從黑膠帶測(cè)試到跨設(shè)備智能體，兩個(gè)語音老兵等了十年

AI如何與用戶建立全場(chǎng)景連接，

并持續(xù)獲得聊天框之外的上下文？

多年前，一輛小鵬汽車的中控屏被黑色膠帶嚴(yán)嚴(yán)實(shí)實(shí)地封住。

在那次媒體測(cè)試中，體驗(yàn)者看不見界面，也不能觸碰屏幕，只能靠說話完成車內(nèi)操作，測(cè)試最終跑通。時(shí)任小鵬語音業(yè)務(wù)負(fù)責(zé)人的趙恒藝后來回憶：“在我們的理解里，屏幕是輔助。關(guān)鍵是怎樣通過有效溝通幫助用戶真正把事情做完。”

那時(shí)，車載語音還在努力解決喚醒、識(shí)別和固定指令。黑膠帶測(cè)試帶著一點(diǎn)產(chǎn)品經(jīng)理的執(zhí)拗，事實(shí)上也把一個(gè)更長(zhǎng)遠(yuǎn)的問題推到了臺(tái)前：當(dāng)屏幕退到后臺(tái)，機(jī)器靠什么理解人，又怎樣接住人的下一步需求？

多年過去，大模型讓這道題又浮出了水面。機(jī)器開始理解語義、接受打斷、調(diào)用工具，AI也沿著聊天框向現(xiàn)實(shí)世界伸展。2025年，OpenAI將Jony Ive等人創(chuàng)辦的io團(tuán)隊(duì)并入公司；Amazon和Meta隨后將環(huán)境式AI設(shè)備公司Bee、可穿戴設(shè)備公司Limitless收入旗下。

這些巨頭爭(zhēng)奪硬件，背后的目的再清晰不過——AI如何與用戶建立全場(chǎng)景連接，并持續(xù)獲得聊天框之外的上下文？

“AI與人的連接應(yīng)該覆蓋全場(chǎng)景。”趙恒藝對(duì)36氪說，人從車?yán)镒哌M(jìn)辦公室，再回到家中，身邊的設(shè)備不斷變化，同一個(gè)智能體仍應(yīng)認(rèn)出他，延續(xù)此前的記憶，并調(diào)用眼前設(shè)備的能力。

看不見又摸不著的聲音，在這個(gè)過程中承擔(dān)起串聯(lián)的交互核心。它能伴隨人移動(dòng)，輸入速度快，還攜帶遲疑、確信、停頓和情緒。趙恒藝形容，語音“像空氣和水一樣太自然”，所以長(zhǎng)期被低估。

2024年底成立的Hojo，正從這條不起眼的縫隙切入，它把自己定位為面向智能硬件的AI Stack。

創(chuàng)始人兼CEO趙恒藝先后在樂視、思必馳、小鵬、蔚來和商湯做過語音平臺(tái)、機(jī)器人、智能座艙與AgentOS；聯(lián)合創(chuàng)始人兼首席科學(xué)家蘇丹從百度、滴滴做到騰訊AI Lab，經(jīng)歷了語音識(shí)別從手機(jī)近場(chǎng)走向遠(yuǎn)場(chǎng)拾音、多模態(tài)和語音大模型的整個(gè)周期。

趙恒藝與蘇丹在語音行業(yè)認(rèn)識(shí)近十年，前者沿產(chǎn)品、硬件和供應(yīng)鏈向前，后者沿模型、聲學(xué)和工程向下。直到大模型時(shí)代的到來，二人的職業(yè)軌跡最終在Hojo這個(gè)路口匯合。

左為趙恒藝，右為蘇丹

他們想共同回答一個(gè)問題：讓AI離開聊天框之后，怎樣進(jìn)入真實(shí)硬件，并在那里持續(xù)理解一個(gè)人？

兩個(gè)語音老兵

終于在大模型時(shí)代會(huì)合

趙恒藝做語音已經(jīng)將近十年。

過去這十年，從移動(dòng)互聯(lián)網(wǎng)、IoT時(shí)代的智能音箱，到汽車智能化，再到當(dāng)下的大模型，技術(shù)浪潮幾次更迭，讓人驚訝的是，他的職業(yè)路線始終沒有偏離語音。

