对话奇点灵智：少儿 AI 硬件的下一代，不是 Chatbot，而是能自进化的实体智能体

奇点灵智做了一款支持 Vibe Coding 的儿童硬件。

产品叫多奇 AI 小外教机器人，面向 3-8 岁孩子。今年 1 月在京东首发，首发期间产品进入京东榜单 Top 2，目前全平台订单超过 2 万单。

过去的儿童 AI 硬件，可以聊天，可以讲故事，可以生成图片、音乐和视频，大多停留在 Chatbot 或 AIGC 层面。奇点灵智的团队想往前走一步。通过底层的软硬件解耦，把摄像头、屏幕、按钮、陀螺仪这些硬件器官，变成 AI Coding 可以调用的 tools；不管是家长对于读绘本场景的个性化需求，还是用孩子喜欢的游戏方式练习加减法，多奇机器人的 Coding Agent 能力，都可以实时生成可体验的新应用。

「过去 AI 生成的是内容，现在我们希望它生成能力。」

在团队看来，这种能力不仅来自于底座模型的进化，更来自于团队在儿童垂直场景下的剧本沉淀，以及由此构建的独特 Context Layer（上下文层）的深度积累。

团队创始团队来自网易有道创始班底、字节教育智能硬件，算是互联网创业老兵了。

我们很好奇，这个团队如何理解少儿硬件，如何在 AI 能力快速变化的周期里做硬件。更重要的是，他们如何在工程上克制地收敛 AI 的不确定性，让机器人既能稳稳地守住边界，又能真正「长出新能力」去覆盖长尾需求。

以下是 Founder Park 与奇点灵智创始人兼 CEO 包塔的对话，经编辑整理。

01 

软硬倒置，

用做软件的方式做硬件

Founder Park：为什么选择儿童硬件这个赛道？

包塔：我一直喜欢做 AI，从清华人工智能实验室开始，当时导师是朱小燕，师兄是黄民烈，一路都在做 AI 相关的事。之前做有道，后来在美团金融做 CTO，都是在用 AI 解决大规模用户应用落地的问题。23 年过春节以后，我决定离开美团，全心投入到这波大模型浪潮中。

最后回到低幼儿童赛道，是因为这个领域原来没有特别好的产品。它不像 K12 那么卷，但上一代产品很碎片化，故事机、点读笔都像功能机，只能做某一个单点能力。这个市场体量很大，但过去机器没有办法真正和小朋友交互起来。AI 大模型叠加多模态视觉能力之后，让机器有机会真正以「生命体」的形态进入孩子的生活世界。 我觉得这里有一个巨大的供给侧升级机会。

当然还有一个更个人和感性的原因。我小时候身边一直有一个小毛绒玩具，会想象它是活的，可以交流，希望它有一天像机器猫一样什么都能做。后来我自己的孩子也在这个年龄段，我会和他一起编故事。我发现这种互动方式对孩子的表达能力和想象力非常有效。

大模型出现以后，它天然适合小朋友的天马行空。孩子的问题经常很跳脱，但 AI 有耐心，也能接住很多奇怪的想法。所以技术、市场空间和我自己的教育理念，最后在这个方向上合到一起了。

从核心团队每个人的创业经历来讲，因为过往的创业，其实对孩子都是有愧疚的。如果能有一个机器猫把原来没做好的事情弥补一下，加上这帮清华爸爸们有这个技术能力，也蛮好。

倒不是很理性推导出要冲着某个人群去做，根上还是我们自己的成长经历：兴趣驱动使得我们变成今天的自己。我们希望让新一代 AI 的能力，能把兴趣驱动这个事给下一代做得更好。

Founder Park：从 2023 年开始做，到今年年初正式销售，中间都在做什么？

包塔：我们不是躲在屋里把硬件做完再面向用户，而是从 23 年租下办公室第一周就开始测试。

大部分硬件创业的挑战是，等你做完硬件，开模之后钱已经花了，才发现方向不对，那就很危险。我们自己研究了一个方法，叫「软硬倒置的多目标解耦验证」，把「外观结构设计」和「核心交互逻辑验证」这两件事完全拆开。

在 24 年春节前，我们手工缝制了一批「草稿版」原型机：买来市面上普通的毛绒玩具熊，把肚子掏空，塞进摄像头骨架、麦克风和屏幕，把 Mini PC 缝在背包上，导线从熊的脊椎穿过去，代码直接在 PC 端跑。 孩子们面对这只长相甚至略显丑陋的原型熊，依然能在整个春节假期里每天狂玩 1 个多小时，我们才在 2024 年秋天笃定地启动工厂正式开模。

这意味着，我们在没有花一分钱去工厂开模的前提下，提前 10 个月拿到了最真实的用户留存信号和交互反馈。所以我们真正进场比一些同时开始的团队晚。但我们先用这套方法，把很多错的东西去掉了。

