← 返回首页

2026-04-23 · AI Hardware / Consumer Electronics / Device Software

ObjectFoundry

把 AI 硬件从“做一个会说话的壳”推进到“可编排、可上线、可持续优化的智能物件”，给品牌与设备团队一条从概念到量产的对象操作面。

潜力评分 89/100

新闻来源

Era raises $11M to build a software platform for AI gadgets

Era 宣布累计融资 1100 万美元，要做的不是下一台 AI 硬件，而是一层面向 AI gadgets 的软件平台：替设备团队处理模型路由、多模态输入、语音与 agent orchestration，让眼镜、耳机、胸针、桌面摆件等不同形态的智能物件都能跑起来。这条新闻真正释放的机会，不是再赌某一个 AI 硬件爆款，而是做一层更靠近“设备到底该怎么表现、何时记住用户、何时切换模型、上线后怎么持续调优”的对象级操作系统。

查看原文 ↗

为什么值得做

这件事现在值得做，是因为 AI 硬件已经从“大家都想做一台设备”走到“大家发现真正难的是把设备行为定义清楚”。过去两年，Humane、Rabbit 等尝试让市场看到一个现实：硬件本身并不稀缺，稀缺的是一层能处理语音、多模态输入、上下文记忆、联网限制、模型切换和持续更新的软件基础层。Era 在新闻里给出的信号很强：它不自己押注单一终端，而是要成为眼镜、珠宝、耳机、家居设备等多种 form factor 的 intelligence layer，并且已经接入 14+ 提供方的 130+ 模型。这说明下一波机会不一定属于又一家做设备外壳的公司，而更可能属于那层让品牌、硬件团队和创作者以更低门槛定义“一个物件该如何像服务一样工作”的软件平台。随着消费电子、品牌周边、教育工具和 ambient computing 实验重新升温，一个能让团队在几天内编排设备行为、把用户记忆和模型策略拆开管理、并在真实设备上观察交互数据的 MVP，已经具备很强的产品时机。

ObjectFoundry 的切口不是做通用 AI app builder，也不是替用户再造一个手机应用商店，而是把“智能物件”当成一种新的产品单位来运营。它关注的不是屏幕页面，而是一个物件在真实环境里什么时候听、什么时候说、什么时候静默、什么时候调用更贵的模型、什么时候只用本地策略完成动作。这个角度让产品天然区别于普通 agent 平台：它面向的是对象行为编排、记忆治理和设备上线后的持续调优。

Problem

要解决什么问题？

今天大多数想尝试 AI 硬件或智能周边的团队，真正卡住的不是工业设计，而是产品行为无处落地。一个会听会说的设备看起来很容易 demo，但一旦进入真实场景，就会暴露一连串工程与产品问题：语音、按钮、传感器和云端调用如何协调；什么时候应该记住用户偏好、什么时候又必须忘记；不同模型的成本、延迟和能力如何按场景切换；网络不稳定时设备应该怎样优雅降级；上线后哪些交互真正有价值、哪些只是炫技。结果是很多硬件团队只能临时拼接 ASR、LLM、TTS、规则引擎和遥测服务，最后做出来的是一个会调用 API 的原型，而不是一个可规模化发布、可持续迭代的智能物件。对于品牌创新团队、小型硬件厂商和 maker 社区来说，这条路径太重；对于成熟消费电子团队来说，它又太分散、太难复盘。

目标用户

  • 想在耳机、眼镜、桌面设备、教育玩具或品牌周边中加入 AI 能力，但没有足够软件团队自建完整 orchestration 层的硬件创业公司与消费电子团队
  • 为品牌活动、零售场景、艺术装置或会员体验设计智能物件，希望快速验证交互价值而不是先投入整套 app 基础设施的 innovation lab、创意技术团队与代理商
  • 活跃在 maker 社区、教育硬件与 open hardware 圈子里，想把原型从“能跑通”推进到“能发布、能观察、能迭代”的独立开发者与小团队

Signals

来自新闻的关键信号

  • Era 的核心叙事不是“我们做一台新设备”，而是“我们做所有 AI 设备背后的软件层”，说明市场注意力开始从硬件外形转向行为编排基础设施。
  • 新闻明确提到平台支持 agent orchestration、customized voice creation、多模态输入与 inference，表明机会在于把零散模型能力重组成设备级体验，而不是单点模型调用。
  • 公司已接入 14+ 提供方的 130+ LLM，意味着未来设备团队要管理的不是一个模型，而是一套按延迟、成本、隐私与场景动态切换的模型网络。
  • 创始团队来自 Humane、HP 与 io 项目，反向验证了一个行业判断：AI 硬件最难的部分不是造型，而是用户上下文、推理路由与行为定义。
  • Era 举办了面向艺术家和开发者的 demo showcase，说明需求并不只来自大型消费电子公司，也来自品牌实验室、创作者与 maker 社区这类非传统设备团队。
  • Dorman 明确提出 AI 可以替代 app layer，这释放出一个更大的产品信号：未来部分设备不是靠“安装应用”扩展，而是靠“更新行为与记忆策略”持续演化。