在思必馳，他負(fù)責(zé)DUI平臺(tái)，并在2018年開辟會(huì)議業(yè)務(wù)；到了小鵬，他把語音放進(jìn)汽車和機(jī)器人；蔚來NOMI又讓他看到，用戶會(huì)對(duì)一個(gè)有聲音、表情和性格的交互對(duì)象形成情感黏性。

趙恒藝認(rèn)為，語音的價(jià)值從來不只在輸入速度。遲疑、停頓、確信和情緒都藏在聲音里，而這些信息很難被一段整理過的文字完整保留下來。

這種對(duì)語音的篤定，源自校園時(shí)期的一句話——“沒有聲音，再好的戲也出不來”。他喜歡音樂和Hi-Fi，于是放棄視覺方向，進(jìn)入實(shí)驗(yàn)室研究語音與音頻。某種程度上，這也奠定了他后來的產(chǎn)品觀：AI進(jìn)入現(xiàn)實(shí)世界，人與機(jī)器之間最自然、信息最豐富的溝通方式仍然是語音。

蘇丹的職業(yè)軌跡，則更接近一部語音技術(shù)的縮影。

他是一個(gè)典型的大廠技術(shù)派。他在北大讀博時(shí)研究語音識(shí)別，進(jìn)入百度時(shí)，智能手機(jī)剛把語音搜索和輸入法帶到真實(shí)用戶；此后在滴滴和騰訊，他的工作從語音識(shí)別延伸到多模態(tài)語音交互與語音大模型，重點(diǎn)解決多語種一體化、垂直領(lǐng)域優(yōu)化，以及流式、全雙工體驗(yàn)等問題。

語音識(shí)別是深度學(xué)習(xí)最早實(shí)現(xiàn)規(guī)模化產(chǎn)業(yè)應(yīng)用的領(lǐng)域之一。如今，大模型又把原本分散的識(shí)別、合成和對(duì)話能力重新收攏。而這一輪變化，對(duì)大廠技術(shù)人員的沖擊遠(yuǎn)比預(yù)想中來得更猛烈。

事實(shí)上，大模型正在改變這些技術(shù)派看待組織的方式。

過去分立的技術(shù)方向迅速匯合，模型、數(shù)據(jù)、算力和業(yè)務(wù)需要重新協(xié)同，大公司的資源卻很難跟著技術(shù)路線同步移動(dòng)。蘇丹希望“在更靈活的組織里調(diào)配資源、推進(jìn)工作”，也希望技術(shù)更早接觸真實(shí)應(yīng)用。同樣待過幾個(gè)主機(jī)廠的趙恒藝，其困擾則是來自組織流程層面，在大公司推進(jìn)跨部門項(xiàng)目，大量時(shí)間耗在解釋、協(xié)調(diào)和爭(zhēng)取資源上，一些決策經(jīng)過幾個(gè)月才落地。

兩人的職業(yè)道路早已有過交集，卻一直沒有真正共事。大模型興起后，模型、數(shù)據(jù)、產(chǎn)品與硬件被推向同一套體系，兩人才形成共同創(chuàng)業(yè)的明確共識(shí)：把語音模型、產(chǎn)品體驗(yàn)與硬件工程放進(jìn)同一家公司，面向智能硬件搭建完整的AI Stack。

2024年底，Hojo注冊(cè)成立。創(chuàng)業(yè)后的分工也沿著二人擅長(zhǎng)的部分展開。趙恒藝更靠近用戶、產(chǎn)品、客戶和供應(yīng)鏈，蘇丹負(fù)責(zé)把需求拆回聲學(xué)、模型與工程鏈路。蘇丹這樣評(píng)價(jià)趙恒藝的產(chǎn)品直覺：“他會(huì)先想清楚用戶和產(chǎn)品，再反推技術(shù)要補(bǔ)哪一塊。”

