Personal Agent战火正在烧向硬件

AI眼镜、耳机和录音设备正在成为Personal Agent进入现实世界的入口。

10月13日，千问发布AI眼镜和AI耳夹式耳机，希望让同一个Personal Agent通过不同设备理解用户、延续任务。与此同时，硬件厂商也在尝试通过耳机和录音设备，把现实世界中的交流转化为可供Agent调用的上下文。

手机本身已经具备录音、感知和AI处理能力，用户为什么还需要单独购买一套硬件？

独立硬件的特点之一在于启动快。在效率场景下，解锁手机、点开App、按下录音键的流程稍长，在会议中按亮手机查看录音状态也会分散注意力。相比之下，按一下录音卡按键、看到指示灯亮起，操作更简单直接，用户的体验会轻松些。

硬件销量反映用户购买意愿，用户黏性要依据订阅转化、持续使用和续费情况判断。

虽然模型推理和任务执行能力可以由外部平台提供，但硬件厂商也可以参与上下文管理。

千问整合模型、App和硬件，韶音借助外部AI能力提供服务，未来智能旗下品牌viaim尝试通过自有Personal Agent调度其他Agent，亚马逊旗下Bee接入已有的助手和购物服务，不同企业正在探索各自的位置。

硬件充当Personal Agent在现实世界吸收上下文的感官，围绕这些信息的长期管理、任务调用和服务收费，各厂商的竞争正在展开。

耳边、眼前，同一个Agent

一个Personal Agent，串起了一场硬件发布会。

10月13日，阿里巴巴旗下千问发布AI眼镜N1、N1 Pro和AI耳夹式耳机，三款产品当天现货开售。叠加国补及限时优惠后，眼镜到手价2218元起，耳机首销价1099元起。

阿里巴巴集团千问事业部副总裁宋刚在发布会上表示：

“千问的目标是成为每个人的Personal Agent，我们认为AI穿戴是千问在物理世界的延伸，也是Personal Agent的重要组成部分。无论你从哪里发起需求，背后都是同一个千问，理解同一个人，延续同一个目标。”

这场发布会之前，阿里已围绕千问布局AI应用、集团内部服务和硬件终端。

眼镜、耳机和录音卡分别面向视觉感知、随身语音交互和办公记录等场景。千问开放平台的“技能广场”开始引入第三方服务，这样用户的语音指令就可以调用更多功能。

8月，韶音推出OpenFit 2 AI耳机；9月，Meta在Connect大会上宣布把个人智能体Muse引入AI眼镜产品线，落地时间预计在数月后。

AI原生的故事，两年前Humane AI Pin、Rabbit R1就讲过，但产品体验没走那么远，宣传片里的新鲜感没能兑现。新一轮AI硬件大多不再讲替代手机，耳机、眼镜和录音设备要承担更多感知与交互任务。

一个硬件覆盖用户的全部生活场景，未必是最合理的选择。

耳机、眼镜和录音设备等硬件体积有限，需要贴身佩戴或随身携带，如果要拼功能集成和硬件配置，很难拼得过智能手机。

关键是如何找到各自的生态位，相互协同，分别覆盖不同使用场景和用户需求，最终服务于完整的Agent工作流。

对于接入同一个Agent的多款硬件，性能、参数仍然重要，是用户长期体验的一部分。在此前提下，硬件还需要持续获取对Agent有用的场景信息。

听清只是前提

Agent要利用现实对话完成后续任务，首先需要获得清晰、完整的录音。如果一开始拿到的录音不完整，后续模型很难准确还原缺失的内容。

Agent处理过程中需要的上下文不局限于文本内容。历史录音、转写、文档、人物、项目背景和未完成的任务，都可能是完成下一个任务需要的上下文。

声学技术公司Soundskrit中国区总监严更真向全天候科技解释，不同形态的AI硬件，对麦克风和声音处理算法有不同要求。

眼镜首先需要提取佩戴者自己的声音，在嘈杂环境中去除周边噪声；如果用于面对面翻译，还需要听清交流对象的讲话。录音卡则更强调远距离拾音、复杂会议室环境，以及区分不同说话人。

