鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

售价数万、毛利超90%,AI玩具跑出下一个泡泡玛特?

编程导航
编程导航
2025-09-22 12:32
阅读 408
编程导航
2025-09-22 12:32
阅读 408

投资人集体看走眼,错过千亿神话泡泡玛特已成创投圈一个经典反面案例。这一次,资本似乎“宁可投错,不能错过”。

8 月 25 日,AI玩具跃然创新(Haivivi)官宣完成 2 亿元 A 轮系列融资。该轮融资由中金资本旗下基金、红杉中国种子基金、华山资本、愉悦资本领投,招银国际等共同参投,Brizan Ventures等老股东持续加注。

值得一提的是,这是今年跃然创新拿到的第二轮融资,距离上一次A2轮融资不过4个月时间,而且,创下AI玩具融资金额最多记录。

不止跃然创新一家得到资本青睐,AI玩具,这个同样以提供情绪价值为卖点的细分赛道,至今已经吸引近百家投资机构。据IT桔子数据,AI玩具赛道目前已有96家投资机构参与其中,包括红杉、顺为、五源、字节跳动、京东等一线投资机构与互联网大厂。2024年至今,AI玩具赛道融资数量与金额均大幅增长。

资本拼命卡位,押注下一个泡泡玛特传奇时代。

资本集体押注AI玩具

如果说,2024年是AI玩具元年,那2025年便是AI玩具遍地开花的一年。AI玩具玩家从创业公司到上市公司再到互联网大厂,融资、量产、销售如火如荼地进行。

前大厂高管们引爆AI玩具创业赛道,今年拿到融资的几家创业公司,创始人皆出自头部大厂。

跃然创新创始人李勇,历任锤子科技的首任营销总监、360营销、阿里天猫精灵的合伙人。2021年,李勇从阿里离职创办跃然创新,一个月之后便拿到了首轮融资。

天眼查数据显示,自2021年成立至今,跃然创新已累计完成6轮、数亿元融资,投资方包括中金资本、招银国际、香港科技基金、红杉中国、华山资本、愉悦资本、蓝驰创投等头部投资机构。

另外一家3个月拿到2轮融资的维他动力,创始人兼CEO余轶南曾在百度、地平线等公司任职。背后资方包括高瓴资本、今日资本等明星投资机构。

9月初完成数千万人民币A1轮投资的AI机器萌宠公司萌友智能(Ropet),其创始人何嘉斌职业经历跨越微软、百度、字节。

此外,6月份拿到天使轮融资的AI情感陪伴硬件公司“珞博智能”,创始人孙兆治此前为⼩鹏机器⼈(鹏⾏智能)产品设计负责⼈。关于珞博智能,一个广为流传的投资故事是,曾给机器人赛道“泼冷水”的投资人朱啸虎,在跟珞博智能聊了十分钟后便决定投资。

头部投资机构集体涌入AI玩具赛道。资本加持之下,创业公司一路开启加速扩张。

销量见证着市场的火爆。跃然创新去年7月推出的全球首款AI玩具BubblePal,一年时间卖了20万台,至今累计销量突破25万台。以其售价389元计算,一个单品AI玩具销售额达到了1亿元。

8月推出的第二代产品CocoMate系列,跃然创新工作人员告诉Tech星球,新品发售即售罄,现在还是预售阶段,网上平台独家。CocoMate 和 BubblePal 在功能上略有不同,它是全球首款端到端AI 互动玩具,可以更精准地捕捉到人的的语气和情绪,而第一代产品BubblePal 在对话响应上相对较弱一些,但它可以挂在任何玩偶的脖子上,能让喜欢的玩偶活起来。

珞博智能旗下AI陪伴产品芙崽,与BubblePal售价不相上下,定价399元。数据显示,今年“618”销量在京东潮玩品类排行榜上仅次于泡泡玛特和名创优品旗下的单品。其创始人透露,7月生产了5000台卖光了,8月产能一两万台,也都快卖光了。

芙崽共有五款颜色,分别对应中国五行(金、木、水、火、土),京东产品页面介绍上,芙崽的宣传标签是“会怼老板的AI机器人”,其销售表示,木和火两款产品销售比较好。

汤姆猫、奥飞娱乐等上市公司同样凭借AI玩具实现了增长。数据显示,汤姆猫公司去年底正式推出汤姆猫AI情感陪伴机器人,今年“6·18”电商大促首日,单场直播销售额超180万元的成绩登顶抖音AI玩具品类榜单。奥飞娱乐自年初开始首批AI智能喜羊羊开始批量销售,目前已迭代超3代产品,增长趋势明显。

高端产品售价数万,毛利超90%

AI玩具概念很广,它不是AI+玩具的简单叠加组合,也不仅仅局限于传统观念中的儿童玩具。AI毛绒玩具挂件、AI毛绒玩具、儿童陪伴机器人、AI宠物、AI机器人、AI潮玩都属于AI玩具范畴。

AI玩具市场定位已经从儿童扩展到了年轻人、中老年人等全年龄段人群。商业模式主要是硬件销售,订阅服务。

目前,市场上的AI玩具定价大多在300-400元,中端产品1000-3000元左右,部分高端产品售价数万元。以日本公司GROOVE X推出的AI陪伴机器人LOVOT为例,它的基础款价格约3万元人民币,高配版则高达6万多元。