這也是兩人第一次對(duì)外完整解釋Hojo這個(gè)名字：它來自兩位創(chuàng)始人英文名的首字母。團(tuán)隊(duì)又為HOJO賦予Holistic Omni Joint Operator的含義，分別代表著全域、全模態(tài)、跨設(shè)備與交互系統(tǒng)。一個(gè)名字就把兩人的分工和公司的目標(biāo)勾連在一起。

正如這場(chǎng)訪談中二人的分工一樣，趙恒藝更多回答用戶、產(chǎn)品、客戶和供應(yīng)鏈的問題；話題進(jìn)入聲學(xué)前端、模型邊界或硬件壽命，蘇丹便接過來。兩人很少鋪陳情緒，通常直接把問題拆成技術(shù)條件與商業(yè)約束。

創(chuàng)業(yè)之初，二人便決定同時(shí)投入ASR、小尺寸TTS和原生全雙工語音模型。蘇丹把這三條路線歸因于“產(chǎn)品側(cè)逼出來的需求”：設(shè)備需要一套穩(wěn)定、低延遲且成本可控的模型方案。其中，原生全雙工語音情感對(duì)話大模型最初由他提出并推動(dòng)。他認(rèn)為，下一代語音交互不能停留在“你說完—我識(shí)別—我回答”的輪次里，而要允許用戶隨時(shí)打斷，讓模型能夠邊聽、邊想、邊說。

三條模型線也并非彼此孤立。它們共用數(shù)據(jù)清洗與增廣流水線、訓(xùn)練框架和評(píng)測(cè)體系，ASR標(biāo)注與TTS合成數(shù)據(jù)還會(huì)反哺全雙工訓(xùn)練。蘇丹表示，“語音流水線”作為一個(gè)獨(dú)立產(chǎn)業(yè)正在消失，但語音能力作為智能體的底層器官，只會(huì)變得更重要，尤其是在人機(jī)對(duì)話和內(nèi)容創(chuàng)作這兩個(gè)主要方向。

換言之，通用模型能夠吸收基礎(chǔ)能力，流式改造、垂域適配、大模型輕量化、推理加速等問題仍要在真實(shí)設(shè)備中解決。記憶、任務(wù)執(zhí)行、App和訂閱，也不會(huì)隨著一個(gè)API接入自動(dòng)出現(xiàn)。

對(duì)一家創(chuàng)業(yè)公司而言，同時(shí)壓上三條模型線是一筆重投入。但蘇丹當(dāng)時(shí)的判斷是，通用模型越強(qiáng)，單獨(dú)售賣ASR或TTS能力的空間越窄；真正需要Hojo掌握的，是與硬件和產(chǎn)品體驗(yàn)強(qiáng)耦合的部分，以及模型進(jìn)入設(shè)備后的漫長(zhǎng)距離。

2026年6月，Hojo開源Hojo-ASR-V1，并在Hugging Face Open ASR Leaderboard實(shí)測(cè)榜單中位列第二，僅次于微軟；其小尺寸Hojo-TTS-Light-40M只有4000萬參數(shù)，全雙工模型的首音響應(yīng)進(jìn)入100毫秒級(jí)。這些指標(biāo)只覆蓋技術(shù)鏈條的一部分，但Hojo想解決的，是一段聲音進(jìn)入設(shè)備后，能否被穩(wěn)定理解、轉(zhuǎn)化為行動(dòng)，并沉淀成下一次交互可調(diào)用的記憶。

從一輛車

走向更多設(shè)備

趙恒藝對(duì)跨設(shè)備智能體的設(shè)想，并非靈光乍現(xiàn)，而是來自幾段主機(jī)廠經(jīng)歷的持續(xù)演進(jìn)。

小鵬讓他第一次認(rèn)真思考，語音怎樣進(jìn)入物理世界。汽車和機(jī)器人都要求系統(tǒng)在屏幕之外理解人，當(dāng)年黑膠帶測(cè)試驗(yàn)證的正是語音能否獨(dú)立完成任務(wù)。

