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

AI陪伴的狂欢与隐忧,2025年谁在裸泳?

编程导航
编程导航
2025-10-27 12:30
阅读 305
编程导航
2025-10-27 12:30
阅读 305

“一个20块的芯片,能让50块的玩偶卖到500块。这大概是2025年,对普通人来说最赚的一笔投资。”在社交平台,有人如此说道。

正如他所说,AI陪伴硬件尤其是AI玩具,可以说是当下增速最快的赛道之一。

2025年初,主营智能穿戴的芬兰公司Oura,宣布完成2亿美元的D轮融资,估值达到52亿美元。其年销量也突破250万枚,销售额高达5亿美元。视角转回国内公司,跃然创新推出的一款能让毛绒玩具“活过来”的AI挂件BubblePal,不到一年卖出25万台,销售额破亿。在潮玩之乡东莞,搭载上“AI陪伴”这四个字的玩具工厂,月销量超过20万台。

但“AI陪伴”也并不是万能药。

在社交媒体上,针对AI陪伴玩具的吐槽层出不穷——售价太高、人工智障、诈骗......这些负面的声音似乎都在诉说着一个核心问题:AI陪伴硬件仍然在走“一头热消费”的路子,其营利模式仍然需要持续打通。

与此同时,过去一段时间风风火火的AI陪伴软件,也迎来了变局。一边,过去支持者众多的精神树洞悄无声息地销声匿迹;另一边,意识到情绪价值不会再风起于“复制粘贴”的软件们开始走上实用之路。中小厂们坚持着在赛道内挣扎求生,“老登”应用开始“躺平”收割。

“AI陪伴”这个风口,看似风起,却注定带不飞所有人。

成本个位数,回报近10倍:AI情绪搭子,被所有人盯上

AI陪伴产业正在经历一场巨变。

2025年初,据不完全统计,已有117家公司入局了AI硬件,其中约有七成来自中国。到2025年4月,全球人形机器人本体企业已超过300家,其中中国企业数量超过150家。

市场研究和咨询机构Grand View Research统计,2024年全球智能陪伴市场规模达到281.9亿美元(约合人民币2000亿元),预计在2025年至2030年间,将以30.8%的复合年增长率高速扩张。

彼时,AI眼镜Ray-Ban Meta在全球销量超过百万,眼镜、耳机类的陪伴类硬件成为炙手可热的时尚icon,产品数量几乎占据全品类的半数规模。

头部科技公司更是闻风而动,率先在AI陪伴硬件赛道押宝。OpenAI斥65亿美元收购AI硬件初创公司io,字节跳动开发陪伴玩偶显眼包和智能耳机Ola Friend。

但此一时彼一时,半年过去,虽然扎克伯格在Meta Connect年度开发者大会上的三款智能眼镜新品仍旧被关注,但AI陪伴赛道的局势早就迎来了新的变化。

一个最突出的变化就是,玩具代替穿戴型硬件,成为了增速最快的品类之一。

京东平台数据显示,2025年上半年,AI玩具产品销量环比增长达6倍,年同比增速超200%。跃然创新推出的BubblePal AI挂件,不到一年卖出25万台。按700元单价计算,销售额直接破亿。起源于“脑腐梗”(Brainrot)的野生IP“AI山海经”,在短时间内衍生出毛绒玩具、手办等数十种商品,相关产品在亚马逊、TikTok Shop总销售额破百万,利润率高达25-30%。

区别于大厂扎堆的机器人,AI玩具入局的不止是头部企业。这背后的原因是,AI陪伴玩具的“低门槛”和“暴利”正在被看见。

在小红书上,AI玩具和AI聊天机器人芯片成本已经遭到了彻底的披露。

一位通信芯片行业从业者透露,AI玩具的芯片方案模组(WiFi芯片加上音频芯片等)成本大概在十几元至二十元。

某位手作爱好者在DIY AI语音机器人后,发现除了单片机十几块,AI芯片所需的其他零件几乎都是几毛钱、几块钱。接入deepseek的一套机器人只需要花费80元。在评论区,甚至有人回复,芯片的成本价可以压缩到个位数。

SevenUp Capital的创始人赵楠也曾透露,一个毛绒玩具的终端售价在150元至200元,毛绒玩具厂商采购一块嵌入玩具中的AI物理模块大约需要30元至50元,但加上AI陪伴的交互功能,一个毛绒玩具的售价有机会达到500元左右。这意味着,一份低价的芯片投入,能获得近10倍的回报。

甚至,AI玩具调用云端模型时需支付费用也已经大幅下降。譬如,2024年5月发布的豆包主力模型在企业市场的定价仅低至0.0008元/千Tokens,同年12月字节发布的视觉理解大模型输入价格更是只有3厘/千Tokens。

低价、简易、高回报直接导致“飞蛾们”快速涌入低阶AI玩具的赛道。

在中国潮玩之乡东莞,这样的追逐直接具象化了数字。

汕头某科技公司CEO陈锐烽透露,在2025年2月前后,工厂的意向订单已经有几十万了。广东省东莞市大匠鑫龙科技有限公司相关负责人也曾对媒体坦诚,今年以来,生产线接了大量的AI玩具订单,目前月产能约20万台。

如果说,泡泡玛特改写了搪胶这一品类的历史,那么AI就是为玩具行业提供了一次新的机遇。

在低阶机器人以短平快高速高量平铺市场之外,情感需求这一搭框架下,头部品牌已经实现了率先占位。

譬如2019年就在Kickstarter上推出宠物陪伴机器人的家庭智能陪伴机器人品牌Enabot,在三年内销量增长就高达93.6%。可触未来开发的智能桌面设备Looi,2025年8月实测时日均互动频次就超过15次,众筹金额已经达到470万。

