从录音卡到儿童手表，再到摄像机，小度AI硬件掌舵人孙浩复盘了多款产品的成败得失。他提出，大模型能力涌现后，真正的挑战在于场景、成本、上下文与安全之间的平衡。本文从实战出发，拆解AI硬件从技术到产品成立的完整路径。

在 2026 AI 产品大会上，小度AI智能硬件掌舵人孙浩分享在 360 和小度做过的几条产品线，从复盘录音卡、儿童手表、摄像机和家庭 AI 伙伴的路径。他想回答的是能力涌现之后，怎样在场景、成本、上下文和安全之间把产品真正做成立。

以下内容根据现场音频和演示材料整理，Enjoy：

一、我做过很多硬件，但真正的问题一直没变

大家好，我是孙浩。

我一毕业就进了 360，在那里干了 12 年，最早做儿童手表，后来做智能音箱、边缘计算、视觉云，再后来整体负责 360 IoT 的产品研发、供应链和生产相关工作。年初我离开 360，到了小度。对我来说，这次分享不是站在旁观者角度讲一个趋势，而是把自己做过、踩过、犹豫过的产品拿出来复盘。

我给自己的定位一直是“极客型产品经理”。

这个词不是说我要做只有极客才会用的东西，而是说我希望自己有前沿技术的判断，把原来只在小圈子里流行、很晦涩的技术，做到大众化、人人可用。也因为这个背景，我在做产品时很容易拿着锤子找钉子：看到一个架构、一个技术实现，就会想它能在哪些场景发挥价值。

一定程度上，我也允许团队在有限范围内这样做。因为很多创新产品如果只盯着今天已经明确的需求，往往会少看一步。但我现在越来越清楚，硬件链路很长，成本、渠道、用户认知、安全、售后都会一起压过来。技术跑通只是第一步，从能力有限到产品成立，中间有一条很宽的沟。

我这几年看到的大模型硬件热潮，其实也在重复这个问题。

2023 年大模型热起来以后，2024 年大家对硬件被重塑有非常多期待。手机、电脑、AI 原生硬件、可穿戴设备都被拿出来讨论。可是很多代表性产品传播声量很大，真正的产品成立却没那么容易。一个交互再新，一个硬件再像未来，如果用户拿回去之后没有稳定的使用场景，价格、价值感和体验闭不上环，它还是会变成预期落差。

二、录音卡能先成立，不是因为它会录音

如果今天从商业成功角度看，能说得上已经比较成立的大模型硬件，我会先看录音卡这类产品。

——因为它的硬件形态并不复杂，成本也不是特别高，甚至看起来没有投影、眼镜、原生终端那么有想象力。但它真正踩中的，不是硬件本身，而是工作流里长期存在的一个缺口。

录音笔本来就是一个成熟品类。早期靠麦克风阵列、波束成形、前端降噪，把声音录得到、录得清；后来有了 ASR，用户不用完整回听录音，可以看转写稿，会议纪要也能更快整理。但这些能力主要解决的是记录便利性，后面仍然要人去梳理、总结、转发、沉淀。

大模型进入之后，并没有把硬件本身提升了多少，而在于补上了原来工作流缺失的那一段：开完会、拜访完客户，几分钟内把会议纪要生成链接发出去，记录就不再只是记录，而是变成分享、表达、整理、总结之前的一步。录音从来不是为了录音，录音是为了后续可用。

我自己做 360 录音卡时，底层逻辑也不是“看到某个产品火了就跟一个”的形态。

360 从 2023 年开始做 AI 办公，但原来的产品特征更像搜索、导航、工具聚合。我们当时想往更系统化的办公场景走，所以先定了两个核心：一个是知识库，一个是智能体。知识库要能接网盘、网页收藏、个人资料，也要向物理场景扩展；智能体则要和具体工作任务、工作流、Skills 连接起来。

所以 360 AI Note 这个录音卡，一开始就不是只想总结当前会议。会前，它可以基于知识库帮你准备会议材料；会中，它帮你记录讨论；会后，它可以继续写纪要、写邮件、做 PPT，甚至根据会议争议焦点做分歧地图。它在形态上像一个录音硬件，但定位上其实是整个办公上下文的入口。

三、垂直场景比通用想象更重要

录音卡不是突然冒出来的新品类。很多行业很早就有成熟的垂直产品，比如智能工牌。它本质上也是录音设备，但它放在房产、4S 店、销售沟通这些工作流里，需求非常明确：公司担心销售不尊重客户、担心飞单、担心流程不合规，也希望把优秀销售的话术沉淀下来，复制给更多人。

这个产品最基础是转写，再往后可以做风控管理、流程合规、违禁词检测、客户线索整理、意向分析、明星案例复制。它还必须给销售本人带来价值。否则它就只是一个监控设备，销售人员一定会抵触。只有既能帮助管理者沉淀业务，又能帮助一线人员少整理线索、少补笔记，它才有可能在垂直工作流里长期存在。