在蔚來，NOMI讓他看到，用戶會(huì)對(duì)一個(gè)帶有聲音、表情和性格的交互對(duì)象建立情感黏性。蔚來當(dāng)時(shí)也在做手機(jī)，趙恒藝希望NOMI出現(xiàn)在多個(gè)終端上，讓用戶走到哪里都能繼續(xù)交互。

但一家主機(jī)廠的能力邊界，很難延伸至車外的全部生活場(chǎng)景。“如果有機(jī)會(huì)創(chuàng)辦一家公司，就不應(yīng)該只局限在車內(nèi)。”趙恒藝回憶，正是在那時(shí)，他開始設(shè)想將AI與人的連接從座艙延伸至更廣闊的生活場(chǎng)景，這個(gè)構(gòu)想后來也成為Hojo成立的起點(diǎn)。

到后來做AgentOS，他把這一路思考進(jìn)一步推向跨設(shè)備：同一個(gè)Agent應(yīng)當(dāng)知道用戶在不同終端上做過什么，也應(yīng)理解面前這臺(tái)設(shè)備能錄音、能播報(bào)，還是能顯示文字。2024年，Hojo注冊(cè)成立后，團(tuán)隊(duì)沒有立刻鋪開所有場(chǎng)景，而是先回到最熟悉的汽車座艙，推進(jìn)首個(gè)核心項(xiàng)目。

汽車近似一座語音技術(shù)的高壓實(shí)驗(yàn)室。車內(nèi)同時(shí)存在多人交談、風(fēng)噪、胎噪和弱網(wǎng)，系統(tǒng)還要滿足低延遲與高穩(wěn)定性。這樣的環(huán)境，讓兩人的能力相互耦合——蘇丹長(zhǎng)期處理遠(yuǎn)場(chǎng)語音與復(fù)雜聲學(xué)，熟悉麥克風(fēng)陣列、前端增強(qiáng)和噪聲環(huán)境下的魯棒性；趙恒藝則更熟悉產(chǎn)品定義、客戶需求與量產(chǎn)交付。

據(jù)Hojo披露，公司已向一家汽車大客戶交付部分功能，部分能力已經(jīng)上車。相較于快速?gòu)?fù)制更多大客戶項(xiàng)目，趙恒藝更愿意先把一家關(guān)鍵客戶做成標(biāo)桿。因?yàn)轫?xiàng)目鋪得太快，工程師會(huì)被拆進(jìn)不同需求，研發(fā)力量也會(huì)隨之被切碎。對(duì)于資源有限的初創(chuàng)公司，把一個(gè)核心項(xiàng)目做成標(biāo)桿，比單純?cè)黾雍贤瑪?shù)量更能檢驗(yàn)?zāi)芰Α?/p>

趙恒藝早年已經(jīng)在消費(fèi)電子領(lǐng)域積累軟硬結(jié)合經(jīng)驗(yàn)，汽車項(xiàng)目又進(jìn)一步強(qiáng)化了復(fù)雜聲學(xué)、弱網(wǎng)、低延遲與量產(chǎn)能力。如今，這些能力被重新遷移到耳機(jī)、錄音設(shè)備和隨身硬件。各類設(shè)備的聲學(xué)結(jié)構(gòu)、藍(lán)牙鏈路、固件與App不同，但遠(yuǎn)場(chǎng)拾音、低延遲交互、端云協(xié)同和量產(chǎn)經(jīng)驗(yàn)可以復(fù)用。

Hojo要攻克的難點(diǎn)就在于，麥克風(fēng)采集的音頻怎樣穩(wěn)定推流到App，用戶能否不拿出手機(jī)就開始錄音，設(shè)備在弱網(wǎng)甚至斷網(wǎng)時(shí)如何降級(jí)。趙恒藝表示，接入一個(gè)大模型API無法自動(dòng)解決這些問題。

