这两年聊 AI 硬件，大家习惯问一个问题：到底是硬件公司在做 AI，还是 AI 公司在做硬件？

这个分法抓住了参与者，却没抓住真正的变化。

更贴近现实的一句话是：AI 在向下找硬件，硬件在向上找模型。

这不像相爱，更像各自缺东西。

AI 缺身体。

大模型像一个被锁在房间里的天才，什么都懂，却不知道你此刻站在哪、身体怎么样、家里发生了什么。它困在输入框里，等人把生活切成文字、图像、语音，再一段一段递进去。

硬件缺后路。

它能称体重、测心率、拍下第一视角、录下一整天的声音。它就在现场，有眼睛、有耳朵、有皮肤。但供应链成熟之后，很多硬件已经足够多，也足够像。参数很快被追平，价格很快被打穿，卖完一台，故事也很快结束。

于是双方凑到一起。

AI 需要硬件替它进入真实生活，硬件需要 AI 把自己从一次性买卖里捞出来。

缺口能对上，不代表关系能成立。

它们越走越近之后，真正被重新估量的，到底是硬件、模型，还是现实世界里那批持续回流的数据？

01 大模型开始向网页之外伸手

Plaud CEO Nathan Hsu 在 NotePin 发布前说过一句很直白的话：很多公司还在用互联网上已经数字化的数据做 AI，但现实场景里还有大量数据，藏在人们“说什么、听什么、看什么”里面。

这句话几乎说穿了 AI 硬件重新变热的底层动机。

大模型并不是真的没有数据。互联网上还有文本、图片、视频、论坛、评论、论文、代码。变难的是继续靠这些公开材料堆出新的差异。

Epoch AI 曾估计，如果趋势延续，大模型会在 2026 年到 2032 年之间充分利用现有的人类公开文本存量。这个判断不等于互联网数据明天就会枯竭，但它至少提醒了一件事：公开网页继续供养通用能力的空间，正在变窄。

更多增量，藏在网页之外。

一个人的体重这周怎么变，体脂降了还是肌肉掉了；一次会议里谁承诺了什么，后来有没有兑现；一个孩子站在展柜前为什么停下，对什么东西提问；一个人在厨房、工位、工厂、客厅里，如何和物理世界发生关系。

这些数据太碎、太脏、太日常。它们不会自动躺到互联网上，也很少主动递到模型面前。

AI 从“会回答”走向“会服务”，绕不开它们。

国内更朴素的一幕，发生在一台体脂秤上。

6 月 25 日，蚂蚁阿福上线“科学减重 1 亿斤”健康行动，同时推出“9.9 元运费 + 实付 1 分钱”的智能体脂秤。用户先支付 30.01 元，收到体脂秤后绑定阿福 App 并完成 AI 解读，可返现 30 元。活动上线后 2 小时，领取量超过 1 万台。

体脂秤本身没什么神秘的。

它早就是一门很薄的硬件生意：便宜、易替代、复购低。很多人买回来新鲜几天，后来就塞在床底下吃灰。

阿福愿意把硬件压到几乎白送，答案在秤后面。

连接阿福 App 后，用户可以查看体重、体脂率、内脏脂肪、肌肉量、骨量占比、BMI 等 18 项身体数据；AI 解读会生成身体数据小结、重点关注事项和饮食运动建议。

这一步，把用户从“自述者”变成了可被连续校准的对象。

用户说“我胖了”，只是一句话。系统连续看到体重、体脂、肌肉量、内脏脂肪怎么变，是一条曲线。

大模型不缺“少吃多动”的常识。它缺的是这个人有没有真的少吃、有没有真的动，身体反馈有没有跟上。体脂秤补上的，就是这块短板。

这条曲线还会把用户拉回系统。

纯 AI 工具很容易用完即走，今天问一句，明天就忘了。硬件不同。一次上秤，就是一次数据回传；一次 AI 解读，就是重新打开 App 的理由。硬件在这里像一个钩子，把偶尔咨询拉成持续管理。