当全天候科技问及新增的声学需求主要来自哪类公司，严更真回答：

“两个都有吧，有些传统的做音频硬件的公司，考虑新增声学与AI结合的应用形态，比如缩小麦克风阵列的尺寸，同时降低噪声环境下文字转录的误码率；

有些AI背景的公司，考虑围绕大模型落地重新定义应用场景，采用新的声学技术与应用。”

拾音设备放置的位置同样会影响上下文。

贴在耳边的耳机离佩戴者本人更近，在嘈杂的公共场景里更容易优先保证清晰收录用户本人的声音。但在办公室里开会的时候，大家往往把录音卡放在桌面上，确保每个人的声音都能录进去。

有产品尝试让耳机和充电盒都能录音。未来智能创始人马啸介绍，9月在柏林IFA发布的AI智能体耳机viaim Rise，把过去线上录音、面对面录音、音视频录音等多种模式合并为一个录音键。

充电盒上的按键在手机App关闭后也可以启动录音，录音功能不完全依赖于耳机佩戴状态和手机App。

“这个盒子也花了不少精力，可能一开始有很多的反对意见，但我们还是勇敢地把它往下推下去了，因为Agent的硬件肯定是要有一些新的东西在里面的。”

马啸并不认为这一轮Personal Agent热潮带来了硬件技术的本质变化。在他看来，变化的是人们看待硬件的视角。

Agent将设备与上下文联系起来，让一次录音成为后续任务的起点。马啸认为，当Agent能够推动会议事项形成闭环，硬件的使用场景和商业价值也会随之改变。

声音收进来之后，还需要经过相应的信号处理和模型解析，才能成为Agent可调用的信息。具体到端侧和云端如何分工，各款产品并不相同。

千问办公录音卡QwenNote A2内置4G物联网卡，可以不依赖手机将声音传输到云端，进行实时转写和纪要处理，原始音频在转写完成后删除，只保留文字和纪要。

viaim看重的是把多条录音、文档和历史讨论组织进同一个项目，供Agent在后续任务中调用，设备端主要承担拾音、降噪和传输等任务，网络信号不佳时会先在本地缓存录音，待恢复连接后上传。

当前上传云端处理的是原始音频，转写及后续Agent分析主要在云端完成，用户可以导出原始音频和转写文本。

从倾听到记住

录音、转写、上下文管理和后续Agent服务，可以由不同公司提供。

以韶音OpenFit 2 AI耳机为例，韶音掌握硬件和用户交互入口，录音转写与纪要生成交给千问，光帆为相对独立的“AI实验室”功能提供支持。

韶音方面回复全天候科技，用户按下录音键后，音频先存储在耳机内置芯片中，左右耳各支持4小时录音；录音结束并连接手机后，音频自动上传至Shokz App，再由韶音服务端调用千问大模型进行转写和纪要生成。

9月云栖大会上，韶音携手光帆科技在OpenFit 2 AI上推出了“AI实验室”。

据韶音回复，光帆为Shokz App中AI实验室的智能对话、日程待办、随口记和消息助手等功能提供技术支持，录音纪要服务与AI实验室服务相互独立，数据不交叉。

韶音还表示，韶音信息安全管理系统已通过网络安全等级保护三级和SOC 2 Type 1认证，并对录音、转写到文件归档的过程采取加密措施。

千问走的是整合式路径，推出眼镜、耳机和录音卡，同时经营App、模型能力和第三方技能生态，将多个入口纳入同一套服务体系。如果同一个千问能够理解用户、调取历史上下文并连接阿里服务，那么阿里将有机会从入口一直经营到任务执行和服务消费。