某種意義上，汽車?yán)^續(xù)充當(dāng)高標(biāo)準(zhǔn)驗(yàn)證場(chǎng)，而消費(fèi)電子則承擔(dān)規(guī)模化的任務(wù)。后者的市場(chǎng)更為寬闊。IDC預(yù)計(jì)，2026年全球耳戴設(shè)備出貨量將達(dá)到4.076億臺(tái)，智能眼鏡出貨量約1360萬臺(tái)，同比增長(zhǎng)41.4%。與已經(jīng)高度集中的智能手機(jī)相比，這些品類由更多品牌共同占據(jù)。許多廠商擅長(zhǎng)工業(yè)設(shè)計(jì)、供應(yīng)鏈和渠道，卻沒有能力獨(dú)立搭建模型、Agent、App與訂閱體系。

手機(jī)雖然是規(guī)模最大的智能終端，Hojo卻選擇戰(zhàn)略性放棄這個(gè)市場(chǎng)。2025年全球智能手機(jī)出貨量在12億部以上，頭部廠商掌握操作系統(tǒng)入口、賬戶和用戶上下文，核心AI能力大多會(huì)留在內(nèi)部。Hojo主動(dòng)放棄手機(jī)整機(jī)生態(tài)，把注意力投向品類分散、品牌眾多的耳戴、錄音和隨身設(shè)備。

數(shù)億臺(tái)設(shè)備

只挑最“重”的聲音

硬件市場(chǎng)可以很寬，但Hojo要做的反而是把場(chǎng)景收窄。

對(duì)于場(chǎng)景，趙恒藝反復(fù)提到的一個(gè)詞是“信息密度”。這家公司沒有沿著“萬物接入AI”的思路擴(kuò)品類，而是先算兩筆賬：一次交互傳遞多少有效信息？用戶獲得的價(jià)值能否覆蓋持續(xù)推理與服務(wù)成本？也就是說，設(shè)備形態(tài)由品牌和供應(yīng)鏈決定，Hojo更關(guān)心麥克風(fēng)最終收進(jìn)來的是什么，以及這些內(nèi)容值不值得用戶長(zhǎng)期付費(fèi)。

智能家居最先被排除。對(duì)空調(diào)說“調(diào)到26攝氏度”，改變的只是一個(gè)開關(guān)或數(shù)值，手機(jī)、遙控器和自動(dòng)化規(guī)則都能完成。“如果只是通過語音完成控制，無法給用戶帶來很高價(jià)值，它本質(zhì)上是一次性的事。”趙恒藝表示。

汽車也有車控，但在趙恒藝看來，汽車座艙是一個(gè)獨(dú)立的數(shù)字空間，音樂、搜索、內(nèi)容和服務(wù)持續(xù)產(chǎn)生上下文；駕駛中觸屏操作本就不便，使用手機(jī)也更困難，語音因而更有機(jī)會(huì)成為高頻交互入口。

AI玩具的問題出在生命周期。孩子可能幾個(gè)月后便失去興趣，一次性售價(jià)可以覆蓋這段使用成本；模型調(diào)用、存儲(chǔ)與維護(hù)卻會(huì)持續(xù)發(fā)生。趙恒藝說：“如果產(chǎn)品一次性售出，之后仍要持續(xù)提供服務(wù)，所有成本都會(huì)變成運(yùn)營(yíng)成本；用戶又不愿意付費(fèi)，最后就會(huì)面對(duì)冷冰冰的商業(yè)現(xiàn)實(shí)。”

這正是許多AI硬件難以擺脫的宿命。硬件收入在出售時(shí)確認(rèn)，云端推理成本卻伴隨整個(gè)生命周期。Humane AI Pin上市不足一年便停止銷售，云端服務(wù)關(guān)閉后，通話、消息和AI查詢等核心功能隨之失效，暴露出高度依賴云服務(wù)的AI硬件，可能面臨的生命周期風(fēng)險(xiǎn)。

