下一代个人智能体究竟会依附于什么硬件？

是手机、眼镜、耳机，还是一种新的随身设备？在声网 iRTE2026 实时智能大会的主论坛上，Agora 联合创始人 Tony Wang 把这个问题抛给了现场嘉宾。

有人认为，手机短期内仍会是最重要的入口；有人判断，未来不会只有一个入口，眼镜、耳机和其他设备会共同承担感知与执行；也有人相信，AI 眼镜有机会成为新的个人入口。

这场讨论的分歧，不只是新硬件会不会取代手机，也包括个人智能体是否会催生一种新的硬件形态。手机仍然拥有屏幕、算力、连接和用户习惯，但眼镜、耳机、吊坠和桌面设备更贴近人的感官与日常行为。下一代硬件的变化，未必是出现一个新的手机，也可能是多个设备开始共同承担过去由手机独自完成的工作。

个人智能体要靠什么设备，持续接近一个人的真实生活。设备离用户越近，能感知的场景就越连续；能获得的上下文越具体，模型才越有可能给出合适的反馈。

于是，对于「哪一种硬件会成为入口」这个问题，最终要落到另一个问题上：什么样的设备，能够让模型知道用户正在什么地方、刚刚做过什么，以及眼前的事情正在怎样发展？

当基础模型逐渐成为行业共同能力，硬件创业者真正需要回答的问题，也在发生变化。模型本身还能拉开什么差距？设备能不能持续获得真实场景，能不能把声音、画面、位置和行为组织起来，能不能在合适的时候给出反馈，反而变得更重要。竞争并不是基模已经不重要，而是单靠调用一个更大的模型，已经不足以形成完整的硬件产品。

对硬件创业者来说，机会因此不只在于做出一个新的外形，而在于找到一种模型无法独立获得的上下文。

这也是手机、眼镜、耳机和机器人反复被讨论的原因。它们的差别不只在外形，而在于各自能采集什么信息、能否把信息送给模型、又能不能把模型的判断带回现实场景。

在 iRTE2026 现场展出的数十款 AI 硬件产品，正好呈现了这条链路的不同环节：有的先把声音留下来，有的补充环境画面，有的积累长期行为数据，还有的要把理解变成一个真实动作。

先让上下文留下来

信人智能展示的是一套面向办公场景的智能记录与决策设备：随身端负责采集会议、谈话和临时想法，桌面端则负责在回到工作场景后继续调用这些信息。它不是一台单独工作的录音设备，而是由随身端、桌面端和机器人形态终端共同组成的一套办公交互系统。

联合创始人兼 CTO 郝新闻谈到，手机当然可以录音，电脑也可以打开 AI。但如果用户要先拿出手机，再开始录音，回到电脑前整理内容、输入指令、调用工具，这套流程很难让人每天坚持。随身设备先做的，是把谈话、想法和工作信息自然地留下来。

与其他录音卡和机器人不同的是，信人智能还把能力往前推进了一步：模型端，除了调用通用基础模型，还加入面向办公场景的决策能力；设备端，录音卡采集到的信息可以继续交给桌面端处理。这里的「决策」不必先写成完整的自动执行，更适合表述为对会议内容、待办事项和工作信息进行实时整理，并在需要时给出下一步建议。这样既保留了产品的差异，也不会把「采集上下文」和「替用户完成决策」混为一谈。

iKairos 的可穿戴吊坠，则在音频之外加入低分辨率摄像头，试图补足声音无法说明的环境信息。当用户说「我最近有点累」时，设备还需要知道这句话发生在健身房、深夜办公室，还是回家路上。不同场景里的同一句话，可能对应完全不同的回应。

光帆科技探索的是 AI 视觉耳机和硬件 OS。声音、画面、位置和设备状态被采集之后，还需要一套系统把它们组织起来，再接入模型和具体服务。硬件能听见或看见什么只是第一步，真正决定体验的，是这些信息能不能被放在一起理解。

这些产品的共同点，是它们都从通用模型无法自行获得的部分入手：现场声音、环境画面、佩戴状态、工作过程，以及用户长期积累的个人信息。硬件创业的价值，开始从「把模型装进设备」转向「为模型建立一条稳定、具体的现实入口」。

