夜雨聆风硬件只是门票，真正的生意在门后面
2024年，Humane AI Pin和Rabbit R1被贴上“智商税”标签，AI硬件这个赛道差点成了笑话。
2025年，剧情完全翻转：Plaud录音卡年化收入逼近2.5亿美元，Ray-Ban Meta智能眼镜全球销量突破200万台，Oura Ring累计出货超250万枚，AI硬件的2025年上半年融资总额突破145亿元。大厂高管扎堆辞职下场，资本开始相信这件事真的能赚钱。
但问题是：AI硬件的钱，到底是怎么赚的？
如果你以为答案是“卖设备”，那你只看到了最薄的那一层。真正的AI Agent硬件生意，有一套完全不同于传统消费电子的盈利逻辑：硬件是入口，算力是燃料，数据是资产，订阅是血液。这四层叠加在一起，才构成了一门可持续的生意。本文要拆解的，正是这套逻辑。
一、Humane和Rabbit为什么失败——错误的起点
1、他们解决了一个不存在的问题
AI Pin定价699美元+每月24美元订阅，主打“无屏幕AI”——把手机扔掉，用一个胸针大小的设备完成所有交互。Rabbit R1定价199美元，主张用“大型行动模型（LAM）”替代手机上的App，让AI替你操作任何软件界面。
两个产品的共同假设是：人们痛恨手机，急需一个替代品。
但这个假设是错的。人们并不痛恨手机——他们痛恨手机里某些具体的问题（信息过载、隐私泄露、注意力碎片化），但手机作为一个交互界面，已经被数十亿人深度适应，没有人真的想扔掉它。
更大的问题是：AI Pin和Rabbit R1把自己定位成“手机替代品”，但既然是替代品，用户就会用“手机标准”来评价它。手机能做的它做不到，手机做得流畅的它做得很卡，手机5秒能完成的它要15秒——比较对象选错了，产品注定输。
2、硬件失败的三个常见原因
复盘2024年的AI硬件失败案例，有三个一再重复的错误：
错误一：用技术炫技代替场景定义。
AI Pin最大的卖点是“无屏幕”，但用户要的不是“无屏幕”，是“更方便”。无屏幕不等于更方便，很多情况下恰恰相反。产品的起点是技术实现，而不是用户在什么具体场景下真的有麻烦。
错误二：把“新奇感”当作商业模式。
Rabbit R1在发布时引发了极大的话题热度——TikTok话题播放量超3.6亿次。但话题热度和复购意愿是两回事。买一台是“尝鲜”，愿意为它每月续订是“依赖”。很多AI硬件的第一批用户是“科技爱好者”，这个群体不代表大众市场，也不能支撑长期商业模式。
错误三：高估了AI能力，低估了迁移成本。
要让用户从手机生态切换到一个新硬件，不仅需要新硬件“够好”，还需要旧生态的迁移成本足够低，或者新生态的价值大到值得付出迁移代价。2024年的AI能力还撑不起这个价值主张，算力延迟和错误率让用户无法信任设备。
二、成功的AI硬件在做什么：三种不同的起点
1、起点一：从“刚需痛点”切入
Plaud的故事是一个教科书级别的产品定义案例。它的起点不是“AI能做什么”，而是“有一个真实的法律痛点：在美国，iPhone通话无法被第三方App录音”。这个痛点影响的是律师、销售、记者、投资人——大量需要通话记录的职业用户。
Plaud的解决方案是一张磁吸贴附在手机背面的录音卡，通过麦克风拾音而非系统录音，绕开了iOS的限制。AI做的事情是转录和总结——这两件事用户过去需要手动完成，现在自动完成了。
结果：交付超30万台，年化收入1亿美元，连续两年实现十倍增长。重要的是，近一半收入来自AI订阅服务——用户买了设备之后，为了持续获得AI转录和总结服务，每月继续付费。
Plaud的本质是：找到一个用户已经在忍受的具体不便，用硬件+AI彻底解决它，然后用订阅维持收入。
2、起点二：从“情感需求”切入
Haivivi BubblePal是一个AI儿童玩伴，外形是一个可拆卸的“泡泡挂件”。它的起点不是技术，是一个家长的真实焦虑：孩子需要有人陪，但家长没有那么多时间。
BubblePal用离线7B大模型本地部署，2秒生成个性化童话，能识别孩子的声音情绪并调整故事走向。孩子平均每天与它对话1-2小时。一年卖出25万台，总销售额破亿。