Founder Park：像软件产品的小版本迭代。

包塔：对。我们以前都是做软件产品的，就想能不能把软件的一些方法搬到硬件里。

硬件产品常说众筹，但我们更像众创。用户从最开始就在产品里。不是躲起来想一个 APP，发布之后静等下载结果，才发现自己错了。对硬件来说，那样成本太高。

Founder Park：这一年你们主要试出了什么？

包塔：最核心是让小朋友真的能持续玩。让小朋友一次性玩得嗨很容易，但让他持续玩很难。

最早的硬件假设，就是围绕「能不能长期互动」倒推出来的。孩子需要摄像头、屏幕、按钮、道具，需要能在桌面空间里玩。后来到了今天，AI coding 能生成更多功能，反而把这些硬件能力更充分用起来。

还有一个关键是收敛方向。我们一开始是通用能力设计，但从 2024 年春天到夏天一直在做方向收敛。

孩子只要你陪他玩，他都开心。但妈妈不买单，孩子再喜欢也没用。我们测试过数学、语文、百科等方向，最后发现中国妈妈的痛点排序大概是：英语大于数学，大于语文，大于百科。

数学她觉得现有 APP 学起来挺不错；语文和百科她觉得可以用其他内容解决。但英语开口是更痛的点。所以我们把它收敛成：用游戏化方式让孩子英语开口。

英语开口是妈妈想要的，游戏化方式是孩子想要的。

Founder Park：从有样机到量产，中间是怎么逐步验证 PMF 的？

包塔：从 2025 年 1 月开始，我们一共做了 7 个 Alpha 版本。基本上每个月一个 Alpha，每次让用户拿回家三周，再回来一周复盘改进，所以我们有 7 组对照。

为什么是三周？因为当时内容还没完全做完，时间再长就穿帮了，孩子会把内容玩完。但三周已经足够验证一件事：我们能不能跨过过去两年很多 AI 玩具的「7 天斩杀线」。很多产品孩子玩几天就吃灰，我们必须先确认自己能撑过三周，才敢量产。

7 组 Alpha 之后，我们又做了 Beta 1 和 Beta 2，到秋天才进入量产。工厂会觉得我们 24 年秋立项，一年后才量产，真是「赶了个晚集」，很多同期团队的产品更早上市了。但我们因为先拿到了正向信号，倒也不慌，觉得足够 ready 才往外推。

02 

只有语音交互不够，

少儿硬件必须进入实体空间

Founder Park：多奇今年 1 月正式发布后，现在的情况怎么样？

包塔：我们大概从 1 月份开始正式销售。这个产品本质上是一个硬件新品类，是用 AI/AGI、大模型去和小朋友陪伴玩乐。一开始挑战很大。因为这是一个新形态，用户需要被教育，也需要真实上手体验。

虽然 1 月份在京东首发时三个家庭机器人相关的榜单都冲到 Top 2，但我们知道这是新品的关注红利，还是要自己下苦功夫。过去一个多季度的时间里，主要在做双轨建设：线上把用户从认知、兴趣到转化的链路铺起来；线下则下沉做更深的体验触点。现在全国 40 多家机场里都能看到这个产品，也进了 230 多家线下体验店。

这个产品一定要被上手体验。如果把它摆在货架上，很多用户第一眼是猜不到 AI 怎么在里面发挥作用的。所以我们甚至为线下场景开发了「卖场模式」，多奇可以自己卖自己，看到客人主动吆喝并展示自己的各项特色能力。一旦让孩子真实玩起来，妈妈很快就理解了，沟通效率会高很多。

目前，我们全平台订单已经超过 2 万单。电商上能看到的用户好评率大概是 99%。

Founder Park：为什么强调一定要体验？

包塔：因为低龄小朋友不是 chatbot 用户。成年人可以坐在那里和 AI 聊天，但 3 到 8 岁的小朋友不太会这样。他们很多时候是具象思维，纯语音对他们来说太抽象，也太累。

我们最早做测试时，很快就否定了纯语音产品。

那时候我们用毛绒熊做了一个原型，里面塞了蓝牙音箱，人躲在隔壁房间，用腾讯会议和变声器跟孩子互动。孩子当时会玩得很嗨，半小时到一小时都没问题。但你问他还想不想继续玩，他说不想，有点太累。原因就是，低龄孩子平常不是用这种方式互动的。声音只占一部分，他更多依赖视觉、实体、操作、动作和反馈。纯语音的多轮对话缺乏物理空间的上下文，对低龄儿童来说很容易变成一种「认知压迫」。

所以我们很早就判断：少儿 AI 硬件不能只靠语音，必须进入实体空间。

Founder Park：这个判断是怎么影响产品形态的？

包塔：它彻底倒逼了我们对底层硬件和芯片平台的架构设计。比如小朋友需要看到屏幕上的反馈，需要把道具放在桌面上，需要用按钮做选择，需要让机器人看见绘本、玩具、积木。过家家、读绘本、陪伴他一起做事情，对低龄儿童非常有效。小朋友和机器人玩得越多，反而越愿意和它聊天，机器人会慢慢变成他的朋友。

很多人看 AI 硬件，会先问模型能力。但在少儿场景里，模型不是全部。孩子不会因为你模型参数更大，就多陪你玩半小时。他要的是一个能一起玩的对象。

这也是我们为什么没有只做一个 App。对于具象思维优先的低龄孩子来说，硬件不是可有可无的壳，而是建立情感链接的实体。他会抱着多奇睡觉，会带它去超市，会让它胸口的摄像头看外面的世界。如果只是一个 Pad，孩子不会抱着 Pad 睡觉。

