从AGI阶梯看AI硬件:具身智能还很远,物理约束就在眼前

目录

具身智能是终点,但先别急着上桌

有些品类加了AI也出不了圈

物理约束:你改不了的三座大山

做AI硬件,三个节奏不能踩错

作者简介


关于AI具身化这块深有感触,有必要结合硬件讲讲。

比如我在22年做的一款产品用到了薄膜按键,在原有的供应链体系属于一款已经量产的配件。

最开始由于还没跑通原有体系的供应链,当时拿到深圳去询价,结果报价比现有配件的发货价还高。

后来花了半年多时间,才基本走顺整个供应链体系。

这个过程中学到一件事:

硬件产品的物理约束和供应链逻辑,不会因为你加了一个AI就消失。

再比如今年,AI圈子从25年的各种「颠覆」转换成了各种「应用」。

你会发现大家都在卷概念,什么龙虾、Skills、马具工程、Loop工程。

做软件的人可能会觉得世界又变天了。

但如果你做过硬件,你就会很清楚:

物理约束不会因为概念刷新就消失。

具身智能是终点,但先别急着上桌

AGI的进阶阶梯:

从语言模型开始 → CoT(思维链)→ Agent → 持续学习 → 奇点,最后才是具身智能。

每一步都踩着前一步上去,Agent要用到CoT,CoT要用到语言模型,每一步都建立在上一步的演进。

到具身智能那一步:

它就走进了现实世界,可以给你做家务,可以给你养老。

因为对一个正常人来讲,他的需求并不是电脑......

他吃喝玩乐、衣食住行,他不需要电脑。

他需要的是具身智能来解决具体人力的需求。

很多人只记住了「具身智能是终点」这半句,但是忽略了顺序。

对做硬件的人来说,这个顺序就是资金投入、时间和团队资源的分配逻辑。

如果路线图是反过来的,先实现具身智能:

「那自己做得很累,这是一个很苦的活。」

比如,现阶段All in具身智能的企业,等于在电池能量密度还在250Wh/kg的时候去造一个需要全天续航的人形机器人,从物理层面就没有准备好。

但这又是一个确定性的方向,包括前段时间商汤的一个朋友参加了高通的培训,也在推自己的端侧芯片。

虽然功耗、发热、算力、小型化这些问题短期还没办法突破,但又不得不做。

如果到了奇点之后再去做具身智能,「那个就不用人来做了,模型自己就可以出来了。」

怎么理解呢?

具身智能是终点,但它是一个「被推着走」的终点,不是一个「主动去够」的目标。

对做硬件的人来讲,这个判断的含金量很高。

它直接回答了一个问题:当下的AI硬件,到底应该做什么、不应该做什么。

有些品类加了AI也出不了圈

做产品成不成,跟加不加AI没有必然关系。

比如保险箱这个产品,我既是设计者也是用户。

它的核心需求就一个:安全、稳定、别出问题。

用户一年开不了几次,属于免打扰型产品。

你给它加AI、加情绪价值,对这种品类来说,反而是减分项。

但换个定位,事情就成立了。

同样是保险箱的物理形态,做成儿童的智能存钱柜,天然追求好玩,既能培养存钱意识,又能增加陪伴价值。

同一个壳子,换一个场景,AI就从减分项变成了加分项。

这里面的核心变量是品类属性。

我将品类大致分为了两种:

一种是离生产力近的品类(机器人、办公设备),硬件本身的能力和场景壁垒是核心。

另一种是离情绪价值近的品类(AI宠物、陪伴玩具),品牌、渠道和运营能力更重要。

它们的物理约束不一样,用户期望不一样,商业逻辑也不一样。

物理约束:你改不了的三座大山

做软件出身的人做硬件,最先碰壁的不是技术,是物理制造层面。

软件出Bug改完代码推送就行了。

硬件出问题,很多时候要重新开模、重新做板、重新备料。

从三个维度出发,可以帮你快速过滤掉90%不成熟的机会。

电池。

能量密度天花板250到300 Wh/kg,硅碳负极在进步,但天花板就摆在那里。

纯端侧大模型这条路线,从物理层面就锁死了。

消费类小体积设备,被动散热能力本身就弱,芯片算力一高,功耗和散热根本扛不住。

重量。

眼镜超过50克,戴半小时就难受。

华为小米做到40克,千问G1也是40克,雷朋最新50克左右------这就是当前工艺水平的天花板。

成本和工程。

智能戒指的体积非常有限,还要塞进传感器、计算芯片、无线模块、电池。

每加一项功能,其他设计就得妥协。

手机已经是默认设备,任何新硬件都得回答同一个问题:

用户愿不愿意多带一个东西?

