三方愿意和我们合作，归根结底也是一个纯商业决策。底座既能给他们提供新的销售渠道，也能让原本不能移动的产品获得新的使用价值。

Founder Park：底座加上模块，技术、供应链和售后都会更复杂，会不会担心把盘子铺得太大？

薛轲翰：底座算是最复杂的模块了，其他的从能力上来说都还好。之前很多模块化产品做不好，核心是软件体验不好，集成了模块但使用很受限。这波 Agent 的能力带来的最大价值就是，它天生衔接非标场景和长尾需求。

我们自己基于机器人底座验证了很多模块，拉了 100 个消费者来公司。不管是用自然语言方式使用机器人，还是给机器人添加模块让它串起来，完全跟对话一样自然。

Founder Park：TR1 产品上面的手持杆接口也是未来扩展硬件模块的接口，这个设计会不会限制模块形态？

薛轲翰：不会。我们接口最开始的设计就是解耦的方案，纯机械接口保证完全的稳定性和鲁棒性。所有调用和通讯接口都通过无线方案，蓝牙和 WiFi 都支持。这样对扩展模块提供最高自由度，各种奇形怪状的都可以，不管是机械臂还是逗猫棒。

未来可能限制的是底盘形态。为了放更大的上半身和双臂，底盘可能需要变大。现在以清洁为主，底盘没有很大。以后可能有大、中、小号，多个接口，但软件跟调用集成上提供了最高灵活性。

Founder Park：这次发布的 TR1，会同步开放 Agent 和模块化能力吗？

薛轲翰：现在 TR1 还是清洁更重，Agent 和模块先弱化的状态。我们会在半年后发布一次大升级。

因为要先解决卖货的问题，先把产品卖到家里去。本身已经是极致清洁产品了，讲太多之后的东西对消费者反而是信息干扰。如果跟消费者说，我们是「家庭智能底座」，他们听了就懵了。但大家对「清洁机器人」这个品类有体感，可以先卖，效率更高。

在定义产品的时候，技术栈有多巧妙，跟消费者买单的点是不一样的。要尊重市场的客观规律。

Founder Park：现在如果向普通消费者介绍 TR1，你会怎么说？

薛轲翰：我们对外的标准描述是：Agentic Dual-Form Cleaning Robot，全球首款双形态洗地机器人。「双形态」是「二合一」的产品形态和价值，「洗地」是为了体现清洁能力。「Agentic」一方面是体现模块扩展，另一方面是利用 Agent 能力提升用户日常和机器人的交互体验。

简单来说，就是用一个产品把整个清洁做闭环，能够覆盖扫地机和洗地机两个场景，价格更低、维护成本更低。

07

今天的对手是扫地机器人，

几年后可能是具身智能公司

Founder Park：如果两三年后发展没有达到预期，最可能的问题是什么？

薛轲翰：最现实的原因就是，没有在清洁产品线上站稳。

产品和技术可能有先发优势，但传统扫地机公司在渠道、供应链和品牌上都不是吃素的。我们能不能在短期内至少上牌桌，占住一个差不多的位置，是目前最大的风险变量。

选择这条路径就意味着两件事。第一，清洁市场做不进去，后面的底座、模块和 Agent 都没有场景基础。第二，想做清洁，短期客观竞争情况无法回避。

Founder Park：现在的扫地机器人厂商没有做清洁闭环，是因为选择不做，还是做不了？

薛轲翰：坦白讲，这个问题最应该问他们。我也天天被很多人问，但事实就是他们确实没做。我和不少行业里的人交流过，感觉大家对新技术范式，以及行业下一步怎么走，并没有想得特别清楚。

石头、科沃斯成长于 10 年前，追觅、云鲸也有 5 年。组织相对固化后，对新算法的敏锐程度，以及是否愿意不计代价地搏一个概率，都会下降。

我们做新的清洁系统、learning-based pipeline，用强化学习解决底层算法问题，行业里没有人验证过。我们自己也死磕了三年，才基本验证稳定。后来和同行交流，对方经常问：你们当时怎么想到，又怎么敢做的？很多产品方向，他们内部也立项讨论过，但预判到续航、噪音等困难后就放弃了。