从可迭代角度来看，如果不为硬件底座的算力和控制权留足战略冗余，你的硬件就只是一具冰冷的「功能机死体」，根本不具备支撑操作系统持续进化的可能，端侧连最起码的视觉算法都跑不动。

多奇配备了两个摄像头，就像长了一双能「看见」物理桌面的眼睛。孩子不需要凭空去迎合机器，他只需把家里的实体玩具或绘本随手摆在桌上，进入他本能喜欢的「过家家」状态。多奇在孩子开口前就能看懂场景，并主动、平等地融入孩子的游戏世界发起对话，把单向枯燥的说话练习，变成了手脑并用的沉浸式互动。

Founder Park：感觉少儿场景是一个很高难度的 AI 硬件验证场。

包塔：对。少儿场景不是 AI 硬件的低配场景，反而很复杂。

它有几个硬性要求：第一，孩子必须愿意持续玩；第二，妈妈必须相信它有用；第三，它要安全、可控、适合低龄表达；第四，它还要能在家庭真实环境里处理各种边缘情况。

这不是「做一个可爱的壳，里面接一个大模型」就能解决的事情。你必须真的理解小朋友怎么玩，也理解妈妈怎么决策。1000 块钱以上的儿童产品，决策者往往是妈妈。1000 块钱以下，爸爸可能顺手就买了；妈妈会非常理性，会货比三家，会反复比较。她最后要相信这个东西真的有道理，判断能拿到实打实的有用交付，才会下单。

所以少儿硬件不是只让孩子喜欢就可以。孩子看到的是游戏、绘本、角色扮演；妈妈看到的是英语开口、学习报告、单词熟练度。

这也是儿童产品和普通消费硬件很不一样的地方。它有两个用户：孩子和妈妈。孩子要玩，妈妈要学。你只满足孩子，妈妈不买单；你只满足妈妈，孩子不玩，很快吃灰。我们必须让机器同时通过这两方的信任投票，两个逻辑必须同时成立。

03 

孩子觉得自己在玩，

家长看到的是交付

Founder Park：会怎么向家长介绍你们的产品？

包塔：如果简单一句话表达家长的痛点，就是：孩子光听不说怎么办？多奇 AI 小外教，让他玩着玩着大量开口。

「小外教」这个名字代表最核心的价值：它像一个孩子喜欢的小伙伴，能陪他玩，同时让他愿意开口学英语。但「小」字很重要。如果叫「外教机器人」，家长期待就完全不一样了，可能会要求你做到真正外教一样的交付。

坦白讲，现在 AI 产品还不可能完全替代真人。叫「小外教」更亲切一些，压力没有那么大。它像一个和孩子一起在长大的小机器人，能陪伴、启蒙、激发开口。

外教既是价值对标，也是价格对标。最便宜的线上外教一年也要几千到上万，北京线下一堂真人外教课可能要 300 块。几节外教课换来三到五年全天候的陪伴。绘本也能读，单词也能学，也能和孩子进行双语对话聊天，如果后面加入新的 AI 能力，还能做一点生活习惯管理，比如打卡、提醒、任务记录，变成住家小老师的一部分。

但我们一直很克制，没有把它定义成什么都能做的启蒙机器人。大模型确实有通用能力，但用户不会为模糊的「通用」买单。如果你说我什么都能做，家长会拿你和每一个垂直领域的成熟解决方案比较，结果就是你好像什么都能做，但什么都不深。

所以还是要先扎到英语这个头号刚需里，把它做深，产品体验做到足够差异化。进到家庭以后，用户发现它还有更多能力，再逐步扩展。这既是用户需求分析的结论，也是我们自己产品战略仔细思考后的路径。

Founder Park：怎么证明孩子真的在学？怎么验证结果？

包塔：最容易感知的是开口。孩子以前不愿意说英语，用了一两周以后，开始说 3 到 4 个词的短语，或者小句子的频率明显变多，这对家长是非常外化的。

我们也会给家长提供孩子的学情报告。不是简单说孩子今天玩了多久，而是今天开口多少次、说了哪些英文词、每个词熟练度怎么样。根据孩子英语水平定级，而在不同场景中学习到不同的新词，比如 avocado（牛油果），最开始说得不准可能是一星，后面越来越熟练，慢慢到七星。

这个很像教育产品给妈妈的安全感。孩子觉得自己在玩，妈妈需要看到的是交付。

Founder Park：学和玩之间会不会矛盾？

包塔：K12 阶段可能会矛盾，因为核心目标是应试体系下的分数，多玩一小时就少复习一小时。但学龄前不一样，启蒙阶段大量学习本来就是在玩中发生的。

孩子学中文不是从认字开始的，而是在过家家、出去玩、和大人交流中慢慢学会的。英语启蒙也可以这样，我们很认可的一个教育理论是 Interest Based Learning，只要他对某个东西感兴趣，你就能把词汇、句子、表达自然地揉进去。

当然，每个家长都会有自己的焦虑。所以我们也给家长很多「控制杆」，比如绘本阅读可以选择自适应双语讲解、只读原文、全英挑战模式。理想情况下多奇会像 AI 一样自动驾驶，但如果妈妈一定要自己掌控节奏和方向，也要给她方向盘。