對(duì)缺少其他收入來源的設(shè)備，訂閱是一種較清晰的成本回收路徑。但這一切的前提，是產(chǎn)品能持續(xù)提供明確的價(jià)值。

AI錄音設(shè)備公司Plaud提供了一個(gè)可以參考的市場(chǎng)樣本。該公司在2026年6月披露，其服務(wù)超過200萬名用戶，軟件訂閱年化經(jīng)常性收入達(dá)到1億美元。這說明在會(huì)議、訪談和知識(shí)工作這類高信息密度場(chǎng)景中，硬件可以成為持續(xù)服務(wù)的入口。用戶愿意持續(xù)付費(fèi)，因?yàn)殇浺糁筮€有轉(zhuǎn)寫、檢索、摘要、任務(wù)拆解和知識(shí)沉淀。

Hojo想要錨定的場(chǎng)景正是如此。趙恒藝拿這次訪談舉例，一場(chǎng)長(zhǎng)對(duì)話傳遞的信息，遠(yuǎn)高于一次家電控制。律師、咨詢顧問、銷售、采購(gòu)和管理者每天產(chǎn)生大量口頭信息，記錄只是起點(diǎn)；當(dāng)系統(tǒng)知道誰說了什么、與哪個(gè)項(xiàng)目相關(guān)、下一步該做什么，聲音才開始進(jìn)入工作流。

為此，Hojo選擇把個(gè)人智能體進(jìn)入硬件所需的鏈路從底層向上做通。

hojo app部分截圖

底層是自研語音及全模態(tài)模型，覆蓋ASR、TTS、全雙工交互與聲學(xué)處理，讓設(shè)備在真實(shí)環(huán)境中能夠聽清、理解并及時(shí)回應(yīng)；再往上是中間層，Agentic OS連接設(shè)備、模型與外部工具，Memory Engine負(fù)責(zé)長(zhǎng)期記憶的沉淀與調(diào)用，Device Access統(tǒng)一不同硬件的接入和能力調(diào)用。

蘇丹也談道，模型提供通用能力之后，產(chǎn)品仍需要大量harness工作；聲學(xué)、實(shí)時(shí)交互和場(chǎng)景適配共同決定體驗(yàn)?zāi)芊穹€(wěn)定。

靠近用戶的最上層由Hojo App與品牌方自己的App承接。面向硬件客戶，Hojo還提供SDK，以及正在開發(fā)的App Studio白盒自助定制工具。從硬件接入、聲學(xué)調(diào)試，到應(yīng)用上線、訂閱與后續(xù)運(yùn)營(yíng)，這條完整鏈路構(gòu)成了Hojo的全棧能力。

目前，Hojo App正全力優(yōu)化兩類能力：一是錄音，尤其是會(huì)議場(chǎng)景，從多人識(shí)別、轉(zhuǎn)寫和檢索，延伸到?jīng)Q策、承諾與待辦的提取；二是在用戶授權(quán)下，管理耳機(jī)、錄音設(shè)備等硬件always-on輸入帶來的個(gè)人上下文。用戶今天用錄音設(shè)備記下一場(chǎng)會(huì)議，明天換到耳機(jī)追問項(xiàng)目進(jìn)展，系統(tǒng)需要調(diào)用同一份記憶，而不是把每臺(tái)設(shè)備都當(dāng)成新的對(duì)話起點(diǎn)。

為支撐這層跨設(shè)備記憶，Hojo計(jì)劃于8月下旬開源底層Memory技術(shù)，將記憶沉淀、檢索和調(diào)用能力開放給開發(fā)者與硬件品牌。

據(jù)Hojo披露，目前公司已與12家硬件品牌和方案方深度對(duì)接，其中5家完成簽約，客戶給出的年度規(guī)劃合計(jì)超過500萬臺(tái)，并預(yù)計(jì)在2026年第四季度進(jìn)入產(chǎn)能爬坡。趙恒藝也提出了下一目標(biāo)——2027年至少接入1000萬臺(tái)設(shè)備。這些簽約至少表明，部分客戶已經(jīng)愿意把Hojo帶進(jìn)供應(yīng)鏈。