价格与产品功能呈正相关,是否具备语言能力、感知人的情绪波动、反应速度、互动能力、是否为IP等维度,决定了一款产品的价格高低。

AI玩具毛利率远高于传统玩具,与潮玩不相上下。玩具AI化之后,价格比传统毛绒玩具高出5-10倍。前瞻研究产业院数据显示,AI玩具行业一般产品如BubblePal等基础款,毛利率大概在50%-65%,1500元-3000元的汤姆猫机器人、RoPet,毛利率维持在70%-85%,个别高端产品如LOVOT、特斯拉机器人,毛利率甚至可以超过90%,比潮玩顶流泡泡玛特70.3%的毛利率还要高。

充满想象力的利润空间吸引着多方玩家入局。大模型技术成本的降低,让AI玩具创业的门槛变得极低,大厂、传统玩具制造商、IP公司、AI玩具初创企业集体瞄准了AI玩具赛道。

不过,这个行业擅长融资的公司可能比最终量产产品的多得多。

AI玩具产品悠妮机器人技术联合创始人秦曙光,此前做了十几年的程序员,行业红利逐渐消失,被动转型的他经过一圈市场调研,最终选择做竞争不那么激烈的AI玩具创业。他向Tech星球表示,他们与上海一家技术产品公司合作,公司去年至今大概投入了500万元,一支30多人的团队自主研发一年时间,才终于推出了第一款桌面机器人产品悠妮,定价399元,对标Eilik机器人。

公司主要盈利模式是ToB,为品牌代加工。曙光透露,一件售价几百元的产品,他们只赚几块钱。

过去一年踩过的坑让他意识到,国内现在很多产品不成功,是因为很多人只停留在炒概念、拿Demo(样品)融资的阶段。很多科技企业都是类似的套路,融了几百万、几千万元,做个样品之后就不了了之了。过去的PPT融资时代发展成了Demo融资时代,这也导致国内现在很多加工厂是为Demo而非量产而生。很多创业新手通常很难躲过这个考验,他跟公司为此交了数十万元的学费。

千亿市场成功率低,有人亏损上千万

千亿市场等待下一个泡泡玛特的诞生。

据市场研究公司Market Research Future (MRFR)2025年9月发布研报,AI玩具市场规模预计将从2025年的421.5亿美元,增长到2034年的2247.5亿美元,在预测期(2025年至2034年)内,复合年增长率(CAGR)达到20.48%。

不过,资本对AI玩具的态度并不统一。有投资人直言并不看好AI玩具赛道。

赛道内的创业玩家,进展也并不乐观。一位AI领域分析师告诉Tech星球,最近跟AI玩具创业者聊,感觉赛道现在发展情况并不好,AI玩具成本较高,还不如普通毛绒玩具卖得好。融资数量多可能也跟投资人海投有关系,每个赛道都会Cover一下。融资金额也可以反映资本的重视程度。

AI玩具成功率极低,有人已经退出AI玩具项目。AI硬件创业者老石向Tech星球表示,他所在的一个社群里面有很多做AI玩具的创业者,他聊过40~50家,目前活下来的只有2~3家。

他本人也在今年年初放弃了AI玩具项目,转型做学习陪伴硬件。老石称,他们算是做得比较早的那一拨人,4月份开始的,产品定位是儿童学习陪伴。在他感知里,去年8月份,赛道开始变热,不少玩具厂商、品牌方找过来问能不能一起联合做,那时候行业解决方案还处于空白期。于是,老石团队提供技术解决方案,联合IP公司、玩具厂家一起做了AI陪伴产品。

但很快老石便意识到方向不对。老石称自己做产品技术出身,所以刚开始往往从自身或周边需求出发,没有一个非常明确的方向。做到去年12月份,老石感觉到了不对,一方面,产品留存率极低,另一方面,库存积压严重,市场价格卷到极低。原来100多块,年初降到了七八十,然后到现在已经只要19.9元,还有9.9元。此外也有技术的问题,像灵敏度不高,操作不方便等等。

老石称,试错之后发现,行业希望AI大模型赋能玩具,但AI大模型是理性的,它没有情感,所有大模型都是学习人的语言、文本,是一个逻辑的东西,不能做情感陪伴,它需要做得是具体场景陪伴,解决人的刚需问题。

其次,即使AI玩具以后能做成,也不是技术方案公司,最后成功的一定是像迪士尼那样的IP方。他跟IP方合作过,所以知道IP方的流量有多大。在他看来,AI玩具的核心竞争力不在于技术本身,而在于内容创作和持续的用户心智影响。“假如这些IP公司自己下场做,技术型公司可能第一个被干掉。”与IP合作的技术型公司,可能前期所有试错、探索都是在给IP方做嫁衣。

一家公司拿到融资不代表它成功了,销量好也并不意味着高枕无忧。在老石看来,AI玩具还处于探索期,退货率很高,留存率很低。而且,品类定位是错的,现在过高的技术投入完全属于“屎上雕花”,因为定位玩具之后,价格上去了,就没人买单,价格下来了,自己亏损。他认识的人中,有人已经亏损上千万元。

任何一个风口都是这样,一定会跑出少数独角兽,也一定会有人亏损退出。资本助推之下,有可能成功,也可能成仁。(翟元元)

原文链接: 售价数万、毛利超90%,AI玩具跑出下一个泡泡玛特?
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手