算法人才也是一个问题。这个行业长期沿用上一代 rule-based 技术栈，依靠行为树、决策树和堆代码解决问题，对新技术的 sense 相对比较弱。

前几年整个行业被价格战牵着走。产品已经到天花板了，同质化严重，策略变成每年小迭代、发布速度要快、价格控下来。两三年前的扫拖地机器人产品甚至会搭载深度相机等高端传感器，现在的一些旗舰新品反而把它们砍掉了，把自己的智能上限卡住了。

Founder Park：如果你们在市场上验证了可行性，传统厂商快速跟进的话，优势还能保持吗？

薛轲翰：硬件有逃不开的复刻周期。我们的产品复杂度更高，即使对手用一年多把硬件复刻出来，这段时间里，我们还会继续积累算法和数据。

而且这对他们来说，内部组织调整是巨大的挑战。现在这些公司还是更接近传统制造业和家电体系，但我们要解决的 Low-level 和 High-level 算法问题，需要来自智驾等领域、综合能力更强的人才。你很难想象一个自动驾驶算法负责人，突然选择去一家传统扫地机公司工作，除非后者从组织到目标都发生变化。

我们对自己的定位也不只是一家清洁机器人公司。后续的事情逐步展开后，我们和传统清洁机器人公司应该也不会停留在同一个竞争维度上。

Founder Park：那你们会更关注哪些竞争对手？清洁机器人赛道的还是具身智能公司？

薛轲翰：真正的碰撞可能会发生在一两年之后。等我们这套模式跑通了，先让一个底座进入家庭，再通过模块化把各种能力串起来，让机器人能够在家里自主完成很多事情。

假设两三年后，资本市场对具身智能开始降温。这些具身公司现在拿到了足够多的钱，但到那时肯定会面临商业化压力，反而可能和我们产生一些碰撞。经过这几年发展，具身智能小脑的问题已经解决得差不多了，但大脑还没有出现质变，甚至连技术路线都没有收敛。这件事确实需要先进入真实场景。

从消费者的视角看，即使有一天人形机器人完全成熟了，一定要买一个人形机器人吗？其实也不一定。它未必是完成所有任务最高效、投入产出比最高的形态。反而一个率先进入家庭场景的底座，用户需要什么功能，就插上相应的模块，也可以覆盖不同的需求和价格区间。

当然，这些路线并不冲突。我们也在研发更复杂的机械臂模块。家庭场景里，核心差异主要在上半身的能力，下半身无论采用腿还是轮子，变化都不会太大。上半身的能力我们也会布局，但它只是诸多模块中的一种。

至于清洁机器人公司，就看他们能不能跟上这些新的变化。

Founder Park：一边要在成熟的清洁市场站稳，一边又要投入 Family Agent 的长期方向。你们怎么分配资源和节奏？

薛轲翰：短期一定要先进场景。不进场景，后面的事情都是白扯。清洁是我们的第一个变量，Family Agent 和底座是非常核心的第二个变量。

我们开产品会时，突然意识到一件事。当年打败 MP4、MP5 的不是 MP6、MP7，是手机。当年，一个人打电话要带手机，拍照要带相机，听歌要带 MP3、MP4。大家不想随身带那么多设备，所以智能手机的出现非常合理。

家庭里也是同样的逻辑。清洁类似于打电话，是一个非常明确的大需求，其他功能是更加个性化的小需求。第一阶段把清洁做到极致后，单一功能的提升空间会越来越小。打败清洁机器人的，很难只是一个更好的清洁机器人。

下一个大的变量，就是从 iPod 走向 iPhone 的阶段，会出现一个能够整合更多功能的「大一统」产品。从一开始，Family Agent 就是我们确定要做的。只是现阶段，用户对这类产品的认知还需要培养，清洁产品没有形成足够的规模，很难积累势能和生态，所以我们把它放在后面的阶段。