有的产品经理可能会说，家长这种方案不科学，应该跟着我们的教学理念来。但妈妈不买单也没用。她会说，我的孩子我知道。你要理解她的焦虑，把选择权给她。

Founder Park：你们怎么把游戏和学习融合在一起的？

包塔：这方面我们确实做过非常多的尝试，也踩过很多坑。我们曾经做过一个「小熊餐厅」的纯游戏玩法，孩子能站在实验室里玩将近两个小时，但妈妈并不高兴，她觉得孩子今天只是在玩游戏浪费时间。

后来我们把它改成：你想过关，就要大声说出英文单词。比如你要做菜，切牛排就要喊出牛排的英文单词 steak。孩子视角里，我是在为了好玩在过关；妈妈视角里，她真实地听到孩子在持续高频地开口说英语。这才是游戏和学习的交集。

这类细节在多奇里还有很多，我们不想把 AI 做成一个被动等指令的聊天框。AI 的能力是被我们完全消化了，直接嵌在孩子日常玩耍的每个环节里的。只有把技术完全藏在后面，这才是 AI 原生硬件该有的样子。

04 

绘本阅读是一个复杂的硬件工程问题

Founder Park：你们是怎么拿下绘本阅读这个场景的？

包塔：绘本阅读是小朋友在家里最核心的场景之一。我们一开始就研究了小朋友在家里最核心的那些场景——读绘本、玩玩具、画画、过家家，大概 5 到 8 类，占他时间很长。绘本是一大类，我们很早就想做。但 24 年秋天尝试过用 GPT-4V 跑 Demo，速度太慢、价格太贵，在工程上根本搞不定。

所以当时我们就先做了画册，在基座能力还做不到绘本阅读时，用自有内容完成了用户场景闭环。画册上面的角标都是预置的，用的是传统视觉模型，不是多模态。我们相信技术未来的发展，但当时做不到，就用更简单的方式先解决它。

后来基座模型能力上来，我们重新尝试，发现它可以满足需求了。多奇可以读有文字的绘本，也可以读只有图没有文字的绘本。它会结合书名、图片和上下文，把故事讲出来。这对家长的价值很直接：很多妈妈英文能力和表达不够自信，有了机器人，她就不用自己硬着头皮编故事、读绘本了。

而且这个市场不用我们重新教育，上一代产品已经让妈妈理解并相信「读绘本」的必要性，我们要做的是给她们提供一个互动更自然、孩子更愿意玩下去的体验升级版。

Founder Park：看起来就是识别一页图，然后读出来，实际难点在哪里？

包塔：真正放到小朋友场景里，非常不容易。

比如孩子把书放歪了、放反了、横过来、压住一角，或者翻页翻到一半，手还压在上面。这些都需要判断。

你还要给 3 岁、4 岁的小朋友一个听得懂的反馈。不能说「图像识别失败」，要说「请把绘本放到我前面」「让我先看看封面」。所以我们做了大量小模型：书本摆放检测、翻页检测、页面稳定判断、取哪个画面、什么时候该提醒孩子。这些不是一个技术 demo 能解决的。

从技术可行性到产品化，中间路特别远。很多创业者有一个 demo，就会觉得能扫出来，能认出来。但真正到家庭里，根本不是那么回事。孩子会把碗压在书上，会侧着玩，会把书放在沙发上，corner case 非常多。

用户最后觉得「好像本来就该这样」，但背后研发要思考和处理的工作很多。

Founder Park：你们是本地模型和云端模型结合？

包塔：对。本地有一个 AIoT 芯片，算力约 1T。像翻页检测、位置判断这种需要毫秒级快速反馈的事情，很多在本地做。内容理解、故事生成、英语表达，就调用云端去解决智商上限的问题。

如果全部等云端传回，体验会很慢。尤其游戏和绘本里，孩子的动作很快，动作发出了却得不到即时响应，耐心两分钟就消磨光了。

这也是硬件冗余的价值。当我有本地小模型时，它不只帮助游戏响应，也帮助这些日常交互判断。什么事本地做，什么事云端做，这个架构分层是 AI 硬件产品化的关键。

Founder Park：你们自己的内容包和开放绘本之间是什么关系？

包塔：最早基座能力不够时，我们用自有图册和道具完成闭环。那套内容相当于冷启动：孩子什么都不用想，翻开就能玩。它可以保证体验稳定，也能让孩子很快进入状态。

但当模型能力越来越强，机器人就应该像人一样，能基于孩子家里已有的东西来玩：书、玩具、积木、绘本、纸笔。这才是未来机器人真正的形态。它不应该只消耗我们预制的内容，而应该能理解家庭真实环境里的内容。

我们图册大概一个季度更新一次，后面也计划做主题分册，比如太空主题、城市主题、世界地图、数理场景等。有了 AI 能力后，图像生产成本下降；今年 coding 能力又让后台互动生产提速了。

如果家长连册子都不想等，希望在机器人上直接定制一个交互，那就可以用 AI coding 的方式现场生成。但实体图册和道具仍然有价值，因为低龄孩子需要 context，需要看得见摸得着的东西。家长也更容易理解实体内容包。