MVP

这个原型包含什么

如果有一个轻量的对象级控制台，能让团队先定义设备角色、交互边界、记忆策略和模型路由，再把这些行为发布到不同 form factor 的设备上，并持续观察每种交互的留存、成本和失败原因，那么硬件品牌、创作者设备团队与创新实验室会愿意把它接在现有原型链路之上，因为它替代的是最难标准化、却最决定用户体验成败的那段软件编排工作。

对象角色编排台

先定义一个设备到底是什么角色：陪伴型、提醒型、环境感知型还是执行型；把人格边界、可调用能力、触发条件与禁止动作写成可视化行为蓝图，减少团队在 prompt 和代码之间来回试错。

模型与记忆路由器

针对不同设备动作配置本地规则、小模型和云端大模型的切换策略，并将用户偏好、短期上下文与长期记忆拆分管理；让团队真正控制“何时记住、何时忘记、何时走便宜模型”。

多模态交互时间轴

把每次按键、语音输入、传感器事件、模型响应、TTS 输出与失败回退完整串成可回放时间轴，帮助产品经理和硬件工程师看到真实交互为何顺畅或为何尴尬。

设备舰队发布面板

将同一套行为策略发布到不同 form factor 的测试机或小规模设备批次，并按型号、固件版本、地区和用户组追踪成功率、延迟、日均互动次数与成本。

Interactive demo

三种最先能打动市场的使用场景

点击不同场景，查看从体验入口到北极星指标的 MVP 路线。

Use case

消费品牌的 AI 会员周边试验

很多品牌已经会做硬件周边，但还不会把一个物件持续运营成“会服务会员的界面”。

  • 品牌团队先在 ObjectFoundry 里定义设备角色，例如“会员专属桌面提醒器”，设定语气、可回答的话题、不能触碰的品牌边界与触发时机
  • 团队为不同动作配置模型与记忆策略：订单查询用企业 API + 小模型，开放式互动用云端大模型，高频提醒则走本地规则，控制成本与延迟
  • 设备上线后，面板持续展示每天最常见的触发场景、互动失败原因、记忆调用率和用户二次互动率，帮助团队决定该保留哪些行为、删掉哪些鸡肋功能
北极星指标：原型上线天数 / 每台设备的 7 日互动留存 / 每 100 次互动的云端调用成本

Stack

当前技术栈

  • 第一阶段先用静态展示页验证“对象级操作系统”这条叙事能否打动硬件创业团队、品牌 innovation lab 与 maker 社区，再收集候补设计伙伴。
  • 产品端优先做 Web 控制台，而不是手机 app；围绕 object profile、interaction event、memory policy、model route 和 device release 五个核心对象组织体验。
  • 后端可以用 Postgres 或 Supabase 存储设备配置、事件日志、记忆片段与发布版本，再用队列系统处理语音转写、模型调用和设备遥测聚合。
  • AI 层重点不是聊天窗口，而是 ASR/TTS、规则引擎、小模型与大模型的组合式路由，以及对多模态事件的上下文压缩与成本控制。
  • 设备侧先支持最现实的接入方式：MQTT / WebSocket 事件流、固件 webhook、简单按键与传感器输入，再逐步扩展到更复杂的 on-device inference。
  • 治理层需要从 Day 1 提供隐私与记忆开关、用户同意记录、行为版本回滚与 prompt / policy diff，对消费场景和品牌场景都很关键。

Risks

主要风险

  • AI 硬件市场本身仍在探索期，如果终端销量迟迟起不来，平台层可能会被认为市场过早。
  • 不同设备的麦克风、扬声器、功耗和联网能力差异极大，若抽象层做得过于理想化，实际落地会被硬件碎片化拖慢。
  • 一旦记忆策略或模型路由失控，设备很容易出现冒犯、泄露隐私或重复废话的问题，消费场景容错率很低。
  • 大型平台公司可能直接把类似能力打包进芯片 SDK 或系统框架，压缩独立软件层的空间。
  • 如果产品过于偏向 maker 友好而缺少企业级发布、遥测与权限能力，就难以真正进入品牌和消费电子团队的生产链路。

Next steps

如果继续迭代，接下来做什么