这个产品没有订阅，靠一次性买断。但它的逻辑是：当孩子每天花1-2小时在上面，家长会买第二台、第三台，推荐给朋友。用户留存创造了口碑裂变，口碑裂变替代了广告费用。
情感需求的特殊性在于：它没有性能标准，只有“够不够陪”的主观感受。这让AI硬件不需要和手机竞争，可以在一个新的评估维度上自建标准。
3、起点三：从“生态占位”切入
Whoop是一个彻底颠覆传统消费电子逻辑的产品：硬件免费，纯靠订阅收费（30美元/月或239美元/年）。你不是在买一块手环，你是在购买一个AI健康顾问的服务权限。
Whoop的商业模式本质上和健身房会员卡一样——用户为持续获得洞察和建议付费，而不是为一块物理设备付费。设备的作用是“传感器”：持续采集数据，喂给AI，生成个性化建议。设备只是数据采集入口，定价权在订阅里。
这个模式在AI时代特别有效，因为AI的价值不是单次使用，而是随着数据积累持续增长——你用Whoop越久，它对你的了解越深，给出的建议越精准，你越难迁移走。这是一种“数据护城河”，而不是“技术护城河”。
结果：Whoop 2025年预估年收入7.5亿美元，全球可穿戴健身市场份额约15%。
三、拆解AI硬件的三层盈利结构
1、第一层：硬件——门票，不是主菜
传统消费电子的盈利模型是：卖硬件，利润来自硬件毛利。苹果iPhone毛利率约40%，耳机、手表更高。硬件本身就能赚到足够的钱。
但AI硬件的逻辑开始分裂。一端是“高价硬件+生态”（Ray-Ban Meta 299美元，苹果Vision Pro 3499美元）；另一端是“低价硬件+订阅”（Whoop手环免费、Plaud录音卡129美元），甚至是“超低价硬件+走量”（EUHOMY翻译耳机9.9美元，3个月卖出12.9万件）。
这背后的共同逻辑是：硬件的竞争门槛越来越低。中国制造供应链可以在3-6个月内复制出任何一款AI硬件的外壳和基础功能，硬件层面的差异化窗口越来越短。
硬件的真正价值，是它强制建立了一种“接触频次”。一块智能戒指24小时戴在手上，一副眼镜每天8小时架在鼻梁上——这种持续的物理接触，才是AI能够持续收集数据、建立模型的基础。硬件是数据采集的传感器，不是利润的来源。
2、第二层：算力——看不见的燃料成本
每一次AI推理都要消耗算力。一个用户向Plaud请求一次会议摘要，背后是几秒的LLM推理；一次Whoop的睡眠分析，是一次更复杂的多模型联合推理。算力成本是AI硬件公司最容易被低估的运营成本。
以Plaud为例。30万台设备，假设日均每台设备产生一次AI请求（实际可能更多），每次推理成本约0.01-0.05美元。日算力成本约3000-15000美元，年算力成本约110-550万美元，这笔钱必须从订阅收入里覆盖。
这解释了为什么AI硬件公司几乎都在走订阅路线——不是因为“订阅是好的商业模式”，而是因为算力成本是持续发生的，不持续收费就持续亏损。
算力成本管理，是AI硬件公司运营能力的核心指标之一。推理模型的选择（用小模型还是大模型）、本地推理和云端推理的比例、请求的批处理策略——这些技术决策直接影响公司的毛利率。Haivivi BubblePal选择本地7B模型部署而非云端调用，就是一个主动的成本管理决策：牺牲一部分模型能力，换取零算力成本。
3、第三层：数据——最终的战略资产
AI硬件最长期的价值，不是卖了多少台设备，也不是收了多少订阅费，而是积累了多少高质量的行为数据。
Oura Ring积累的是数百万人的睡眠、运动、心率、体温连续数据——这是任何医学研究机构都难以获取的真实世界健康数据集。这份数据的价值远超Oura的设备收入：药企会为此类数据集付费（临床试验招募、药物效果追踪），医疗AI公司会为此类数据集付费（模型训练），保险公司会为此类数据集付费（风险定价）。
类似的逻辑适用于所有AI硬件：Plaud积累的是用户会议内容的语义数据（商业沟通模式）；Ray-Ban Meta积累的是用户第一视角的视觉数据（日常行为场景）；BubblePal积累的是儿童语音和情感反馈数据（儿童行为学）。
这些数据目前大多数公司还没有显性变现，但它们是隐性的战略资产。在AI模型训练成本极高的时代，真实场景的行为数据是稀缺的——不是因为没有数据，而是因为“有标注的、真实场景的、高频率的”数据极难获取。AI硬件公司持续运营的每一天，都在为这个资产增值。