Founder Park：绘本和游戏，哪个对产品带动更大？

包塔：两个都是 Top 级功能。孩子自己玩的时候，游戏感更强；妈妈会更看重绘本，因为她觉得有了它，孩子会比以前更爱读绘本。

妈妈的逻辑是，绘本这个事我原本就知道重要，但我没时间、英文能力也未必够好。如果多奇能帮我读，还能互动、问答、加入英语，那她就很容易理解价值。

游戏则需要被翻译成学习交付。如果只是游戏，妈妈会担心孩子是不是在玩。但如果过关需要孩子大声说出英文单词，妈妈就会觉得这不是单纯游戏，而是把英语开口嵌进了游戏。

这就是儿童产品的微妙之处：孩子看到的是乐趣，妈妈看到的是交付。

05 

生成能力比生成内容更重要

Founder Park：为什么今年会把 AI Coding 能力放进儿童机器人里？

包塔：一方面是技术窗口到了，整个行业从单纯的 Chat 走向了 Agentic OS 的能力自动编排；但更核心的，是我们看到了少儿场景里的客观事实：启蒙教育和陪伴，天然是一个极度碎片化的长尾市场。

目前的用户反馈里我们发现，新需求的涌现速度，永远快于团队排期发版的更新节奏。每个家庭的教育诉求都不完全一样：有的妈妈希望读完绘本后能自动问三个问题，有的家长希望练加减法，有的孩子迷恋恐龙，有的孩子只爱太空。

如果按照传统的开发范式——产品经理提需求、写死代码（Hardcoding）、再走长达数周的固件发版，团队会直接陷入排期的死胡同，被无边无际的长尾需求拖垮。

所以，我们必须换一种解法。我们不让 AI 只是停留在帮孩子生成故事或者图片，让 AI 针对每个家庭的个性化场景，现场实时写代码，直接生成可运行的轻应用。以前我们现场只能生成内容，但不能稳定生成能力。现在不一样了。比如孩子现在想玩恐龙积木，同时学几个水果相关的英文单词。过去你得提前在后台写死这个特定功能，现在我们希望机器人能根据此时此地的场景，几分钟内现场实时生成一个能力，而不只是给你放一段新内容。

Founder Park：那你们现在的 Agentic OS 具体是怎么跑的？

包塔：我们在软件底座上做了一个面向儿童的 Agentic OS，叫多奇 OS（Duoki OS）。它做了比较强的面向小朋友场景的封装，下半球是硬件和大模型 AI 能力接口，上半球里有两个核心 Agent：一个是教育专家 Agent，负责解决妈妈的问题；一个是伙伴 Agent 专门陪小朋友玩的，两个共同决定和小朋友的互动方式。

外面还有辅助的 Agent：PM Agent、Coding  Agent、语言老师、兴趣老师等。去年的很多产品是把语言、兴趣这些作为孩子教学对象的 Agent。我们今年加了两个比较特别的，PM Agent 和 Coding Agent。这两个不是服务小朋友的，是对妈妈的。它在跟妈妈做互动，来理解妈妈想让这个机器人做什么事情。

最外层是场景剧本，这一套东西是长期可积累的部分，相当于在不同场景下用什么样的交互方式和编排来跟小朋友玩。我们把孩子日常学习、运动游戏、情感陪伴、生活习惯管理等各种常见场景的规则都做了抽取和沉淀，来确保做出来的大概率是小朋友喜欢玩的，同时还要思考怎么把家长希望的东西揉进去，互动方式适合这个年龄的孩子……等等，这些是从开始到现在两年 know-how 的沉淀。

Founder Park：但普通妈妈不是产品经理，也不懂 coding。

包塔：所以我们不会让她直接做 coding。很多妈妈说不清楚产品逻辑，她只能说出痛点：我想让孩子练 10 以内加减法，我想读完绘本后问孩子几个问题，我想把一个游戏换成像素风。

这个时候我们的 PM Agent 就是一个产品经理，会反问、拆解、给选项。

比如妈妈说：我家孩子最近正在学 10 以内加减法，但他很坐不住，能不能编一个他能玩进去的游戏？

多奇会给三个玩法：实时挑战、小小收银员、救援小队。家长只需要选一个。

如果她选实时挑战，又说孩子喜欢太空主题，Coding Agent 就会在几分钟内现场写出全套连接代码、调取本地音频与 UI 资源，直接在云端的独立隔离沙盒中编译并部署出一个全新的轻应用：孩子听到一道加减法题，说出答案或者按左右键选择，答对飞船就发出子弹击碎陨石。

