AI的“iPhone时刻”,需要一副怎样的身体?

最近，有关AI硬件的消息开始密集出现。

OpenAI与Jony Ive的团队合并，开始组建涵盖硬件、软件、制造和供应链的消费设备团队；苹果与OpenAI围绕硬件人才和商业秘密的竞争已经进入诉讼；苹果推出Siri AI，试图让AI理解用户的个人信息、屏幕内容，并调用更多系统功能；字节跳动则与努比亚合作，将豆包手机助手推进到系统层，让AI获得跨应用理解与操作能力。

另一条看起来更窄的赛道也在迅速升温。Plaud靠一张录音卡和一个录音吊坠，已经卖出超过200万台设备，软件订阅年化收入突破1亿美元。阿里钉钉、字节旗下飞书和科大讯飞也先后进入AI录音硬件市场。

几乎同时，前OpenAI研究员Diogo Almeida创办的TypeSafe AI发布了Jev。它是一种专门帮助软件作出快速判断的新模型：开发者预先给出问题和选项，Jev直接返回选择结果、概率和置信度。它不负责聊天，更像AI系统中负责分类、路由和实时控制的决策模块。

这些看似分散的新闻，其实都在指向同一个变化：

过去两年，大模型的发展主要发生在屏幕里的对话框中。接下来，竞争将逐渐转向屏幕之外：谁能让AI持续听见、看见、理解环境，并获得调用现实资源的能力，谁就可能掌握下一个时代的入口。

Plaud卖的并不只是一台录音机

录音设备当然早就存在。

科大讯飞从2019年开始推出智能录音设备，后来不断把转写、摘要和大模型能力加入产品。这条路线的基本逻辑，是让一台原本就存在的录音机逐渐变得更智能。

Plaud更重要的变化，是从AI需要什么出发重新设计产品。

大模型可以整理会议纪要、提炼观点、生成待办，却无法自动知道刚刚发生了什么。现实中的谈话没有天然进入模型，人必须先打开应用、开始录音、上传文件，再把内容交给AI处理。

Plaud抓住的正是这个断点。

一张可以吸附在手机背面的录音卡，把采集动作压缩到一次按键；录音结束后，内容自动进入转写、总结、提问和任务提取流程。硬件负责获得现实，软件负责理解现实，订阅服务则把一次设备销售变成持续收入。

根据Plaud公布的数据，其产品已经覆盖170多个国家和地区，服务超过200万名用户，软件订阅年化收入突破1亿美元。无论这些公司口径的数据未来如何变化，它至少证明了一件事：只要找到高频、明确、愿意付费的现实场景，AI硬件可以形成独立市场，而不必等待一台“万能AI设备”先出现。

Plaud相当于先为AI装上了一只耳朵。

阿里钉钉推出A1，飞书与安克合作推出AI录音豆，讯飞发布录音卡，说明其他公司也开始意识到：会议、访谈、销售沟通和课堂讨论中的声音，并不只是等待整理的文件，它们还是AI理解一个人工作与生活的重要上游信息。

今天是录音，未来还可能是视觉、位置、运动、健康数据和周围设备的状态。每增加一种稳定的感知能力，AI对现实的理解就会多一个维度。

AI缺少的，一直不只是模型能力

我们今天使用AI时，仍然需要承担大量“中间工作”。

人先观察现实，再决定什么信息值得告诉AI；人把不同软件里的内容复制到对话框；AI给出方案后，人再打开日历、地图、邮箱、支付软件和办公系统执行。

大模型夹在链路中间，拥有很强的思考能力，却缺少稳定的感知入口、系统权限和执行通道。

这也是很多Agent演示很惊艳，日常使用却仍然显得笨重的原因。AI能够规划任务，不代表它知道用户此刻正在做什么；它能够调用工具，不代表它拥有持续、可靠并且经过授权的操作环境。

硬件的价值，就在于把这些原本分散的条件放到一起。

麦克风、摄像头和其他传感器让AI获得环境信息；本地计算与云端模型共同处理数据；操作系统管理身份、权限、通知和应用调用；设备本身还可以在恰当的时间主动响应，而不必等待用户每次打开一个聊天框。

当这些能力组合起来，AI才可能从一个随叫随到的工具，变成持续参与现实的系统。

因此，AI硬件的竞争重点不会只是再做一台手机、一个耳机或者一枚胸针。真正有价值的问题是：谁能够把感知、理解、决策和行动压缩成一种足够自然的体验？

围绕这个问题，几家公司正在走出三条不同的路线。

OpenAI、苹果和字节，正在寻找三种不同的身体

OpenAI选择的是从头设计一副新身体。

它与Jony Ive的io团队合并，并持续招募消费电子、嵌入式系统、操作系统、视觉和制造领域的人才。这条路线的优势，是可以从AI的需求出发重新决定设备的形态、交互和权限结构，不必完全服从智能手机时代形成的产品逻辑。