更靠后的位置，是垂类数据。

单个用户的体脂数据服务个人减重；大量授权、脱敏、整理后的身体状态数据，则有机会反哺健康模型、慢病管理、公共健康研究、保险风控等链条。合规问题还横在前面，但商业想象已经越过了一台秤的边界。

所以阿福这台秤最值得看的地方，并不只是便宜。

它让硬件多了一种位置：从被卖出去的设备，变成持续数据的入口。

这套逻辑换一个身体部位，还会继续成立。

Ray-Ban Meta 把摄像头、语音和第一视角 AI 能力装进一副日常眼镜。争议之所以出现，恰恰因为眼镜太靠近人的日常视野。它听到你在说什么，也可能知道你在看什么。

从体脂秤到眼镜，形态相差很远，底层动作却接近。

AI 开始寻找网页之外的现实信号：身体变化、视线停留、声音现场、日常动作。这些东西过去散在生活里，很难被模型稳定捕捉。

硬件把现实带回来，模型再把这些信号转成反馈、建议和服务。

AI 要硬件，要的是网页之外那条持续回流的数据。

这条数据开始变重，硬件公司也会被卷进去。

设备卖出去之后，故事才真正开始。

卖完就结束，硬件不甘心

硬件的焦虑，是另一个方向。

对硬件公司来说，真正想逃离的不是硬件，而是只靠硬件赚钱这件事。

供应链越成熟，单台设备的利润越容易被打薄。摄像头、麦克风、传感器、模组都能被追平，毛利、库存、渠道、售后很快把天花板压出来。

设备卖出去之后，故事能不能继续，开始取决于另一件事：它能不能在某个生活现场里，长期沉下一批别人拿不走的数据。

Amazon Echo 很早就给过一次提醒。

《华尔街日报》报道，亚马逊设备业务在 2017 年到 2021 年累计亏损超过 250 亿美元。Echo 曾被寄希望于通过低价进入家庭，再带动购物和服务收入，但很多用户只是把 Alexa 当作闹钟、天气查询器和音乐播放器。

设备进了家门，生意未必进了生活。

这也是 AI 给硬件留下想象的地方。模型能力只是表层，更关键的是它能把设备采到的声音、动作、图像、身体状态，转成服务、订阅、内容和长期记忆。

灵宇宙小方机，可以放在这个位置看。

它表面上是一台儿童 AI 学伴。中国日报网报道中，小方机搭载 LingOS，可以戴在胸前，通过“魔法相机”唤醒博物馆展品，把展品变成智能体并实时对话；它与 Luka 卢卡机器人一起，构成面向 Alpha 世代的认知启蒙、语言学习和户外探索产品矩阵。

但把它看成儿童相机，就看浅了。

顾嘉唯在一次对话中说，灵宇宙的硬件终端，本质上是为 AI 在物理世界安上的“眼睛”和“耳朵”，去采集人类在真实场景中如何看、如何听、如何操作的第一视角数据。他把这称为最稀缺的“物理世界语料库”。

小方机的价值，也就不只落在那块硬件上。它往后接的，是 Luka、LingOS、内容、角色、记忆和服务。一个设备在室外陪孩子看世界，另一个设备在家里陪孩子读书，中间由系统把场景、内容和长期互动串起来。

这是一条路：把数据留在自己的系统里，让设备越用越懂用户。

Fuzozo 芙崽走的是更软的一面。

公开资料显示，Fuzozo 是珞博智能打造的 AI 养成系潮玩，具备毛绒包挂形态，融合五行角色设定、自然语音交互和长期记忆能力，主打情感陪伴的同时，还多了点定制的感觉。