物理约束的特点是:

你改变不了,只能接受。

违反物理约束的产品,营销做得再好,用户拿到手一用,发现跟期望差距太大------对新建品牌来说,基本就是死刑。

做AI硬件,三个节奏不能踩错

笔者把AI硬件趋势按约束类型分成了三层,节奏完全不同。

第一层:物理约束层

如果你不是材料行业相关的从业人员,电池化学、芯片制程、工艺、材料,这些的发展你都决定不了。

核心策略就是一个字:等。

不要在穿戴设备上做持续高算力,不要在电池能量密度上赌突破。

渐进式进步有,跳跃式突破别指望。

第二层:AI能力层

通用大模型的能力每个月都在更新,多模态感知也很成熟,跨应用执行是下一阶段的焦点。

主要策略时要快速接入主流大模型,选一到两个AI功能做深。

另外,垂直场景的微调模型会越来越多,针对具体场景的细分小模型是另一个趋势。

第三层:生态约束层

这层不由技术决定,跟苹果、谷歌、小米、华为、字节这些大厂的战略绑定,年度级变化。

笔者当年做智能锁,融入大厂生态也就1到2年的窗口,后来大厂亲自下场,你就出局了。

如果你做独立厂商,至少接入一个主流生态。

自身不够强,连讨价还价的机会都没有。

2026年做AI硬件,真正重要的不是追概念。

是搞清楚三件事:

  • 你做的品类是生产力还是情绪价值?

  • 你的产品能不能不跟手机抢活?

  • 在物理约束的天花板下,你的方案能不能撑住成本和体验?

这三个问题的答案,比任何技术路线图都更决定你的产品能不能活下来。

进窄门,走远路。

作者简介

卫朋,《硬件产品经理》作者,人人都是产品经理受邀专栏作家,CSDN认证博客专家、嵌入式领域优质创作者,阿里云开发者社区专家博主。

相关推荐
skywalk81633 小时前
硬核移植实录:在 FreeBSD 15.1 上从零跑起 DeepSeek 智能体 harness(附完整踩坑手册)
人工智能·freebsd·deepseek·harness
武子康3 小时前
GPT-Live 分析研究:从回合式语音到连续交互循环
人工智能·llm·agent
fail_to_code3 小时前
从 Lighthouse 83 到 100:一次 Vue 项目的性能排查实录
前端·人工智能
用户69371750013843 小时前
DeepSeek 调价正式生效:一夜涨 11 倍,靠低价薅羊毛的日子结束了
前端·人工智能·后端
JAI科研3 小时前
Deepseek Agent Harness教程(二) | DeepSeek Harness 设计思路
人工智能·深度学习·算法·机器学习·自然语言处理·transformer·vllm
探物 AI3 小时前
yolo目标检测中的激活函数对比
人工智能·yolo·目标检测
用户298698530143 小时前
从入门到自动化:TXT 转 Word 的在线工具与代码实战方案
人工智能·后端·python
DeepIntelli3 小时前
AI问答品牌推荐:如何用GEO让品牌出现在豆包、文心一言的答案里
人工智能
m4Rk_3 小时前
【论文阅读】Agent 记忆机制(40):HiAgent——通过子目标级记忆提升长程任务执行能力
论文阅读·人工智能·学习·开源·github
还不秃顶的计科生3 小时前
具身智能论文学习10:π0: A Vision-Language-Action Flow Model for General Robot Control
人工智能·深度学习·算法·机器学习·语言模型·vla·vlm