如果家长觉得节奏太快，还可以继续用自然语言输入「魔改」指令：「让背景的星星动起来」。传统的软硬件功能开发需要两周，现在变成了妈妈和 AI 之间一两分钟的对话。

Founder Park：所以你们不是让用户学会 vibe coding？

包塔：不是。我们把用户创作分成四层。

第一层是我们预制好的内容和应用，像预制菜。

第二层是轻量修改，比如把单词消消乐改成像素风，把视觉主题换成孩子喜欢的风格。

第三层是家长或教育达人提出一个教学想法，由 PM Agent 转译并和 Coding Agent 配合编写成应用。

第四层是全自动：用户什么都不用做，多奇根据白天对孩子的观察，在夜里反思，第二天自动生成更适合他的内容。

我们确实用了 AI coding 的能力，但用户感知不到 coding，用户只是在点菜。

Founder Park：夜间反思具体是什么？

包塔：我们希望它不是只在小朋友主动使用时才工作。白天，它陪小朋友读绘本、玩游戏、做口语练习，过程中会感知孩子喜欢什么主题、哪些词汇掌握得好、哪些地方容易卡住。

到了晚上，孩子睡觉以后，机器人可以把白天的记录重新拿出来做反思。比如它发现孩子今天读了恐龙绘本，对恐龙很感兴趣，但几个英文词一直没有说好。它就可以在夜里规划一个新的小应用，第二天早上给孩子生成一个「营救小恐龙」的任务，把那几个词重新揉进去。

这和刚才家长点菜不一样。家长点菜是人提出需求，机器人拆解和生成；夜间反思更接近全自动，它自己根据上下文判断孩子需要什么，再生成新的东西。

这里面还有一个时间差。现场生成一个应用，等一分钟小朋友可能会着急。但如果放到夜里，孩子本来就在睡觉，第二天早上妈妈看到「多奇给孩子准备了一个新任务」，反而会觉得很自然。

我们不是只把白天的交互时间利用起来，而是把白天、夜晚、清晨都串起来。白天陪玩，晚上反思，早上给出新东西。它从一个开箱即用的 AI 小陪教，变成一个 24 小时持续自我进化的机器人。

Founder Park：这种「生成能力」会怎么改变现有的用户体验？

包塔：以前孩子可能只是孤立地读一本绘本。现在我们想把它串成一条完整的闭环链路。

首先，孩子读绘本时，机器人在旁边理解他喜欢的主题、出现了哪些词汇、哪些词孩子说得好、哪些词没说出来。读完以后，它可以围绕这些词和孩子对话，把词汇放进新的语境里。

同时，在对话发生的时候，后台其实已经实时生成了一个小游戏。比如孩子读了月球探险主题绘本，又对某几个单词不熟，机器人就可以生成一个飞行月球主题的小游戏，把火箭、月球这些词揉进去。孩子感觉是在继续玩登月飞船的故事，妈妈看到的是孩子在复习词汇。最后，机器人还会把学习情况反馈给家长。这样就从单纯的「读一本绘本」，变成了「阅读—理解—对话—游戏巩固—家长反馈」的整条链路。

这就是 AI Coding 对我们真正的价值。它不是让用户看到代码，而是让原来割裂的功能串起来，让机器人可以围绕一个孩子当下的兴趣和短板，现场生成新的交互。

这也是我们说「能力生成」比「内容生成」更重要的原因。内容生成只是给你讲一个新故事，但能力生成是说，我知道你现在需要一个「看书打卡」或者「读完问三个问题」的流程，系统就能把这个由代码驱动的流程现场做出来。对家庭来说，他们感受到的是机器人越来越懂我家孩子，而不是某个功能又发了一个版本。

这不是为了展示 AI Coding，而是为了让产品跟上家庭的长尾需求，彻底打破传统智能硬件「开箱即巅峰、越用越过时」的宿命，让机器人变成一个真正越用越懂你、越用越聪明的自进化智能体。

06 

把硬件器官做成 AI 可以调用的外挂 Tools

Founder Park：你们做硬件的时候有为后来这些 Agent 能力预埋东西吗？

包塔：我们当时最核心的思考是，怎么做一款能和小朋友长期互动的硬件产品，并以此倒推它应该具有什么样的器件。比如在屏幕这个考虑上，很多小朋友原来的设备是没有屏幕的，但有两个问题要回答：家长会觉得有屏幕是不是伤眼睛？没有屏幕的话能不能让小朋友很好地交互？

我们做了非常多的思考和实验，最后很明确：有屏幕以后交互能力上升非常多。特别是低龄小朋友，如果没有屏幕，很多时候你要给它一个概念，或者 AI Coding 里的很多东西，没有屏幕根本没法做。

屏幕相当于是多奇的表达器官和白板。多奇现在还没有手可以指指画画，如果只靠语音嘴巴是不够的，有了屏幕，很多 AI Coding 现场实时生成的轻交互才能跑得通。这是一个非常关键的判断。

其实这很像任天堂 Switch 的那种软硬件解耦逻辑。Switch 之所以能做出《健身环大冒险》这样的专属体感游戏，并不是因为任天堂出厂时就预置了健身功能，而是因为他们把 Joy-Con 的陀螺仪、红外动作相机、实体按键等硬件原子能力，做到了极其彻底的模块化拆解。这就是一个顶级的垂直深度打样，证明了底层的原子能力只要拆得足够彻底，在长尾和跨界场景下就能被重新编排成任何东西。

Founder Park：那伤眼睛的问题怎么解决的？

包塔：关键在于产品的定义和交互距离。多奇的正常场景是在实体桌面空间里，比如玩玩具、读绘本、画画。屏幕不是让孩子一直去戳戳点点的设备，它只是一个辅助表达。小朋友的大部分注意力其实都在实体桌面上。