大模型带来的变化，是把原来需要大量人力和规则打磨的垂直能力，往更多场景里泛化。它不是凭空创造需求，而是让一些原本只能在窄场景成立的工作流，有机会扩展到更广的办公、拜访、会议、协作场景里。

但上下文并不是越多越好。比如还有一些产品希望不仅录声音，还间歇性录像，记录一天的 Vlog，知道我见了谁、看了什么。理念上这当然成立，上下文越丰富，模型越有机会提供价值。但会有各种各样的问题：

• 硬件上马上会遇到功耗、续航和成本问题；
• 间隔时间越短，信息密度越高，但耗电和推理成本也越高；
• 间隔时间越长，续航能撑一天，中间又可能错过关键信息；
• 每天那么多图片和声音都要向量化、推理，普通会员订阅未必覆盖得住。

这就是我反复强调垂直场景的原因。大模型能力增强了，但它并不能自动解决所有问题。

很多时候，与其做一个面向所有商务人士的通用记录产品，不如先收缩到一个能被证明的场景，先把一个具体工作流跑通。

四、儿童手表让我看到能力之外的约束

我最早做儿童手表时，还没有大模型。那个时候孩子的需求比较简单：孩子好奇心强、话多、逻辑表达不稳定，对很多答案的期待也不像成人那么明确。我们当时在手表上做过语音助手，用传统 NLU 技术接音乐、控制、天气等意图，但一个很大的问题是，很多儿童表达最后都会落到闲聊这个兜底意图里，而闲聊恰恰是最难做好的。

我们也尝试过生成式问答（不是基于 Transformer 的大模型，而是更早期的生成技术）——我们从网上抓了很多问答对来训练，但语料质量很难控制，洗数据、做防御训练、做内容安全都很难彻底解决问题。结果就是需求存在，数据也支持孩子确实会这样问，但技术接不住。

大模型出来以后，我第一反应是：之前那颗钉子终于有锤子可以试了。

它能聊天，有一定长期记忆，能用人格化方式回应，确实适合儿童场景。但你不能对家长讲泛化能力、长期记忆、模型参数。家长理解的是手表里有知识专家、故事大王、心理师、老师，是孩子可以接触的伙伴和能力。

儿童手表还有一个特殊点：购买者、决策者和实际使用者不是同一个人。孩子想要有趣，家长期待安全和学习价值。哪怕家长心里并不真的相信一点几寸的手表能让孩子学到多少东西，付费时仍然会带着一个朴素期待，希望花出去的钱能对学习有帮助。所以我们会把能力包装成口语陪练、中英互译、识字解析、AI 绘画等场景。但实际使用里，有些学习功能孩子未必高频使用，因为孩子上课已经够累了，不一定回家还想在手表上找数字人练口语。

真正难的地方在安全和幻觉。为了儿童场景，输入和输出都要做内容检测，模型阶段也要做价值观对齐。流式输出时，是整体输出完再做检测并 TTS 播报，还是边输出边播报、后面发现问题再截断，这在团队里都会有分歧。我们最终更偏慎重，所以响应时间会被拉长。外面用户可能只看到别的产品语音聊天 1 秒多，我们这里要 3 秒多，但背后是儿童场景对安全的要求。

幻觉也是同样的问题。模型本质上压缩了很多知识，压缩就会带来幻觉。成人可能还能判断真假，但孩子的世界观和知识体系还没建立，如果模型一本正经地胡说，他可能会相信。所以我们当时大量补 RAG 知识库，要求常见问题尽量基于可确定内容回答，也引入搜索来减少凭记忆生成。不是因为能力没有涌现，而是涌现出来的能力放到真实需求里，需要克制和渗透的地方太多。

五、摄像机给我的教训是：别把算法当商品卖

2018、2019 年我做智能音箱做得很自闭，后来又去做边缘图像处理平台。2019 年 10 月，我在深圳发布过 360 家庭安全大脑。它基于当时比较强的处理芯片，PPT 里对应的是端侧 AI 推理框架和场景定义摄像机这条线。当时这个产品争议很大，因为普通摄像机卖一两百块，你做一个硬件成本几千块、售价一万多的东西，它和原有渠道完全不重合。

我当时相信端侧 AI 的算力成本会持续降低，后来也确实是这个趋势：原来 4T 算力的东西要几千块成本，现在一两百块的摄像机里也会有一定端侧算力。

——但这个判断不代表当时的产品马上成立，只能说明那把锤子未来可能会找到钉子。

后来我们把这套技术持续打磨，做端侧算法动态加载和场景规则适配。比如摄像机挂得比较高，家里孩子够不着，可以安装一个手势呼叫算法。它有点像在智能手机上装应用一样，往摄像机里装算法。可即便这样，用户很难直接为一个算法付费。把算法像应用商店一样标价，一个算法多少钱，这条路很快会遇到现实。