一个思维实验：如果Oura明天宣布停产设备，它的核心资产是什么？不是生产线，不是品牌，是那250万用户几年积累的健康数据。这份数据的价值，可能远超设备和订阅的历史总营收。
四、AI硬件的三条可持续商业路径
1、路径一：订阅优先型——用数据依赖锁定用户
代表：Oura Ring、Whoop、Rewind Pendant。
核心逻辑：硬件是门票，越用越离不开。Oura的AI健康建议会随着使用时长增加而越来越个性化——用了三个月的Oura和用了三年的Oura给你的洞察完全不同，因为积累的基线数据不同。这种“越用越好”的特性，让用户主动产生依赖。
订阅优先型的关键指标是月度留存率（MRR Retention）和LTV（用户生命周期价值）。如果月流失率在2%以下，平均用户价值约为月订阅费的50倍——一个每月付30美元的Whoop用户，LTV约1500美元，远超任何一次性硬件采购。
这条路径的风险是：竞争者可以用更低的订阅价格吸引用户切换，除非你的数据积累足够深、迁移成本足够高。
2、路径二：硬件IP化——情感价值替代功能价值
代表：BubblePal、特斯拉Optimus玩具版、芙崽AI潮玩。
核心逻辑：你买的不是功能，是一段关系。BubblePal卖的不是“AI对话能力”，是“孩子有一个独一无二的AI朋友”。这个朋友没有标准化的性能指标，只有主观的情感连接。当孩子开始喜欢它、期待和它说话，这个产品就从“工具”变成了“伴侣”。
硬件IP化的变现路径是：主产品（对话玩伴）→周边产品（主题外壳、配件）→内容付费（故事包、技能包）→授权（文具、服装、游戏）。特斯拉Optimus玩具版48小时售罄、eBay二级市场溢价32倍，已经显示出IP化路径的潜力。
这条路径的风险是：情感连接很难量化，产品定义和用户共情能力要求极高。不是每个团队都能做出让孩子每天花1-2小时主动交互的产品。
3、路径三：平台系统绑定型——抢占AI入口
代表：Amazon Echo Show、Rabbit R1（转型方向）、Ray-Ban Meta。
核心逻辑：这台设备是用户和AI世界的交互入口。谁占据了这个入口，谁就控制了用户后续的AI消费行为。Amazon的逻辑是：Echo Show卖90-250美元，但一个活跃Echo用户每年在Amazon平台额外消耗的商品和服务价值，远超设备价格。设备是流量入口，平台是真正的收费站。
Ray-Ban Meta的长期逻辑也是如此：299美元的眼镜是Meta生态的物理入口，帮助Meta建立下一代AI交互界面的用户习惯。当AR功能成熟、Meta元宇宙服务完善，这副眼镜就变成了一个持续的流量和数据来源。
这条路径需要平台生态作为支撑，门槛最高，也最适合大厂而非初创公司。初创公司走这条路，通常需要依附在某个大厂生态内，而非独立建设。
五、中国团队的真实机会——供应链之外的壁垒
1、已经成立的优势：供应链速度
中国AI硬件团队的供应链优势是真实的。一个深圳团队从产品定义到量产，可以在3-6个月内完成，海外团队通常需要12-18个月。这个速度差在快速迭代的AI硬件市场是决定性的，你可以比竞争对手多跑2-3个产品版本。
Plaud的深圳团队用这个优势在录音卡赛道建立了先发地位，连续两年十倍增长。EUHOMY翻译耳机9.9美元的极低定价，本质是供应链成本控制能力的极致发挥。
2、需要补上的课：软件订阅运营能力
中国硬件团队最大的短板，是软件订阅产品的运营能力。Plaud的近一半收入来自AI订阅，这意味着它不只是一家硬件公司，更是一家SaaS公司——需要管理用户生命周期、设计订阅分层、做用户流失分析、持续迭代AI功能。
这些能力在中国传统硬件公司里几乎是空白的。大多数中国硬件公司的组织结构、KPI体系、人才结构，都是围绕“卖设备”而非“运营用户”设计的。转型订阅模式，不只是改个定价方案，是整套商业运营逻辑的重构。
3、被低估的机会：垂直行业AI硬件
当前大多数AI硬件的讨论都围绕消费端（眼镜、手环、玩具）。但一个被严重低估的市场是：垂直行业AI硬件。
