獲億元級融資，90後CEO押注“自進化個人AI”；為什麼一定要做成硬件？
一家由90後創辦的AI新創公司，近日宣布完成億元級人民幣融資，引發市場關注。這家公司的核心產品定位為「自進化個人AI」，且特別強調必須以硬體形式落地，而非單純的軟體或雲端服務。在當前AI應用多半圍繞大語言模型與對話式介面的潮流中，這項選擇顯得相當獨特。該公司創辦人兼執行長是一位90後連續創業者，過去曾在消費電子與AI領域累積經驗。他認為，真正的個人AI不該只是手機裡的App或網頁端的聊天機器人，而應該是一個能全天候貼近使用者、持續學習並自主進化的實體裝置。這項融資將主要用於產品研發、供應鏈建置以及初期量產準備。所謂「自進化個人AI」，指的是具備持續學習能力的人工智慧系統。
不同於傳統AI模型在訓練完成後就固定下來，這類系統能夠在使用過程中根據用戶的行為、偏好與環境變化，不斷調整自己的行為模式與知識庫。創辦人比喻，這就像一個從出生就開始陪伴使用者的數位夥伴，越用越懂你，而不是每次更新都需要重新訓練。然而，為什麼一定要做成硬體？這背後有幾個關鍵考量。首先，軟體形式的AI助理往往受限於平台生態，例如在手機上必須遵守iOS或Android的權限限制，無法真正實現「無所不在」的感知與互動。硬體裝置可以擁有自己的麥克風陣列、鏡頭、感測器，甚至能連動智慧家庭設備，提供更自然、更即時的服務。其次，隱私與資料主權是另一個重要因素。
雲端AI雖然方便，但用戶的對話紀錄與個人數據必須上傳至伺服器，容易引發隱私疑慮。硬體本地端運算可以將大部分資料處理留在裝置內部，只在不需識別個人身份的情況下進行雲端同步，大幅降低資料外洩風險。創辦人強調，這正是許多用戶對現有AI助理感到卻步的主因。此外，硬體載體還能創造更深的用戶黏著度。當一個裝置被擺放在家中或隨身攜帶，它就不只是工具，而是生活的一部分。創辦人觀察到，過去智慧音箱或智慧螢幕之所以未能普及，主因在於它們的AI能力不夠聰明，無法真正理解用戶的長遠需求。而新一代自進化AI結合更強大的晶片與邊緣運算，有機會突破這個瓶頸。
從市場趨勢來看，2026年全球AI個人助理領域正迎來新一波資金熱潮。矽谷已有不少新創在尚未推出產品的情況下獲得高估值，顯示投資人對「個人AI代理人」這個賽道極度看好。這家公司的億元級融資正是在此背景下完成，投資方包括多家專注於硬體與AI的創投機構，以及幾位知名科技業天使投資人。不過，硬體創業的難度遠高於純軟體。從工業設計、機構模具、供應鏈管理到通路銷售，每一步都需要大量資金與時間。創辦人坦言，選擇硬體是一條更艱難的路，但他認為，唯有如此才能打造出真正符合「自進化」理念的產品。團隊目前正在進行最後階段的工程驗證，預計在未來數月內公開產品原型。
業界分析師指出，個人AI硬體市場目前仍處於早期階段，尚未出現殺手級產品。蘋果、Google、亞馬遜等巨頭雖然布局智慧音箱與穿戴式裝置，但它們的AI助理多數仍以雲端為核心，本地端學習能力有限。這家新創的「自進化」路線若能成功，或許能開創一個全新的產品類別，就像當年iPhone重新定義了手機一樣。當然，挑戰依然嚴峻。除了硬體製造的技術門檻，AI模型的持續進化也需要龐大的運算資源與數據回饋。如何在不犧牲隱私的前提下收集足夠的訓練資料，是技術團隊必須解決的關鍵課題。此外，消費者是否願意為一個全新的硬體裝置買單，也需要市場驗證。
融資到位後，公司將加速招募軟硬體人才，並與多家晶片供應商及代工廠建立合作關係。創辦人表示，他們不急於搶快上市，而是希望在第一代產品就能提供讓用戶「哇」的體驗。如果一切順利，這款自進化個人AI硬體有望在明年進入量產，屆時將正式接受市場考驗。
Related
相關文章
演員吳越遭 AI 換臉帶貨，微信視頻號：涉事賬號永久封禁、內容清空
AI資訊AI新閒資訊正文演員吳越遭 AI 換臉帶貨，微信視頻號：涉事賬號永久封禁、內容清空發布於AI新閒資訊時間 :Oct 19, 2026閱讀 :1分鐘演員吳越昨日發聲稱，微信視頻號"花姐美膚日記"利用 AI 炮製了她的虛假帶貨視頻。她曬出的錄屏顯示，該賬號發佈了一段"吳越"出鏡的 AI 視頻：開頭便是"吳越"在帶貨，隨後拼接她公開活動的畫面，並借"吳越"的口吻稱"這個產品不是他們找我，是我找他們的……效果是真的非常直觀"。更離譜的是，視頻末尾還出現了疑似鄧亞萍的帶貨片段，一人冒用牽連多人。據澎湃新聞從微信團隊核實，目前該賬號已被永久封禁，相關內容清空不可見。踩中"清朗"專項整治紅線這起事件正撞在監管的槍口上。9 月 30 日，中央網信辦印發通知，在全國部署為期 2 個月的"清朗·整治短視頻虛假人設亂象"專項行動，重點整治利用 AI 仿冒人物等行為——包括通過 AI 合成虛假音視頻，假冒公眾人物實施虛假代言、營銷等侵權違法活動。當 AI 換臉擬聲的門檻低到隨手可制，公眾人物成了最易被"借臉"的對象。此次微信視頻號快速封號清空的處置，既是平臺對侵權內容的即時止血，也呼應了專項整治對仿冒亂象的零容忍。對普通用戶而言，刷到"明星親自帶貨"時多留個心眼，或許比事後維權更管用——畢竟一鍵生成的假臉，肉眼越來越難辨。相關推薦算力相當於全人類不吃不喝算 200 年！我國首個全國產十萬卡 AI 超集群“曙光 8000”真機震撼亮相在深圳舉行的2026全國高性能計算學術大會上，我國首個全國產十萬卡AI超集群“曙光8000”真機首次公開亮相，並將集中發佈十大重要應用成果。其算力可構建“數字孿生大腦”，模擬百億光年宇宙演化；核心是通過高速互聯技術整合十萬張國產AI加速卡，實現規模與算力突破。Oct 19, 2026108.5k成本砍掉90%！DeepSeek-V4.1-Flash 重磅升級：逆
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。