08

通用家庭机器人未必是人形，

这条路不在市场共识里

Founder Park：你个人的精力会怎么分配？

薛轲翰：分阶段，不同阶段侧重点不一样。做 GTM、众筹的时候，市场精力最多。解决量产核心问题时，量产精力最多，团队快速扩张时，组织上花精力最多。跟我们产品状态很像，需要什么就做什么。因为我们这件事，无论是第一阶段的门槛，还是后续对发展速度的要求，都非常高，总是计划赶不上变化。所以我基本是哪里起火就救哪里。

我和核心团队的 8 位成员每天高频沟通。我比较擅长定大方向，识别上层问题，抽象理解事情，但具体执行交给专业的人。

Founder Park：在团队管理上，会遇到什么难题吗？

薛轲翰：前期面临的一个问题，是团队人员的组成非常多样。来自扫地机器人行业的人只占团队的 1/3 到 1/4，算法团队来自自动驾驶，量产、工程和质量团队来自大疆或其他复杂硬件公司，供应链确实需要比较深的行业资源。

硬件公司本身组织就非常复杂，大家过去熟悉的方法论和体系也不一样，所以前期磨合时确实会有一些摩擦。但好在大家的初心是一致的，都想把事情做成。前期为了把这些关系和流程捋顺，确实花了不少精力。

Founder Park：你们在招聘的时候，会更看重什么行业背景或者能力？

薛轲翰：算法团队主要有两类画像。一类是有经验的，主要来自智能驾驶行业。另一类没有相关行业经验，主要是高校博士，包括在读博士。

之所以需要智驾行业的人，是因为我们要解决很多底层算法问题。比如，方形机身怎么更好地导航，怎么极限压榨端侧算力，怎么搭建手持模式下学习所需的 infra 和 pipeline，以及未来几十万台硬件怎么在真实场景中持续学习、完成数据回流。这些 infra 怎么搭，只有智驾的人有经验。

但前期招人确实非常痛苦。智驾行业的人跳槽，大多去了具身智能公司。对方一听我们是做扫地机器人的，还是一家新公司，第一反应和投资人的疑问差不多。从钱和资源上看，我们肯定比不了那些纯血具身公司，核心吸引力还是事情本身。

第一步建联是最难的。只要对方愿意聊，我们把后面的逻辑展开，真正有判断力的人会发现，这可能是一个潜在的大机会。用一套新的技术栈重新做好这个赛道，先进入家庭场景，把事情跑起来，反而是一条可行的路径。只不过前几年会更辛苦一些，所以最终能走到一起的，还是那些理念一致的人。

Founder Park：你会焦虑吗？

薛轲翰：肯定有。我们做这个事也没拿太多钱，跟那些动辄几十上百亿融资的具身公司不是一个量级。

比较焦虑的是自己没有踩在所谓的时代大背景的加速度上。虽然我们认可自己的路线，但客观资源没那么充沛的情况下，每一步都得 All in，或者接近 All in。这样一来，做决策时难免会受到事情本身之外的因素影响。

我们愿景是通用机器人，但走的这条路太与众不同了，不在国内一级市场的共识之上，好像只有我们在讲这条路径。

Founder Park：如果这条路线最终走通，xLean 想做的家庭机器人终局会是什么形态？对普通用户来说，家里会发生怎样的变化？

薛轲翰：从产品形态来看，终局是底座、应用模块和整个生态都完全建立起来。我们希望自动化覆盖所有家务，甚至让机器人具备主动服务的能力。

未来，家里可能会有很多功能模块，每个模块负责不同的事情，包括复杂的双臂也只是其中一种。任何需要移动能力的模块，都可以无缝连接到底盘上，帮助用户完成各种任务。

核心跟大家想象的是同一件事，通用机器人能做所有家务、服务好所有事情。但它未必是通用的人形机器人，而是一个更分布式、更灵活的形态。

更多阅读

119 家 Neolab 拿走 943 亿美元：没有产品、没有收入，投资人究竟在给什么定价？

AI 硬件创业第一步，先做 AI 还是先做硬件？

对话 Nirva 吕唯：在 Meta 做了四年半可穿戴，想清楚了第一代 AI 原生设备该从哪切

4000 万美金新一轮融资，ACE 成为 AI 音乐赛道融资额最高的华人团队

转载原创文章请添加微信：founderparker