我后来做摄像机增值服务时，反而把 AI 场景和云录像揉在一起。单讲云录像，用户会觉得一张 TF 卡十几二十块，为什么要每年花一百多买云录像。单讲算法，用户又觉得抽象。但如果变成具体场景，比如春节开车回家担心车被划，开店担心门口有车挡道，孩子拿了危险物品需要提醒，AI 和云录像就能一起变成用户能理解的增值服务。

这让我意识到：产品表达要从算法回到场景。

摄像机的算力有限，内存更有限，很多一两百块的设备不是不能算，而是成本和内存不允许你无限堆。很多传统小算法在特定安装角度、特定环境里表现不错，但用户拿回家怎么装并不可控，泛化能力不足，精度预期也会被反复挑战。销售会问什么时候能到 99%，但真实世界里的场景太细，数据飞轮也没那么容易跑起来。

大模型来的时候，我看到的是一个新机会：它的通用能力和泛化能力，能把过去很多窄场景拉回到一个更大的框架里。2023 年我们做视觉大模型时，也不是从零训练所有东西，而是受 LLaVA 一类思路启发，把已有语言模型和视觉编码融合起来，训练中间连接部分。当时我也很焦虑，因为要抢卡、要预算，还要背营收指标。但它确实让我看见，过去场景定义摄像机里一个又一个小算法，未来有机会被更通用的理解能力重新组织。

再落到实际场景，问题还是成本和感知。早期用大模型理解门铃画面，一个用户一个月可能要二十多块推理成本，而云录像一年也才一百多。用户会不会为了通知从有人出现变成快递小哥出现而多付钱，很难。但到今天，小尺寸模型能力上来，一张图推理成本和过去已经有几十倍差异，原来因为成本难以平衡的功能，就可以重新拿出来考虑。

六、家庭 AI 伙伴也要先问成立条件

到了小度以后，我看到另一个可能性。

小度过去有大量带屏音箱，很多设备本身就常在线、有大屏交互，也有云台摄像头。过去这些能力更多是被动响应：你叫它开灯，它开灯；传感器触发，它联动一个场景。但智能体框架成熟以后，我会开始问，智能体一定只是生产力工具吗？它能不能在家庭场景里帮我解决更多家庭事务？

这就是我们做小度搭子时的思路。它不是把智能音箱再包装一遍，而是希望从被动响应变成主动服务。它可以记录家庭生活习惯，帮助完成复杂任务，也可以打通很多家庭场景里的 Skills。比如点外卖、点快递，不一定非要打开手机，可以通过音箱、闺蜜机这类设备完成。上层是面向家庭场景的 Skills，中间有智能体底座，底层再把微信小度、音箱、闺蜜机等入口打通。

我在小度摄像机和智能屏看护上，也看到了过去 360 视觉云能力在新体系里的价值。

比如我家孩子正常打闹，家里又有烙铁、工具等危险物品，摄像机可以识别孩子拿了危险物品并提醒我，还可以联动客厅的小度音箱提醒孩子。再比如全天事件经过向量化后，用户可以问今天发生了什么。这种可问、可答、可控、可联动、可提醒的生态，比一个孤立设备更接近家庭 AI 伙伴。

当然，我也在思考家庭本地中枢是不是需要一个本地设备。2019 年我做的家庭安全大脑很贵，今天也会有人设想在本地放几十 TOPS 算力，让大模型、ASR、TTS 都在本地跑，价格可能到一万多。问题是，它是不是能在普通家庭场景成立？哪怕换个角度看，个人超算 PC 也不便宜，但未必能替代你现在用云端模型做复杂任务的费用。未来端侧算力会继续下降，大模型也会更多运行到本地，我相信这个方向，但它还需要契机。

有些场景可能先成立，比如高端住宅。一套别墅装修几十万，在这个预算里加入一个本地跑完整链路的 AI 设备，隐私价值、价格感知和场景边界就可能闭合。可同样的东西放到普通用户家里，就未必成立。

所以我最后想回到最直接的判断：能力涌现已经发生，硬件基础也在改善，但产品成立不是自动发生的。它要落到一个具体人群、具体场景、具体成本结构、具体价值表达里。

对我来说，现在到小度继续做这件事，是希望打造每个家庭可用、值得长期信任的家庭 AI 伙伴，而不是追一个看起来更新的硬件概念。

相关阅读：

影智科技唐沐：从人形概念到咖啡机器人，具身智能如何跨过商业化鸿沟

https://www.woshipm.com/it/6453574.html

小度AI智能孙浩：从能力涌现到产品成立，大模型硬件的四道门槛

https://www.woshipm.com/ai/6453494.html

京东物流李亚曼：当AI进入物流全链路，产品经理要重新定义自己的价值

https://www.woshipm.com/ai/6455237.html

声网姚光华：企业级Agent的关键，不是自治，而是可控的结果生意

https://www.woshipm.com/ai/6453622.html

千问办公余航：AI 真正有用，不是会得多，而是能把事情办成

https://www.woshipm.com/ai/6452306.html