上下文不只要被记录，还要被理解

只把声音、画面和行为存下来，仍然不足以形成个人智能体。模型还要从连续信息中判断：哪些变化值得注意，哪些只是日常波动，什么时候应该提醒用户，什么时候应该保持安静。

PETKIT 小佩提供了一个很具体的例子。这家宠物智能硬件企业通过猫砂盆、摄像头等设备持续记录宠物的饮食、排泄、活动和行为变化，再尝试把这些数据用于泌尿等疾病的预防式健康管理。宠物不会直接描述哪里不舒服，主人也很难凭一次观察判断问题，只有长期数据才能让系统看到趋势。

这里的 AI 价值，不是替代一次问诊，而是把分散在日常里的细节积累起来，形成一段足够长的健康上下文。

宇视科技所聚焦的家庭安全生态，也已经超出了传统的门窗和摄像头。家庭需要保护的对象，正在从物理空间扩展到能源供应、数据隐私和智能系统本身的稳定运行。家庭 AI 不只是多装几个设备，还要重新安排边缘设备、本地数据和云端服务之间的关系，让系统在中心服务或网络出现波动时仍保留一定的韧性。

盒智科技的 Lookee 是一款面向儿童英语陪练的无屏机器人。CTO 张昊强调，儿童产品不能只看家长有没有打开设备、每天使用了多少分钟，更重要的是孩子是否愿意主动表达、分享自己的生活，并在一段时间之后仍然愿意回来。触摸、压力和声音反馈，有时比屏幕上的答案更直接。

宠物、家庭和儿童场景说明，AI 硬件如果想进入生活，不能只在用户主动提问时工作。它需要理解一段持续发生的关系，也需要在长期使用中积累足够多的上下文。

从理解状态，到判断下一步

当设备拥有了连续的声音、画面和行为信息，问题就从「发生了什么」进入「接下来应该做什么」。这也是个人智能体与普通记录工具拉开距离的地方。

信人智能的桌面端可以把随身记录继续带入办公流程，例如关联此前的沟通内容、整理会议信息、识别待办事项，并根据已有资料给出决策建议。这里的重点不是让设备替用户做出所有决定，而是让记录下来的上下文不止停留在文件里，而是能够参与之后的工作判断。

Rokid 的 AI 眼镜探索，则体现了另一种判断。负责生态的联合创始人蔡国祥认为：眼镜贴近用户的视线和听觉，适合用语音作为自然交互方式，也更有机会在用户不方便操作手机时提供帮助。但眼镜不能只会被动回答，也不能频繁打断用户。它需要结合环境、用户状态和当前任务，判断什么时候回应，什么时候保持安静。

△ 乐奇 Rokid 全球首家 AI 眼镜无人自助体验店登陆香港海港城，图源：左、右下：深圳湾，右上：乐奇 Rokid 公众号

这类设备的难点不在于多加一个摄像头或其他传感器，而在于建立「是否该回应」的判断。个人智能体必须知道什么信息与当前任务相关，也要知道什么时候不应该把所有感知结果都推给用户。

新硬件的机会，不一定来自一种全新的设备类别，也可能来自对已有设备重新分工。手机继续承担复杂操作，眼镜负责视野和语音，吊坠负责持续采集，桌面设备负责整理和决策，机器人负责执行。个人智能体的出现，正在把「一个设备完成所有事情」的产品逻辑拆开。

从判断下一步，到把动作做出来

如果说录音卡、吊坠和耳机帮助 AI 接近用户，宠物、家庭和儿童设备让 AI 理解长期变化，那么机器人还要完成最后一步：把判断转化为动作，并在动作之后重新观察环境。

陆吾智能从桌面级机器狗做起，又把产品形态延伸到机器鸭。CPO 李时念谈到，通过 MicroPython、仿真平台、SDK 和外部传感器，用户可以修改软件、结构和配色，甚至替换设备的「大脑」。Vibe Coding 让开发者、学生和普通用户都能参与具身设备的二次开发。

机器狗和机器鸭的意义，不只在于它们能完成某个动作，而在于它们正在被做成一种可以继续开发的载体。用户提交的新动作、新结构和新模型，也会反过来成为产品生态的一部分。

Stack-chan 的原型发起人石川真也分享到，个人机器人项目如何通过开源社区逐渐长出新的形态，它的价值不只是一个小脸机器人，而是让参与者可以共同修改硬件结构、软件接口和交互方式。

由此可见，桌面小机器人并不是某一家大厂突然定义出来的新品类，开发者社区早已在用低算力硬件不断试验它的形态和玩法。

声网开发的新一代开发套件 R2，则是在这条路径上增加了更完整的实时多模态能力。相比更偏向单一交互或原型验证的桌面机器人，R2 将摄像头、麦克风、实时音视频链路、可扩展的动作结构和端云协同组合到了一起：摄像头持续观察，麦克风收集声音，音频和视频上下文通过实时链路送往 AI，模型的判断再返回设备，驱动底座、轮组、机械臂或其他执行结构。

