Open AI和阶跃星辰同时亮剑，硬刚AI硬件

48小时之内，两家大模型公司不约而同地做了同一件事——自己造硬件。

7月13日晚，上海大模型独角兽阶跃星辰发布了四样东西：AI终端品牌STEPX、智能体原生操作系统Step AOS、个人智能体Amoo，以及号称“全球首款大模型原生智能体手机”的STEPX Neo。

董事长印奇坦言：“请教了很多终端朋友，结论非常统一，大家都让我们听劝，不要碰硬件。我们本来很想听劝，但最终还是决定做了。”

一天之后，7月15日彭博社爆出消息：OpenAI的首款消费硬件已经浮出水面，一款可移动、无屏幕的智能音箱，定位“类人AI伴侣”，内置机械部件、摄像头和GPT-Live语音模型，目标2027年发售。OpenAI硬件部门同时在研约五款产品，智能音箱只是起点。

一家中国大模型独角兽、一家全球最炙手可热的AI公司，做出了相同的战略选择。这已经不是巧合，而是一个信号：大模型公司正在集体从“软件铺路”转向“硬件攻城”。

不做硬件，账算不过来

大模型公司为什么要自己做硬件？答案比很多人想的更意外——账算不过来。

2025年，OpenAI全年收入预计达130亿美元，但依然深陷巨额亏损。国内模型厂商的处境更为艰难：API调用客单价低，企业级市场落地周期长，To B业务难以覆盖高昂的研发成本。

印奇在会后采访中讲得很直白：独立基座模型创业公司走纯To C或纯To B的道路都“算不过账来”，“用终端牵引商业化”是更可持续的路径。

这就好比一家发电厂发现自己只能按度卖电，而隔壁做家电的把电卖出了十倍的溢价。阿里云通义大模型业务总经理徐栋曾公开表示：“除了Chatbot和Agent之外，硬件可能是大模型快速形成商业闭环的场景。”

阶跃星辰的战略思路很清晰。今年1月，印奇正式出任董事长，带来了他在旷视科技时期的终端商业化经验。他曾复盘过“AI四小龙”时代的教训：没有硬件载体，纯做软件和解决方案，“现金流长期承压”。这一次，他从一开始就把“软硬一体”写进了公司基因里。数据显示，阶跃星辰此前以模型供应商身份已覆盖国内约60%的头部手机品牌，模型装机量超4200万台，但印奇认为不够，“在智能体时代，在当前的手机生态下，很难将模型、操作系统和智能体完整地呈现在一个既有的手机终端中。”

再看OpenAI。2025年5月，OpenAI以约65亿美元的全股票交易收购了由前苹果首席设计官乔纳森·艾维（Jony Ive）与Sam Altman联合创立的硬件公司io Products，这是OpenAI成立以来最大规模的收购。艾维此后以LoveFrom设计工作室身份承担OpenAI的深度设计职责。这笔交易传递的信号再清楚不过，Altman和Ive想做的是一台“AI时代的iPhone”。

文渊智库创始人王超分析，阶跃星辰的战略本质上是“两条腿走路”：一条是自己做终端，做技术验证和体验标杆；另一条是等框架跑通后，把操作系统、智能体平台开放给其他手机和汽车厂商。“如果这条路走成了，阶跃星辰未来的收入重心不是卖手机，而是操作系统授权、智能体平台服务和软硬一体解决方案。”

所以，大模型公司“造硬件”的本质不是想做富士康，而是想做AI时代的微软+英特尔，既掌握底层智力（模型），也控制上层入口（设备）。

为什么不能在既有手机上改一改？

如果账算不过来是第一层原因，那么技术架构的根本矛盾就是第二层。

简单说：今天的智能手机操作系统，是为“人”设计的，不是为“AI”设计的。

想让一个智能体帮你自动订机票、比价下单、筛选简历，它需要在不同App之间跳转、读取日历、获取地理位置、调取相册。但在安卓或iOS框架下，这些操作要么根本无法实现，要么需要用户反复授权，体验支离破碎。印奇的解释是：“如果没有这样一个OS和生态，它（智能体）可能永远也不会擅长执行指令，因为没有这样的数据。”

阶跃星辰的解题思路是自研的Step AOS系统，从底层重构了硬件调度和系统能力分配，让智能体获得系统级权限。双域记忆结构让日常问答召回最快15毫秒，端云多脑协同实现简单任务快响应、复杂任务深度思考。支付宝、美团、高德、滴滴、京东、百度、微博、WPS等已通过接口形式接入，而非豆包手机初代使用的模拟点击方式。

这里有一个关键的路线分歧：2025年12月，字节跳动联合中兴努比亚推出的“豆包手机”（nubia M153）采用的是另一种思路，即GUI模拟点击技术。AI直接模拟人的手指在屏幕上点击操作，实现跨应用任务执行。首批3万台117秒售罄，二手平台一度炒到3.6万元。罗永浩评价：“AI助手一定会遍地开花，将来的人们会记住这历史性的一天。”

但热情很快撞上了现实。微信、淘宝、支付宝等App以“外挂行为”为由进行了封禁，因为AI绕过了开屏广告、首页推荐和停留数据，切断了平台依赖流量变现的商业链路。此后三个月，豆包手机二手价跌破原价，功能迭代陷入停滞。科技博主实测发现超过一个月没有实质更新。

