当OpenClaw风暴席卷全球之时，无界方舟创始人曾晓东的反应不是兴奋，而是一种“终于被看见”的感觉。

“OpenClaw本质上是一个Agent框架，底层是一个会写代码的Agent，放在云端服务器或者电脑上。”他对《智能涌现》说，“我们的AIOS本质上也是一个Agent框架，但它是放在硬件端侧的OpenClaw——机器人、耳机、眼镜，都可以在这套OS上运行。”

无界方舟从2024年成立起，就在做这件事。曾晓东给这套范式起了个名字：Vibe Hardware——用自然语言做硬件开发，AI就能自己写程序、调驱动、完成整个应用研发与部署。

目前，无界方舟已经建立起了从硬件产品到OS的产品体系，包括AIOS“EVA”，以及包括AI教育机器人“奇多多AI学伴机”在内的硬件和产品生态。

近期，无界方舟也完成连续两轮Pre-A轮融资。投资方包括全球知名穿戴式设备品牌韶音、国瑞源基金、恒松资本、上海天使会，易凯资本担任独家财务顾问。

过去一年内，无界方舟已经快速完成4轮融资，累计融资金额数亿元。

△无界方舟创始人曾晓东

无界方舟创始人曾晓东曾在阿里巴巴及蚂蚁集团任职10年，从0到1孵化了刷脸支付、支付宝盒（千万级销量）、淘咖啡（中国第一家无人超市）等硬件产品。

经历过AI 1.0时代从做硬件层产品到系统的全过程，曾晓东说：“我认为潜力最大的是做内核本身，也就是OS。但要做内核不可能凭空想象，所以我需要先端到端做完一款硬件。”

无界方舟的目标，也并不是做单一的大模型公司或硬件公司，而是去打造一套面向新一代智能终端的AI操作系统（AIOS）框架，让不同形态的设备都能在统一底座上运行、迭代。

“小龙虾”时刻后，AI硬件开发范式已经改变

“小龙虾”OpenClaw爆火后，Harness Engineering也成为硅谷热议话题。

当模型能力越来越强，真正决定Agent好不好用的不再是模型本身，而是模型运行的环境：它能调用什么工具？它怎么理解当前状态？反馈回路怎么设计？这套“环境”就是Harness。

EVA OS做的就是硬件领域的Harness Engineering。“可以理解为，EVA OS 就是硬件版本的Context Model，是给OS做加法，而不是替代。”曾晓东说。

他对《智能涌现》多次强调，EVA OS不是要做另一个鸿蒙。上一个传统操作系统（Android、Linux、ROS）时代中，并不是AI能力不行，而是缺少一层——让AI能力原生地跑在硬件上的中间层。

这个“中间层”到底需要做什么？

以前，调通一条完整的AI硬件链路并做到可服务，至少需要3个人、2-3个月的时间和成本。但安装了EVA OS之后，开发者只用自然语言描述需求，AI知道自己所在硬件的环境，自己把APP写出来。平均只需要半小时，就能让端侧变成一个可实时交互的AI，带记忆，可以实时调整。

这种开发范式建立在EVA OS和硬件强耦合的基础上。如果AI不了解它所在硬件的完整上下文——芯片算力多大、哪些传感器在线、内存还剩多少、外设连接状态如何——就不可能在上面研发任何APP。这是EVA OS最大的难点，也是核心壁垒。

近期，无界方舟就已经和一家机械手臂公司合作，将搭载EVA OS的开发板接上机械手臂后，AI先自己调通驱动、自己修Bug，然后开始自主探索。工程师发出指令“帮我拿起某个东西”，EVA OS就能够自己写程序、自己试错。

“EVA OS可以自己试错，是因为它知道开发板跟手臂之间的连接状态。这跟以前完全不同。”曾晓东说。以前，工程师得自己看驱动文档、排查各种硬件Bug，再一步步调通，让硬件摆脱从前的传统OS“预制APP+抽象硬件”的模式。

为了能够在算力有限的端侧跑通，EVA OS采取云端和本地协同的一种高效架构。EVA OS可以做到语音延迟小于250ms，多模态反馈小于350ms，这相较行业通用方案600ms左右的语音延迟提升非常多。

EVA OS的逻辑是，把能在硬件端侧做完的事情留在本地，只把复杂推理丢给云端。语音识别、TTS、视觉感知这些高频交互环节放在端侧，而不需要每次通过云端计算。

端侧模型则承担记忆、执行和交互三层能力——记住用户习惯、调用工具、提供交互界面；而云端保留通用知识和复杂推理，端侧负责将这些能力变成硬件上真正能跑的东西。感知模型完全跑在端侧，成本能降70%-92%。

△EVA OS的记忆能力，能够回忆影像的关键画面，回答相应问题，比如出现在视频中的某个物件的位置

本轮融资后，无界方舟还将发布一款新硬件终端EVA Pi。曾晓东表示，这会是一台“可以自主写代码、自主更新的硬件终端”。

△图源：无界方舟

EVA Pi集成了EVA OS，能实时感知硬件侧全部上下文（传感器、驱动、链路状态、运行反馈），在端侧原生完成AI应用的开发、部署与迭代。

目前，EVA OS 1.0发布3个多月，已有超过2500家企业与研发单位将其应用于硬件产品研发，品类则覆盖AI耳机、AI眼镜、桌面机器人、智能腕带、车载智能管家、机械手臂等多个品类，合作方包括全球知名的可穿戴设备和具身智能头部企业。