我们在去年做入户调研时发现，家长往往会拿它去类比手机和 Pad，孩子拿手机会越看越近。但多奇是坐在孩子对面，小朋友和它一块看桌上的东西，彼此间隔大约有 40 到 50 厘米远，这在物理上就拉开了安全距离。

Founder Park：摄像头为什么是两个？

包塔：我们在所有硬件选择上都做了一定的冗余和储备。比如头部的摄像头，底线是能看清桌面印刷品上的仿宋体 5 号字，这其实提前储备了未来的作业学习场景。后来我们在胸口又开了一个摄像头，是为了能看到孩子所在的环境和表情，自然也就预埋了未来的视频通话能力。双摄各司其职：一个看内容，一个看人的动作，这在 2023 年 10 月份就定下来了。

Founder Park：手上的按钮呢？

包塔：左右手掌心的确认按钮，也是提前预埋的，类似于游戏机的确认键。刚开始做纯英语内容时，这个按钮还没有被彻底用好；现在到了 AI Coding 这一代新的动态场景里，这两个物理确认键变得非常有用。

Founder Park：这些器官在 Coding 的时候怎么被调用的？

包塔：传统智能硬件在开箱时，硬件和固件是一套写死的嵌入式系统，功能出厂即固化。但多奇 OS 允许把所有硬件模组像打通 API 一样全面解耦开放。

我们把每一个模组的能力封装起来，交给云端的 AI ：如果你能用到身体里的 8 个模组，你会怎么调用它？AI 就可以根据当前的场景，自己去自主判断。当要做一件事时，它自己决定什么时候需要摄像头去追踪卡片、什么时候需要陀螺仪把机器人本身变成方向盘、什么时候让屏幕去表达。它不再是出厂时死板的应用，玩法就变得非常灵活了。

Founder Park：外观为什么不是一个标准机器人，而是现在这种形态？

包塔：外观首先要承载硬件，这是硬条件。双摄、屏幕、按钮、传感器都要放进去，不能只从可爱出发。其次，3-8 岁孩子需要它有亲和力，但父母又希望它有科技感，不能只是一个容易弄脏、不好打理的毛绒玩具。所以我们选了目前这种外观，并做了表面特殊工艺处理，保持一种微弱的皮肤触感。

我们也试过小熊猫等各种动物形象，但具体动物的颜色和设定天然会被限制。最后我们通过和小朋友投票测试，把它抽象成一个大耳朵的小精灵。有些孩子觉得像兔子，有些觉得像羊，我们不会把它锁死定义成某一种动物。因为要考虑更多长尾场景下的适配性。如果它被定义成兔子，在动物园门口介绍别的动物，逻辑上反而会有点奇怪。抽象一点，它才更像一个无界面的陪伴角色。

07 

儿童市场很大，

现阶段还谈不上竞争

Founder Park：现阶段真正的竞品是谁？

包塔：很难说有一个硬件产品和我们完全一样。它又是英语，又有屏幕，又有实体互动，又有过家家道具，又有绘本阅读。真正的竞争不是某一个特定的 AI 新硬件，而是妈妈历史上的传统选项。

低龄妈妈过去熟悉的是点读笔、故事机、熏听机、绘本课；大龄孩子家长熟悉的是学习机。我们要切的是她原来的认知和习惯：她为什么要把孩子的时间交给你，为什么相信你比原来的解决方案更有效。

AI 陪伴硬件整体还很早期。现在所有玩家加起来的货量，放在 3 到 8 岁这个巨大的少儿人口大盘里，渗透率连 1% 都不到。所以这个阶段与其说是互相竞争，不如说是一起教育市场。

Founder Park：做儿童 AI 硬件，你们觉得壁垒在哪里？

包塔：仅从这次讲的自进化能力来看，我觉得有两个核心。

第一是长期记忆，就是多奇和小朋友长期交流之后沉淀下来的上下文数据，它更了解这个孩子，才能更容易和他高频互动；第二是场景剧本，也就是在真实家庭场景下怎样持续交互，既满足孩子好玩，又满足父母的教育和习惯培养诉求。

这些剧本里沉淀的是我们过去两年踩过的坑。比如怎么和小朋友读一本书，什么时候纠正，什么时候不纠正，什么时候让他选择，什么时候给他正反馈。这些 Know-how 不是基座模型能力提升就自动带来的，必须长期扎在用户场景里去磨。过去这些东西是我们自己闭门沉淀，速度还不够快。现在有了多奇 OS 下的 PM Agent 和技能市场，再引入用户和达人参与，整个场景剧本的沉淀速度会呈指数级加快。

纯看算法参数，大模型懂万物，但它们天然缺乏特定场景里的 Context Layer，它们不可能天然地知道一个中国三岁半的孩子，在桌面玩游戏时的真实意图、品味倾向和高频错误打标是什么。

多奇真正的差异化，来自于我们团队过去两年来在真实家庭环境里，高频做交互验证所沉淀下来的「场景剧本层」。从 2024 年我们用最粗糙的原型小熊做入户测试、再到去年每个月的「三周漂流计划」，这种深入真实家庭环境、做高频数据清洗和打标的过程，已经成为我们产研迭代中自洽闭环的肌肉记忆。