△ 图源：左：声网，右：深圳湾

R2 的变化不只是多装了一个摄像头，它把设备从「能听、能说」的交互终端推进到「能看、能听、能根据环境变化做出反馈」的开发框架；同时，硬件结构与具体执行机构保持一定解耦，开发者可以根据场景替换底座、轮组或机械臂。

声网把 R2 定位为开放、可扩展的开发套件，也是在回答一个产业问题：AI 硬件不应只展示一次 Demo，还要让更多团队能够在同一套实时能力上继续开发。

为什么这条链路必须实时

从感知到理解，从理解到决策，再从决策回到执行，任何一个环节延迟过大，设备都会失去对现实的跟随能力。

这也解释了为什么个人智能体会带来一轮新的硬件机会：硬件不再只是模型的容器，而是现实世界与模型之间的持续接口。接口是否稳定，决定了模型能否获得上下文，模型的判断是否及时返回，又决定了设备能否继续参与现实过程。

声网 Physical AI 产品负责人冯晓东强调「识图」和「观察」的差别，正是因为静态识别无法支撑这条完整链路。识图只能回答画面里有什么；观察则要理解事情正在怎样发生。

用户搭积木时，单张图片可以指出哪一块放错了，却无法说明用户是刚开始搭、已经尝试了几次，还是因为前面的步骤理解错了，才导致现在出现问题。连续观察，才有机会把当前画面和此前的过程联系起来。

因此，Physical AI 需要经历「观察现场、理解状态和意图、用语言或动作回应、再次观察现场」的循环。动作完成之后，环境已经发生变化，机器人必须重新判断：人的位置变了，物品被拿走了，用户也可能临时改变了想法。

这条链路对网络和设备提出了具体要求。声网 IoT 产品负责人李志杰谈到的连通率、首帧速度、弱网卡顿、低功耗和跨网络适配，这些看起来不起眼的问题，却直接决定了上下文能不能及时抵达模型，模型的判断能不能及时回到设备。

博通集成、瑞芯微等芯片和方案厂商提供的端侧算力、音视频处理、无线连接和开发平台，则是在填补从 Demo 到产品之间的工程空缺。

所以说，AI 硬件要真正工作，必须让感知、理解、决策和执行在时间上彼此对得上，这就是实时的意义。

个人智能体重新定义下一代硬件意味着什么

回到开篇 Tony Wang 提出的问题，手机、眼镜、耳机、录音卡、吊坠、桌面设备和机器人，都可能成为个人智能体的一部分。

它们各自擅长的事情不同：录音卡负责留下信息，耳机和眼镜贴近用户的感官，宠物和家庭设备积累长期生活数据，机器人把理解转化为动作，手机和桌面设备则承担更复杂的任务处理。

如果个人智能体正在重新定义下一代硬件，它重新定义的就不只是设备外形，而是硬件的任务。设备不再只是提供屏幕、摄像头或麦克风，而要负责持续获取上下文、筛选信息、理解环境，并把模型的判断带回现实。

这就为硬件创业带来了新机会：不必重复训练一个基础模型，也不必等待一种设备具备「成为下一部手机」的能力，而是围绕具体场景建立自己的感知入口、数据积累、交互方式和执行能力。谁能把这些环节做成长期可用的产品，谁就可能在个人智能体时代获得自己的位置。

下一代个人智能体未必会住进某一种设备，也未必需要一个唯一入口。它更可能分散在用户身边的多个终端里，随着场景变化，接力完成感知、理解和执行。

模型不缺回答问题的能力，真正缺少的，是理解问题发生时用户处境的上下文。

AI 硬件接下来要解决的，也不是再做一个更惊艳的 Demo，而是让感知、理解、决策、执行和长期使用真正连起来。设备得知道什么时候该看、该听、该问、该行动，也得知道什么时候保持安静。

总结下来，在 iRTE2026 现场分享的各种硬件实践共同指向了一个变化：AI 硬件开始从等待用户发出指令，走向先理解现实，再决定如何回应。而声网试图提供的，是让这些设备、模型和服务持续连接起来的实时基础能力。

注：以上内容由深圳湾编辑团队基于声网 iRTE2026 主论坛和智能硬件与具身智能专场的分享内容整理。

主笔：周森

编辑：陈述