物理AI改写追觅的成长逻辑

2014年，GoPro创始人尼克·伍德曼戴着自家的运动相机，在纳斯达克敲钟上市。那台巴掌大小的运动相机，改变了普通人记录世界的方式。资本市场迅速为这项创造力定价，公司的市值一度超过110亿美元。 GoPro代表了旧时代最令人向往的估值逻辑：发明一个品类或者打造一件爆款，再借助品牌和供应链占领全球市场。资本市场愿意为这种创造力支付科技公司的溢价。 随着摄像头、传感器、算法和大模型进入越来越多的物理设备，产品开始拥有感知环境、理解需求和自主决策的能力。过去高度依附于单一硬件的技术能力，正在被抽象成算法、数据和系统能力，在不同产品之间迁移，并作用于物理世界。 作为AI时代的公司代表，追觅正在验证这套逻辑。这家从扫地机起步的公司，通过与AI的深度融合，已将智能化从清洁领域延伸至家电厨电等全屋生态，打破单纯依靠产品迭代的估值天花板。 近期结束的世界人工智能大会（WAIC）上，一个明显的变化正在发生：人形机器人、车载全域智能、端侧AI手机、工业全链路智能产线成为最受关注的展示载体。越来越多企业开始把AI能力从实验室推向真实场景，从单点技术展示转向系统整合和商业化落地。 这一变化也正在影响资本市场对科技企业的判断，早期，市场潮流是比拼算法，看谁能研发更强的模型。如今，竞争开始进入另一个阶段：各家企业都在试图把AI真正装进产品，进入真实世界。 单纯拥有某项算法能力，并不意味着能够创造长期价值。真正具有想象空间的企业，需要同时具备技术研发、产品定义、制造能力和应用场景，把AI能力转化为持续产生商业价值的产品。 家庭智能是这场变化最早发生的领域之一，扫地机器人则提供了最直观的样本。十多年前，它更多是一台按照固定程序移动的清洁设备。今天，一台高端扫地机器人已经需要完成一系列复杂任务：识别空间环境，判断障碍物类型，规划清洁路径，并根据不同情况调整运行策略，成为AI进入物理世界最成熟的消费级载体之一。 追觅扫地机通过行业首创的超广角双目灵动导航避障技术，实现了行业领先的智能识别能力。该技术结合双 RGB AI摄像头与3D深度感知能力，可精准识别280+类物体，其中线束识别率可达100%，宠物本体识别率99%。同时，双目依托AI算法可精准识别液体污渍、宠物毛发等，即便在暗光、弱纹理等复杂场景下依旧稳定可靠。 同时搭载的全球范围内首创的20万转/分钟高速数字马达，以及同样为首创的仿生机械臂，让扫地机在精准感知之后，能够给出合适的清洁方案，并完成任务。 这种软硬件协同的系统能力，让追觅构成了一套完整的智能系统，在这套系统中，算法的价值不会随着某一代产品退出市场而消失，而是通过不断对家庭空间的理解，迭代其运动控制、语音交互和环境感知等能力，同时出现在各种形态的产品上，不管是扫地机器人，还是下一代具身智能，最终都会落位在家庭真实场景中，解决用户痛点，实现商业化落地。 对于当下的资本市场来说，人工智能的政策窗口仍在，产业资本开支也没有退潮，但投资人正在追问一个过去被增长掩盖的问题：收入在扩张，但算力成本和客户交付成本也在同步上升，庞大的资本投入，最后究竟能够沉淀多少利润、现金流和股东回报。 2017年成立时，追觅最重要的技术标签是高速数字马达。以此为突破口，追觅建立了电磁、气动、驱动、材料、散热和降噪能力。而随着扫地机器人智能化应用，追觅又积累了另一套算法能力：传感、视觉、定位、路径规划和运动控制。 这些技术正是当下物理AI的趋势——让机器理解周围发生了什么，并自主完成任务，而追觅将底层能力抽象出来，让不同产品品类之间形成联动，就构成了平台化技术，只要一台设备能够感知环境、进行决策，并通过控制系统改变物理世界，它就具备机器人的基本逻辑。 追觅已经成熟的视觉识别、定位导航和运动控制算法，可以同时服务于扫地机器人、庭院机器人和泳池机器人；马达、机械臂技术也可以被洗地机、吸尘器调用。而AI平台形成后，同一套算法、数据工具、云服务和控制框架可以支持多条产品线。在此基础上，一次研发投入对应更多收入来源，追觅没有减少研发投入总额，但单位产品承担的研发成本会下降，研发投入的产出效率随之提高。 同时，平台化还可能缩短新产品从立项到上市的周期，利用已有模型和真实场景数据完成训练，在成熟的软件架构上开发产品，减少重复验证和技术探索。研发周期缩短，意味着前期资金占用减少、收入确认提前，新产品达到盈亏平衡所需的时间也可能缩短。 这是一种不同于单纯削减预算的成本优化。平台型企业仍可能维持较高研发投入，但AI时代最终比拼的是底层能力的复用效率，从而支撑更多收入、更高毛利以及更快的资本周转。 在平台化能力之上，追觅建立起了一个由产品、数据和算法构成的循环：产品进入更多家庭和场景，在用户授权和隐私保护的前提下形成反馈；数据用于优化物体识别、路径规划和运动控制等算法逻辑；算法升级再提升产品体验，并沉淀为可以迁移至其他品类的能力。 这一循环与传统公司的增长方式不同。传统产品售出后，其技术能力基本固定，企业需要依靠下一代产品升级重新刺激需求。AI时代，旧的产品也可以通过OTA实现不断进化，同时，产品运行中一次识别、一次调整，经过归纳和训练，都成为后续产品解决同类问题的经验。即便一款产品退出市场，其背后的数据、模型和工程能力仍可留在平台上。 而当产品从扫地机器人扩展至不同场景中的终端，数据的价值也开始面向家庭全场景的理解。不同设备面对不同环境，却可以共同完善企业对空间、用户需求和机器行为的认知。这些认知再被转化为新的产品功能和技术模块，推动产品体验继续改善。 由此，一套增长飞轮开始形成：产品规模扩大带来更丰富的场景反馈，反馈推动算法进步，算法提升产品竞争力，并降低新品类开发成本；新品类进入市场后，又为系统增加新的数据和收入来源。由此，追觅的物理AI能力以螺旋式的方式不断循环增长。 回顾前三次工业革命的历程，都是在不断优化、修正、迭代中螺旋式上升，提升生产效率、降低生产成本，最后改写了经济增长引擎。人工智能行业遵循着同样的范式，能否解决现实世界的一系列痛点，能否降低人工智能生产要素的成本，能否跑通规模化的创新与赋能，既是洞见人工智能价值的底层逻辑，也是丈量人工智能企业的终极参考。