这就是为什么印奇在发布会上反复强调“接口形式而非模拟点击”。阶跃的策略是温和的，请App主动开门，而不是从窗户翻进去。但挑战同样明摆着，微信、淘宝、抖音、小红书这些超高频App并不在第一批合作名单里。作为对比，OpenAI选择了一条更彻底的路径，绕开手机，直接定义一个新品类。那款无屏智能音箱不是给现有生态“打补丁”，而是重塑交互逻辑，用GPT-Live语音模型对话、用摄像头感知环境、用可自主动作的机械部件制造“生命感”，让AI不再躲在屏幕后面。

这里可以打个比方，在老房子里装修永远不如推倒重建。

安卓和iOS是两座已经住了十几亿人、管道线路错综复杂的超级都市。大模型厂商想在这座城市里接入一条全新的“智能体神经网”，不仅要协调无数“业主”（App开发商），还要征得“物业”（手机厂商）的同意。与其如此，不如去郊区建一座新城。OpenAI选了一片叫“智能音箱”的地块，阶跃星辰选了一片叫“AI原生手机”的地块，两块地挨着，但盖楼的图纸完全不同。

先驱还是先烈？

但谈到大模型造硬件，就绕不开两个案例。

2024年，Humane AI Pin和Rabbit R1曾被整个科技圈捧为“AI时代的iPhone”。AI Pin售价699美元，由前苹果设计师打造，号称“屏幕free、App free”；Rabbit R1售价199美元，在CES期间一炮而红。

结果呢？AI Pin不到一年就崩盘，续航仅数小时、机身发热严重、语音识别不准确、户外投影几乎不可用，退货量甚至超过了销售量。2025年2月，Humane以1.16亿美元将核心资产卖给了惠普，AI Pin停止销售。Rabbit R1则被曝出整个产品就是“套壳Android”，被The Verge点评为“智商税榨取机”。

这两个案例摆在这里，刻着相同的一句警示：不需要硬件的AI场景不需要硬件，需要硬件的AI场景现有设备已经够用。当智能手机可以做更多事时，消费者凭什么多买一台设备？

但这一次，情况有所不同。

首先，时机窗口变了。 2024年的AI Pin搭载的还是上一代模型，语音交互延迟高达10秒，物体识别准确率不足80%。而现在OpenAI的GPT-Live语音模型已经可以实现近乎实时的自然对话，阶跃的端侧模型Step Edge也具备低延迟本地推理能力。

其次，战略定位变了。 Humane和Rabbit试图“取代手机”，这是一条已被证明的死路。而OpenAI做的是音箱，定位“家庭AI伴侣”，切入的是一个现有智能音箱市场年出货量超1.3亿台、Amazon Echo累计销量超6亿台的成熟品类。阶跃星辰做的是手机，但定义的是“智能体手机”这个新物种，不是取代手机，而是让手机长出AI的“手脚”。印奇在发布会上说得很清楚，豆包手机成功帮助广大消费者建立起“AI智能体手机”的基础认知”，两者不存在赛道竞争与对立关系。

最后，也是最重要的一点，这一代的大模型硬件不是“一个产品”，而是一整套“体系”。阶跃星辰亮出的是“基座模型—智能体系统—硬件终端”三层全链路，OpenAI在研的约五款产品同样构成一个矩阵，从智能音箱到耳机到更多形态。它们在赌的不是某一款爆品，而是一种新的计算范式：从“人操作机器”到“机器理解人”。

还有一个不可忽视的变量，苹果正在用法律武器狙击OpenAI的硬件之路。7月10日，苹果向加州北区联邦法院提交了一份长达41页的诉状，指控OpenAI系统性窃取商业机密，将矛头直指OpenAI首席硬件官唐·谭和前工程师刘畅。诉状披露超过400名前苹果员工已效力OpenAI。OpenAI回应称“对任何公司的商业机密没有兴趣”。但这场诉讼的时间点——就在OpenAI硬件曝光前五天，这绝非巧合

苹果的焦虑是真实的。当ChatGPT从一个iOS上的App，变成一台独立的、能全方位接入你生活的硬件——谁是下一个被颠覆的，答案不需要猜。

结语

回到最开始的问题：大模型的罗马，是不是下场做“AI原生硬件”？

答案或许不完全在“是”或“否”，而在于一个更深层的认知，大模型正在从“工具”蜕变为“环境”，它不再只是你打字提问的那个对话框，而是能看见你的客厅、记住你的偏好、预判你的需求的持久存在。而要实现这种蜕变，它必须有一个物理身体。

印奇在发布会上的最后一句话意味深长：“也许有一天我们会发现，在智能体手机时代，是中国真正定义了下一代的产品体验，真正成了未来10年到20年的新范式，这才是最重要的事情。”

从豆包手机的117秒售罄，到阶跃星辰的“100天之约”，再到OpenAI的2027年路线图，这场“AI造物运动”的号角已经吹响。它不会一帆风顺，Humane和Rabbit的墓碑还立在那里。第一次造火箭的人确实摔得很惨，但没有人因此认为人类不该去月球。

AI原生硬件的终局，不是看谁先拿出产品，而是看谁先跑通模型、系统、终端的完整闭环。谁能率先做到，谁就能定义下一代人机交互的标准，这个标准，就是通往罗马的路。