毛绒包挂本身不稀奇。稀奇的是，它试图让用户相信，这个小东西有性格、有记忆、有关系、有成长。外壳容易被复刻，一段长期互动关系更难迁移。

Plaud 则把同一件事落在了更硬的账本上。

TechCrunch 报道称，Plaud 已经出货超过 200 万台 AI notetaker，软件订阅 ARR 超过 1 亿美元。硬件之后的 AI 纪要、转写、待办、团队知识和订阅收入，接管了后半程。

另一条路，通向产业链上游。

当硬件采到的是第一视角、手部动作、真实场景交互，它服务的不再只有自家产品，也可能成为多模态模型、具身智能、世界模型需要的现实材料。经过授权、脱敏、清洗和标注后，这些数据可以进入训练、评估、场景适配和数据服务链条。

这些产业侧动作把趋势照得更亮：硬件正在成为真实世界数据的前端工位。

在一些先行者看来，数据正在变得比设备本身更像壁垒。

设备卖出去，只完成一次交易。设备持续生成的数据，才可能让硬件接上模型、订阅、内容、服务，甚至获得 AI 产业链更靠前的位置。

搭伙能不能长久

走到这里，AI 和硬件才算真正碰头。

一边往下扎，一边往上长，绕不开同一件事：那些过去远离网页、现在开始持续回流的生活数据。

这一轮 AI 硬件和上一轮智能硬件最大的不同，也在这里。过去，设备卖出去，交易基本完成；现在，设备卖出去，关系才刚开始。真正被重新定价的，除了传感器和模型，还有设备进入生活之后，那条数据和服务的链路能不能持续转下去。

这条链路看起来很诱人。

硬件采回私域数据，数据喂养模型，模型让服务更懂用户，服务带来留存，留存继续产生新的数据。轮子转起来，硬件就不只是一件设备，模型也不只是一层能力。它们开始互相抬高对方的价值。

但飞轮的另一面，是更重的信任成本。

Google 收购 Fitbit 时，欧盟最终开出的条件之一，是要求 Google 在十年内不得把 Fitbit 用户的健康数据用于广告。这更像一条边界提醒：当可穿戴设备积累起足够多的身体数据，监管最先盯住的，就是这些数据会不会被带进另一套商业系统里。

AI 硬件面对的也是这类张力。

一台体脂秤采到身体状态；一副眼镜采到第一视角；一个儿童设备采到未成年人如何认识世界；一个会议设备采到工作关系、承诺和判断。它们越能让服务变好，越容易触到用户的生活边界。

这里最难的，已经不是把设备卖出去。

而是让用户持续相信，这台设备还值得留在身边。

Humane AI Pin 的退场给过另一种提醒。HP 收购 Humane 部分资产后，AI Pin 停止销售；云服务关闭后，已购设备失去绝大多数联网功能。一个被包装成未来入口的硬件，最后证明了另一件事：AI 硬件的价值并不牢牢长在设备上，它长在设备背后的持续服务、云端能力和用户关系里。链路断了，硬件很快变成孤岛。

这就把竞争标尺换掉了。

问题变成：这条数据链路最后由谁掌握。

设备可以换，模型也可以换，真正沉下来的，是身体、声音、第一视角、工作流和生活场景里持续回流的数据。它们越连续，越贴身，越有上下文，越不像一份简单的功能记录，更像下一代 AI 产品的底层资产。

表面看，软件公司做硬件，硬件公司接模型，是两条路线。

往深处看，它们奔向的是同一个数据终局：谁能更早、更稳、更合规地接住真实世界的数据，谁就更有机会把模型做深，把服务做长，也把一台设备从一次性交易拖进更长的使用关系里。

AI 和硬件这场搭伙，最后拼的不是谁更早喊出“AI+硬件”，也不是谁更快把模型塞进设备。

真正能跑出来的，大概率是率先把这个数据与服务飞轮转起来的人。

轮子转起来，AI 和硬件才从互相补短，变成彼此成就。

转不起来，AI 也许依然难以摆脱困于房间的宿命，而硬件也可能只是包裹了一层科技糖衣的漂亮外壳。

风口一过，难免各自散场。