跨過定制化陷阱

抵達(dá)更遠(yuǎn)方

設(shè)備進(jìn)入供應(yīng)鏈后，另一道現(xiàn)實(shí)難題才真正顯現(xiàn)：定制。

每一輪硬件入口打開后，真正消耗初創(chuàng)公司的，往往是量產(chǎn)之后的漫長(zhǎng)交付。模型和產(chǎn)品可以快速迭代，芯片、固件、聲學(xué)結(jié)構(gòu)與用戶界面卻因品牌而異。項(xiàng)目越多，工程團(tuán)隊(duì)越容易被拆進(jìn)客戶需求，最終停留在一家人力密集的方案公司。

趙恒藝對(duì)定制化的問題并不陌生。2017年，他在思必馳負(fù)責(zé)DUI平臺(tái)時(shí)便提出“定制規(guī)模化”：當(dāng)團(tuán)隊(duì)支持10個(gè)項(xiàng)目已經(jīng)吃力，怎樣把承載能力提高到1000個(gè)項(xiàng)目。

九年后，生成式AI將這道題再次擺到了他的面前。“本質(zhì)上，這是ROI問題：怎樣既給客戶差異化體驗(yàn)，又減少定制對(duì)研發(fā)資源的耗散，用最小成本解決問題。”趙恒藝說。

但技術(shù)現(xiàn)實(shí)決定了定制無法徹底消失。蘇丹也表示，從模型到任務(wù)和場(chǎng)景之間還有很大差距，不同設(shè)備的拾音通道、芯片算力與功耗條件各不相同，用戶還會(huì)帶入專業(yè)名詞、口音和方言。

一套通用模型進(jìn)入真實(shí)硬件后，仍要經(jīng)過聲學(xué)增強(qiáng)、領(lǐng)域適配和交互優(yōu)化。“針對(duì)很多具體場(chǎng)景，都需要做大量定制優(yōu)化。”蘇丹說，平臺(tái)真正需要解決的，是哪些工作可以沉淀為共性能力，哪些仍值得投入工程資源。

Hojo正在把這些共性能力收攏到App Studio，并計(jì)劃近期對(duì)外開放。

按其設(shè)想，客戶接入設(shè)備后，可以在平臺(tái)上定義功能、模型和品牌界面，由AI生成配套App，再完成測(cè)試與發(fā)布。一套SDK、一份Manifest配置文件，加上底層Agentic OS，構(gòu)成每款產(chǎn)品的技術(shù)骨架。品牌差異盡量留在配置層，已經(jīng)完成的聲學(xué)、記憶和訂閱能力則沉淀到底座。

“現(xiàn)在與我們合作的硬件廠商在接入App時(shí)非常痛苦，因?yàn)樗鼈儼l(fā)現(xiàn)，僅接API并不好用，得到的都是通用內(nèi)容。”趙恒藝說。App Studio能否成立，要看客戶能否在少量支持下獨(dú)立完成上線，也要看一個(gè)項(xiàng)目形成的能力能否被下一家復(fù)用。Hojo希望借助Harness架構(gòu)和生成式AI，把更多定制工作從人力投入轉(zhuǎn)化為技術(shù)復(fù)用。

用戶關(guān)系的邊界同樣重要。Hojo將合作模式定義為2B2C：一類為SDK白盒交付，賬號(hào)、訂閱和用戶關(guān)系主要由品牌管理；另一類由硬件接入Hojo App，進(jìn)入Hojo的C端服務(wù)體系。

在這種合作模式下，趙恒藝認(rèn)為，“客戶經(jīng)營(yíng)得越好，Hojo也會(huì)越好；客戶賺得越多，我們也會(huì)獲得更多收入。”品牌賣出設(shè)備后仍能持續(xù)經(jīng)營(yíng)用戶，Hojo的收入則隨設(shè)備活躍和訂閱增長(zhǎng)。雙方最終被同一個(gè)目標(biāo)綁定：用戶是否愿意持續(xù)使用。