Founder Park：所以这本质上是一个数据飞轮？

包塔：可以说是能力飞轮和数据飞轮的结合。长期记忆更像数据飞轮，场景剧本更像能力飞轮。

用户和多奇相处得越久，这个私有的上下文层就越厚，模型也就越容易理解并现场生成出孩子喜欢、家长买单的轻应用。这种高壁垒的物理空间交互数据，大厂的广告分发引擎和手机操作系统是没有物理入口去高频采集的。把对场景和用户的理解持续滚动并转化为产品优势，这就是我们对壁垒的思考。

Founder Park：AI 的幻觉问题很严重，儿童场景上，你们是怎么做 harness，保证内容产出安全的？

包塔：坦率地讲，在软件和 AI 工程里，没有人敢轻言百分之百的安全，但少儿产品的特殊性决定了你必须把边界控制做到极致。

所以我们在多奇 OS 的底层，设计了一套严密的 Harness（安全约束框架）。我们利用了 AI coding 的能力，但我们对它现场能生成的程序权限，做了极大的克制和收敛。

例如，我们在系统里做了一套「技能定义规范」。每一个长尾场景（比如打卡、算术、故事游戏），对模型来说都不是一段天马行空的自由发挥，而是一本结构高度规范的说明书。主 Agent 去阅读这本说明书，明确自己能调用哪些硬件工具、只能在哪些边界内发挥智能。如果用户的诉求超出了这套规范的约束，系统会诚实地拒绝执行。

再比如夜间反思生成的新能力，在清晨推送到机器人之前，必须先在家长端的小程序报告里亮起。由妈妈一键点击确认后，沙盒里的新应用才会被真正激活。我们没有简单地把大模型接口直接裸露出来，而是把模型所有的不确定性，用代码级的安全网死死卡住。

Founder Park：未来这个产品的最终形态会是什么？

包塔：想象中，它就是小朋友身边的「叮当猫」。

未来它肯定会演进出移动能力，也可能会接入更多丰富的物理外设。但多奇现在先从「不能动」的桌面形态开始，因为小朋友身边一个能动的设备，在物理空间里的安全性要求极高。它会慢慢从小外教，变成一个更全能、更聪明、更会玩的陪伴形态的机器人。

08 

技术范式变了，

最好的马车永远变不成汽车

Founder Park：你们目前最大的焦虑是什么？

包塔：不是儿童陪伴这个需求在不在。这个赛道肯定在，中国 3 到 8 岁小朋友有 8000 万到 1 亿，现在整个 AI 儿童硬件渗透还非常早期。

最大的变量还是技术演进的速度。AI 的供给侧变化太快，可能会带来新的形态。你现在很难断定哪一种软硬件组合能长期拥有生命力。

但这也是创业有意思的地方。与其焦虑，不如拥抱。我们要做的是一直站在用户那一侧，等技术浪潮拍过来，把它用到真实需求里。

Founder Park：你们会怎么定义「这件事成了」？

包塔：如果这个新品类在儿童赛道里真正被大规模使用起来，我觉得就算成了。但最终形态不一定就是今天这个样子。

这很像我以前在有道，最开始是从网页搜索起家的，后来率先跑通形成公众认知的是词典，并一步步衍生出了今天的教育和智能硬件生态。它当然算成功，只是换了一种更契合市场的形态。所以对多奇也是一样，只要它最后能服务足够多孩子和家庭，形态可以变化。

Founder Park：如果这件事最后没成，你们觉得原因会是什么？

包塔：痛点肯定一直都在，儿童陪伴、低龄启蒙、父母希望孩子能更好的学习和更快乐的玩。更大的风险是技术带来新的供给形态，如果行业出现了一种更高效、更好的形态，我们没有及时 pivot 过去，那就会有问题。

有点像最好的马车也不是汽车。你可以把马车做到非常好，但如果汽车这个新形态出现，你还在马车的逻辑里优化，就会被打懵。

所以我们内部一直强调「组织本身的 AI Native」。这绝不是表面上让员工用几个 AI 工具，而是整个团队的产研结构要能持续吸收技术变化。只有组织本身是流动的、能变的，当产品形态需要大调头的时候，你才有机会跟上。

这也是为什么我们会关注用户侧和技术侧。用户侧让我们知道真实需求在哪里，技术侧让我们能在供给变化时快速切换。只盯技术会变成自嗨炫技，只盯用户又可能错过技术代际带来的红利。两边都得在。

Founder Park：你们希望外界怎么理解奇点灵智？

包塔：它是一个拥抱 AI 浪潮，但始终扎根用户价值、扎根真实家庭场景的产品团队。

我们希望多奇对小朋友、对中国爸爸妈妈真的有用。哪怕有一天这个团队完成了历史使命，别人回忆起这个产品，会觉得它在 AGI 刚爆发的某个阶段，确实做出过一些有启发性的新东西。

我们对用户的理解，从开卖前怎么做，到量产后怎么做，再到多奇 OS 的迭代怎么做，逻辑是一脉相承的。

如果说过去我们对自己是不是百分百 AI Native 的团队还有一些自我审视和怀疑，今天我会觉得很有底气。多奇是一个能自进化的机器人，而奇点灵智也是一个能自进化的团队。我们做这个产品的方式，和产品本身想表达的东西，开始共振了。

文章来自于微信公众号 "Founder Park"，作者 "Founder Park"