这条路线的商业价值在于闭环，挑战在于用户未必愿意把日常任务全部交给同一生态。

Plaud支持用户选择不同模型。用户可以通过ChatGPT、Claude等外部AI工具发起任务，通过MCP等连接方式调用Plaud保存的会议资料。

集成多款外部AI工具给了用户更多的自由度，下一步要考虑的是用户留存。在一个可能被替代的生态位上，厂商需要提供差异化的价值。

viaim希望通过自有Agent承担一部分上下文管理和任务分配。“我们做了一个调动其他Agent的Agent。”未来智能创始人马啸向全天候科技解释。

马啸介绍了viaim与腾讯WorkBuddy合作的两种方式。一种是由主机方调度，自有Personal Agent分析用户积累的信息、识别需求，任务交给WorkBuddy执行。另一种是开放CLI，用户在WorkBuddy里发起任务，通过viaim CLI调取录音记录。

两种模式可以使用同一批录音，区别在于任务从哪里发起。

当地时间10月15日，亚马逊旗下Bee发布Bee Frontier手环与磁吸卡片配件Bee Eclipse。

两款硬件可从用户的对话及已连接应用中提取信息、生成摘要和待办，付费订阅服务Bee Pro支持第三方应用及Alexa+、Amazon.com集成。

从已公布的功能来看，亚马逊正在尝试将硬件采集的现实场景信息与AI助手、电商服务连接起来。

同样做硬件，厂商选择了不同的价值链位置。有的经营硬件和用户入口，有的希望掌握上下文与任务分配，也有平台公司尝试把现实信息接入自有服务。至于用户实际调用这些信息的频率和付费意愿，目前公开披露的数据还不能充分说明。

订阅制分别卖什么

上下文处理是一条长链，不同企业分别覆盖这条链上不同的环节。一次具体的任务中，各家收取的并不是同一层费用。硬件卖出去只是第一步，长期使用过程中，软件服务、订阅制度是重要的收入来源。

目前已推出订阅服务的厂商不少，但具体到收费标准上，各家正在尝试为信息处理量、上下文管理和后续任务服务分别设计付费权益。

近半年来，阿里、科大讯飞、阶跃、腾讯混元、小米等先后发布或升级语音识别模型。

9月千问发布Qwen-Audio-3.1系列时，全线语音模型价格下调，其中语音识别降幅达95%。手机等通用设备可以通过软件调用语音识别能力，独立硬件的订阅价值还需要体现在上下文管理和Agent服务。

对于经常开会、采访的用户，要是每次都先看一眼剩余时长，再考虑要不要录音，额度本身就可能成为使用门槛。但如果用户规模扩大以后，单位用户带来的收入无法覆盖相应成本，订阅业务的毛利率仍可能承压。

未来智能创始人马啸认为，当前AI主动性有两个瓶颈，一是判断用户需求的准确度，需要持续积累用户信息；二是任务的完成度，涉及任务执行和反馈。

用户持续使用硬件及Agent服务，录音数量多了，可用的上下文不一定同比例增加。上下文管理还需要把多次交流组织成项目背景、人物关系和历史决策，Agent才能在后续任务中持续调用，优化执行效率和交付结果。

例如，会议结束后，Agent需要准确识别负责人和截止时间，将待办同步到用户的办公系统。

这样用户再次讨论同一个项目时，才能方便地找回上次的任务结果和待办事项。Agent如需向外部人员发送消息，也应在必要的环节请求用户确认。

以往硬件产品销售通常是一次性的买卖，更新迭代很多时候意味着再换一台。

Personal Agent讲长期故事，硬件开始强调“always on”，上下文正在成为资源，但资源本身不会直接沉淀为竞争壁垒，也不能证明做Personal Agent硬件一定是好生意，Agent执行的任务越来越复杂，可能同时带来新的收入和新的成本。

Agent硬件的长期价值，首先取决于产品能力。很少有人愿意花钱雇一个经常失忆、想到哪句说哪句的Agent助理，主动提供服务也需要讲究分寸。

产品能力到位以后，要考虑用户需求。如果用户购买硬件后大多数时间都闲置，或者新鲜感过去就转手，最终调用Agent功能的频率不高，那么硬件承担的主要功能就仍然是采集，而不是积累。

商业模式方面，当前订阅套餐的构成各有差异，各厂商对Agent带来的价值有不同考量。订阅业务要持续运转，用户需要获得可感知的长期价值，厂商也需要用收入覆盖存储、推理和任务执行成本。