所以，要讓這套合作關(guān)系持續(xù)下去，硬件設(shè)備還必須在數(shù)年的使用周期里繼續(xù)獲得能力更新。

一件設(shè)備通常使用數(shù)年，但是如今模型能力與調(diào)用成本卻按月變化。蘇丹將Hojo的兜底機(jī)制分為三層：第一層依靠蒸餾、量化和稀疏化，在既有芯片上壓入更強(qiáng)的模型；第二層依靠端云動(dòng)態(tài)協(xié)同，網(wǎng)絡(luò)良好、任務(wù)較重時(shí)調(diào)用云端，斷網(wǎng)或?qū)Φ脱舆t要求較高時(shí)由端側(cè)保留基礎(chǔ)交互能力；第三層通過多供應(yīng)商路由、緩存和端側(cè)兜底，應(yīng)對(duì)云端API及調(diào)用成本的變化。

談到舊硬件能否持續(xù)獲得新能力時(shí)，蘇丹沒有給出“軟件可以解決一切”的答案。相反，他坦言，算法仍受物理硬件邊界約束，如果一次技術(shù)躍遷超出舊硬件的承載能力，Hojo仍需提供下一代模組或升級(jí)板，或在新設(shè)備中保持兼容，讓老用戶以較低成本完成遷移。軟件可以延長(zhǎng)一臺(tái)設(shè)備的能力周期，卻無法無限突破既有芯片的算力、內(nèi)存和功耗上限。

解決設(shè)備生命周期問題后，Hojo的規(guī)模化還取決于客戶在哪里銷售設(shè)備。這意味著，其出海也將沿著現(xiàn)有硬件供應(yīng)鏈推進(jìn)。

據(jù)趙恒藝介紹，現(xiàn)有合作客戶的設(shè)備銷量約九成來自海外。Hojo會(huì)先跟隨已經(jīng)建立渠道、合規(guī)和售后體系的中國(guó)消費(fèi)電子品牌進(jìn)入歐美、日韓、新加坡和中國(guó)香港，再逐步拓展海外原生品牌。對(duì)一家剛開始商業(yè)化的公司，這條路徑比直接在陌生市場(chǎng)重建渠道更現(xiàn)實(shí)。

從更大的Voice AI產(chǎn)業(yè)結(jié)構(gòu)看，Hojo押注的是通用模型與數(shù)千個(gè)獨(dú)立硬件品牌之間的一層系統(tǒng)。上游模型仍會(huì)繼續(xù)吸收識(shí)別、合成與對(duì)話能力，頭部終端品牌也會(huì)自建賬戶和記憶體系；余下分散而又廣闊的硬件市場(chǎng)，仍然需要一套能處理聲學(xué)工程、跨設(shè)備記憶、量產(chǎn)交付和訂閱運(yùn)營(yíng)的開放技術(shù)棧。

AI引發(fā)的入口遷移，已經(jīng)點(diǎn)燃了新一輪的硬件戰(zhàn)爭(zhēng)。“用戶上下文現(xiàn)在只存在于聊天輸入框里，這是不合理的。”在趙恒藝看來，大模型公司進(jìn)入硬件幾乎不可避免，更完整的上下文只能從真實(shí)生活中獲得。巨頭會(huì)率先定義標(biāo)桿，數(shù)千個(gè)獨(dú)立品牌也不會(huì)就此消失。

Hojo想成為獨(dú)立硬件品牌進(jìn)入AI時(shí)代的一層開放底座：讓它們接入模型、記憶和智能體能力，同時(shí)保留自己的用戶關(guān)系與長(zhǎng)期經(jīng)營(yíng)能力。或許在不久的未來，這些硬件也將迎來屬于自己的“安卓時(shí)刻”。

多年前，那條封住小鵬中控屏的黑膠帶，檢驗(yàn)的是語音能否獨(dú)立完成一次任務(wù)。今天，問題已經(jīng)截然不同：聲音能否跨過設(shè)備和品牌，記住一個(gè)人，并在數(shù)年的硬件周期里持續(xù)為他服務(wù)。

當(dāng)AI真正離開聊天框，人與機(jī)器之間最自然的溝通方式，很可能仍是開口說話。但趙恒藝和蘇丹二人在過去十年積累的語音經(jīng)驗(yàn)，將在這場(chǎng)入口遷移中迎來新的用武之地。