模型端到端，决定了AIOS能否存在

和曾晓东的交流中，你会强烈感觉到他对端到端路线的坚持。

2024年上半年，大模型领域尚处在语言模型的风暴当中，多模态交互的技术路线尚未收敛。唯一的参照物是GPT-4o的发布会演示——但当时的OpenAI甚至还没有开放API。

当时，绝大多数AI硬件公司都选择走“串联”路线——将ASR（语音识别）、大语言模型、TTS（语音合成）等模块像流水线一样接在一起，完成对应的任务。这条路线相对成熟、成本足够经济。“但问题也很明显：模块之间的信息损耗严重，比如情绪、语气、连续性全部丢失，延迟层层叠加，会有很多修理的Bug。”曾晓东说。

他并没有选择这个方向，而是带着7个人的团队，经过近一年时间，推出了可以跑在硬件侧的端到端多模态基座模型，这是EVA OS的基础。

这源于曾晓东此前在蚂蚁的多次“创业”经历——孵化刷脸支付、支付宝盒、淘咖啡的过程中，反复撞上同一堵墙：AI算法和终端硬件之间，存在一条巨大的鸿沟，中间层严重缺位。

从无界方舟的选择反推，本质是因为，未来的端到端模型一定要以更小的成本跑在各种端侧设备上，这才是创业公司的机会。如果纯做软件侧的垂类模型，太容易被基模厂商吞噬。

一个例子是，无界方舟从2024年开始，就已经通过“奇多多AI学伴机”探索AI教育方向；而做基模的巨头们普遍在2024年下半年到2025年才入局AI+教育赛道，无界方舟就提早了半年到一年左右的窗口。

当前，无界方舟自研的端到端模型，用一个模型就同时处理语音识别、语音合成、视觉理解和语言推理，信息损耗大大减少。

自研端到端路线，首先是打开了更多硬件品类和场景。

“我们的一个端侧模型，语音识别加TTS合在一起，一个模型完成两个任务，不需要GPU，完全跑在CPU上，内存占用不超过1G。”曾晓东说。

在出海场景下，耳机、眼镜等设备面对的海外网络环境极不稳定，搭载EVA OS的硬件，能够做到不需要联网，就能完成语音识别、语音合成和基础翻译。

奇多多AI学伴机就是EVA OS的第一个落地案例——面向3-10岁儿童的AI教育机器人。

曾晓东把奇多多AI学伴机称为EVA OS的硬件“样板间”。目前，奇多多的用户使用不算APP使用，仅计算AI对话、AI阅读等硬件使用时长，当前奇多多AI学伴机的用户日均使用高达145分钟。

自研模型也会带来交互体验的差异化。这很大程度是因为端到端模型不经过各个模态间“翻译”，语音和视觉信号直接关联语言模型——它能感知情绪，能捕捉连续对话中的语境变化，回应因此更像一个真实的人。

成本优势同样关键。自研的端到端模型让语音成本降至行业通用方案的二十分之一。所以，奇多多AI学伴机能够做到千元级别售价，并且后续无订阅费。

两年前，曾晓东带着七个人押注了硬件端到端这条没有先例的路。两年后，EVA OS已经迭代到了第三版，无界方舟正在孵化更多To C的硬件品类，和越来越多的品类合作——AI眼镜和AI耳机等等。

模型的进化速度依旧远超人们想象。不过，曾晓东说，更大的赌局才刚开始。

做AI硬件的操作系统，这条路并不新鲜。2017年前后，国内曾涌现过一批机器人OS创业公司，试图像安卓一样构建生态。成功者寥寥。天猫精灵和小米音箱靠补贴迅速占领入口，但它们定义的是“音箱”这一品类而非“智能体”，直接挤压了垂直型OS的生存空间。

成本是更加致命的问题——当时追求高性能只能用手机级芯片，单颗成本高达几百美金，即便终端卖到两三千块，公司依然在赔钱。

曾晓东认为，大模型时代的机会和AI 1.0时代有本质区别。“AI硬件的操作系统，现在全球还没有一个真正意义上的赢家。窗口期可能就这两三年。”

某种程度上，大模型重新定义了硬件的交互方式——内容不再需要预先灌装，AI自己生成。低功耗AI芯片的成本降到了可商用的区间；端到端模型，则让一个创业公司有可能用极小的团队，把从模型到硬件的整条链路打通。“天时地利人和，上一波不具备的条件，这一波全齐了。”

现在，无界方舟内部已经全面Vibe Hardware，硬件迭代速度变成了每天一次。为了成为一家能把AIOS做出来的公司，曾晓东从去年开始推动一次组织变革——全员Vibe Coding，不论工程师、产品经理还是运营，所有人的工作都要汇集到代码层面。

“当一家公司全员的所有动作都汇集到Vibe Coding，你所有的数据就结构化了。结构化之后，真正的中间层优化才有可能发生。”他说。