想象一下：一个专门为跨境商务谈判设计的AI眼镜，能实时提供对方话术的中文翻译+背景资料提示（详见可参见先前一篇如果AI眼镜能帮我谈生意：探析跨境商务谈判的技术穿透与商业价值）；一个专门为工地安全巡检设计的AI眼镜，能实时识别施工规范违规并语音预警；一个专门为手术室设计的AI助手，能实时把主刀医生的口头指令转化为记录并提示用药禁忌。
这些垂直场景有几个共同特征：用户愿意付高价（企业采购，不是消费者付费）；AI的精准度要求极高（通用AI达不到，需要行业专有模型和知识库）；场景壁垒高（一旦进入，竞争者难以复制）。
中国在这些垂直场景有天然优势：制造业数据、工程数据、医疗数据都是全球规模最大的，可以为垂直AI模型提供最好的训练素材。把“垂直行业know-how+供应链速度+行业数据”组合起来，是中国AI硬件团队真正可以形成护城河的方向。
六、算力账本——AI硬件的隐藏成本
1、每台设备背后的算力消耗
AI硬件公司的财务模型，有一个传统硬件公司不需要考虑的变量：每台活跃设备的月度算力成本（Cost Per Active Device, CPAD）。
以不同产品类型估算CPAD：
录音摘要类（如Plaud）：每次转录+摘要约需0.02-0.05美元的API成本，假设月均50次请求，CPAD约1-2.5美元。月订阅费8美元，算力成本占比12-31%，还算健康。
持续监测类（如Whoop/Oura）：每天生成一次综合健康报告，每次推理成本约0.01-0.03美元，月均CPAD约0.3-1美元。月订阅费30美元，算力成本占比1-3%，利润空间充足。
高频对话类（如BubblePal儿童玩伴）：孩子每天对话1-2小时，每次对话请求按5次计算，月均150次请求。如果走云端API，月CPAD约3-7.5美元。这就是为什么BubblePal选择本地7B模型——把月度算力成本从5美元降到接近零，是这个产品能做一次性买断模式的关键。
结论：AI硬件的定价必须覆盖CPAD，否则活跃用户越多，亏损越严重。算力成本是AI硬件商业模型设计的核心约束，在产品定义阶段就必须纳入计算，而不是等到上市后再考虑。
2、“云端推理 vs 本地推理”的商业选择
每家AI硬件公司都面临一个架构选择：把AI推理放在云端，还是本地部署。这不只是技术决策，是商业决策。
云端推理的优点：算力弹性（需求高时可以扩容）、模型更新便捷（不需要推送固件更新）、设备可以更轻薄（不需要本地算力芯片）。缺点：持续的算力成本、网络依赖（无网络则无功能）、数据传输带来的隐私顾虑。
本地推理的优点：零算力成本（或接近零）、隐私保护（数据不出设备）、离线可用。缺点：受芯片算力限制（只能跑小模型）、模型更新需要推送固件、设备更厚重更耗电。
2025-2026年，一个重要趋势是：“端云协同推理”——轻量任务本地完成（识别、分类、简单问答），复杂任务上传云端处理（深度分析、长文生成）。这个架构可以在成本和功能之间找到更好的平衡。高通骁龙X Elite、联发科天玑9400、苹果M4芯片，都在向“本地大模型推理”方向演进，给端云协同提供了越来越好的硬件基础。
写在结尾：AI硬件不是电子消费品，是订阅服务的物理入口
看清楚AI硬件的本质，才能看清楚这门生意的边界和机会。
AI Agent硬件和传统消费电子最根本的区别在于：它不是“卖出去就完了”的交易型产品，而是一段持续的服务关系的起点。用户买下设备，是建立了一个持续的“AI服务订阅关系”——这个关系的价值，随着使用时长和数据积累而增长，而不是像手机一样随着使用而折旧。
对创业者来说，这意味着几件事：第一，产品定义的核心问题不是“设备能做什么”，而是“用户会持续在什么场景使用它，并且愿意为此持续付费”；第二，算力成本是商业模式设计的基础约束，不是上线后才需要优化的运营细节；第三，数据积累策略需要在产品设计时就确定——你要积累什么数据，这些数据未来有什么价值，用户凭什么允许你收集。
对于中国AI硬件团队，供应链速度已经是既定优势，下一个竞争维度是：软件订阅运营能力，以及垂直行业的深度know-how。这两件事都不在供应链里，需要的是产品思维、用户运营能力和行业积累。
硬件只是门票，门后面那门生意，才刚刚开始。