代价同样明显：一款新的硬件不仅要解决技术问题，还要建立制造能力、销售渠道和使用习惯。消费者为什么要随身多带一台设备，这个问题无法依靠模型性能回答。

苹果选择的是唤醒已经存在的身体。

iPhone、Mac、Apple Watch和AirPods已经拥有传感器、芯片、账户体系、支付能力和庞大的应用生态。Siri AI开始尝试利用个人上下文、屏幕感知和跨应用操作，把这些原本分散的能力连接起来。

苹果的优势并不是先发明一种新设备，而是它已经控制了AI进入用户生活所需的大部分基础设施。它面临的挑战，是能否让一个以应用为中心建立起来的操作系统，真正转向以用户意图为中心运行。

字节走的是借用硬件厂商身体的路线。

豆包与努比亚进行系统级合作，让AI能够理解屏幕内容、获得本地上下文并执行部分跨应用任务。与此同时，飞书与安克合作推出AI录音设备，用垂直硬件进入会议与办公场景。

这条路线不需要字节立刻承担完整的手机制造体系，却可以通过模型、应用和合作协议向系统底层渗透。如果合作模式能够扩展，豆包可能出现在多个品牌和多种设备中。

三条路线背后争夺的是同一种能力：谁来决定AI看见什么、记住什么，以及能够调用什么。

掌握这个位置的公司，获得的不只是一个硬件品类，而是用户与数字世界之间新的调度权。

有了大脑，AI还需要反射系统

如果AI硬件持续感知环境，它每天面对的将是海量、细碎而且高度重复的判断：

如果所有判断都交给大型语言模型，延迟、成本、耗电和可靠性都会成为问题。未来的AI设备很可能不会依靠一个模型完成全部工作，而会形成类似人体神经系统的分层结构。

感知模型负责把声音、图像和传感器信号转化为可理解的状态；小型决策模型处理大量即时选择；通用大模型负责复杂理解、推理和规划；Agent再根据结果调用软件与现实资源。

Jev所代表的，正是其中的快速决策层。

开发者先定义问题和候选答案，例如“是否需要打断用户”“应当调用哪项服务”或者“这个请求属于哪种风险等级”。Jev接收当前状态后，直接返回选择结果及其概率，不花时间生成一段完整解释。软件拿到结果，便可以继续下一步流程。

TypeSafe把这类模型称为“System One Model”，名字来自人类快速、直觉式的“系统一”思维。Jev目前仍以托管API的形式早期开放，但它揭示了一种可能的技术结构：未来的AI硬件不会只有一个负责深度思考的大脑，还需要大量便宜、快速、持续工作的“反射回路”。

复杂问题交给大模型，频繁判断交给专门的决策模型，敏感动作再由权限系统和用户确认约束。只有完成这样的分工，AI才有可能在设备上长期运行，而不是每发生一件小事都把全部上下文送进一个庞大的模型。

AI的iPhone时刻，可能始于一次认知变化

iPhone的意义并不只是把电话、相机、浏览器和音乐播放器装进一台设备。它真正改变的是人们对计算机的理解：计算不再固定在桌面上，而是成为每个人随身携带、随时可以调用的能力。

AI也需要类似的认知变化。

年初的OpenClaw之所以引发广泛讨论，是因为它把一个抽象概念变得具体：AI不仅可以回答问题，还能调用工具、执行任务。它未必定义了Agent的最终形态，却让更多人第一次直观看见了“AI可以行动”。

AI硬件还在等待自己的OpenClaw时刻。

那款产品可能来自OpenAI，可能来自苹果、字节，也可能来自今天尚不知名的创业公司。它甚至未必是一台通用设备，也可能像Plaud一样，只把一个现实入口做到足够好。

关键在于，它要让普通人突然意识到：AI不必等我打开对话框，再听我完整描述问题。它可以感知我正在经历的环境，理解连续发生的事情，在获得授权后调动软件和设备，并在合适的时刻参与进来。

Plaud已经证明，为AI装上一只耳朵可以形成一门生意；苹果和字节正在尝试让现有设备成为AI的身体；OpenAI希望从零定义一副新的身体；Jev这样的模型，则让这副身体开始拥有低成本的反射能力。

当感知、决策、理解和行动被整合成一种普通人无需学习的日常体验，AI才会真正离开聊天框。

那一刻，才可能是AI的“iPhone时刻”。