在这个不可回避的市场现况下,更高一阶的AI陪伴机器人,进一步在细分赛道进军,以便更快触及垂类用户。

主要有四个方向。

一是主攻“鸡娃”的教育陪伴。二是主攻银发经济的老年陪伴。三是主攻家务的家政陪伴。四则是更细化的医疗陪伴。

其中,教育赛道成为了最拥挤的一环。据霞光社不完全统计,目前国产的教育属性AI陪伴产品数已经超过20个。

这其中的原因并不难解释,教育辐射了最有消费能力以及消费意愿的一批消费者。一位消费者就告诉霞光社,她在分享会现场呆了不到半个小时,就订购了一个价值499的AI玩具。

“不过拿到手也觉得钱白花了,这个玩具几乎是垃圾。”

从“人工智障”到“赛博情色”:AI陪伴赛道变天

相较于AI陪伴硬件,线上应用已经算是经历了一次长跑。

早在十年前,AI陪伴就悄悄诞生在了互联网。只不过那时,大众对于技术力持高度的抵触和恐惧,“人工智障”作为被“验证过”的标签,始终环绕AI头上。这个赛道属于小众,也仅限于小众。

如果说疫情激发了大众对“陪伴”的需求和探索,AI就是打开欲望的潘多拉魔盒的钥匙,它赋予了社交新的形式和可能性,也为资本带来了新的风口。

2022年年底,ChatGPT横空出世,在大众开始感叹于其运用在生活和工作中的便利性时,一部分受众也开始调教专属于自己的AI男友/女友,成为了最先一批享受新型AI陪伴的人群。

2023年5月,基于大语言模型的角色对话聊天机器人Character.AI移动应用端问世,首周下载量就突破170万次,被谷歌评为2023年度最佳AI应用。

随后,硅谷VC机构a16z在2024年3月发布的报告指出,AI陪伴已成为主流,有10家产品入选「全球最火的50个AI应用」榜单。包括但不限于Crusho.AI、candy.ai、Poly.AI、SpicyChat.AI。

时至今日,在线上,AI陪伴仍然是一只飘红的概念股。

据不完全统计,截止2025年7月,全球已有超过128款AI陪伴类App上线应用商城,累计下载量已突破2.2亿次。全球消费者在AI陪伴类应用上的投入超过2亿美元,同比增长超60%。

但在情绪价值已经被当作口号,越来越失去想象力和吸引力的当下,又一批AI社交迎来死亡宣判。

2025年2月,“星野”的日下载量,从2万次骤降至7000次,“猫箱”的广告投放量,从每天2000组暴跌至200组,扎堆出现的聊天伴侣终于被“复制粘贴式的可替代性”压垮。

而这似乎进一步证实了牌桌已经饱和的现实,于是,部分想借“巧劲”收割陪伴用户的AI软件,选择大刀阔斧地走向实用性。

情色是最为“常见”的选择。

7月14日,马斯克的xAI为IOS版Grok App上线“智能伴侣”模式,推出了两个AI形象——以《死亡笔记》中角色弥海砂为原型创作的少女Ani,以及毒舌的红熊猫Bad Rudi。

所有SuperGrok的订阅用户(订阅费用为每月30美元,约合人民币214元),都能够享受到哥特风萝莉“Ani”的撒娇、情话、舞蹈服务。在好感度达到3级后,还可以开启“NSFW”模式,Ani会穿上情趣内衣,解锁NSFW(Not Safe For Work成人内容)模式,完全不设任何安全限制。

这场赛博亲密互动,迅速点燃了消费者的热情,上线24小时内,#宅男们的集体春天#话题在X平台浏览量破3000万,一句“这是我这辈子最浪漫的 30 美元投资”的发言,得到了数万人的情绪共振。

无独有偶。

10月15日凌晨,OpenAI CEO奥特曼发文,宣布ChatGPT将在未来几周推出新版本,计划在12月推出更加全面的年龄分级系统,允许为成年用户提供成人内容。

以原始冲动为原点的情色,成为了情绪最好的落地条线,在灰色板块为AI陪伴提供了一条可行之路。

除此之外,以游戏攻略为首的“实用细分”陪伴AI软件,也逐渐从市场跑了出来。

前B站副总裁刘斌新推出的“逗逗游戏伙伴”,就主打游戏搭子路线,靠“神队友陪玩”的独特定位和体验培养用户的忠诚度,收揽了800万优质搭子。近期,“逗逗游戏伙伴”也开始以“Hakko AI"加速出海,意图优先占位全球玩家的“神级搭子”赛道。

当然,如果找不到切入口,“最下策”还可以背靠大树。

日本公司 Odd Number 打造的“AI男子”,则将自己引入了即时通讯平台 Line,寄生在这一大树之上,以契合用户社交习惯的方式,更便利地与AI 男子们对话。

现实很残酷,AI陪伴的牌桌上已经挤满了人,要想活下来,只能走一条“偏路”。

中小厂“非自然死亡”,大厂包揽TOP30:AI陪伴的冰火两重天

当然,AI陪伴应用的非自然死亡仍然不可忽略。

客观原因在于,无论是AI产品还是专精的AI陪伴类产品,都呈现出“唯大厂论”,国内的创新公司和中小厂集中出现持续性不足的问题。

澎湃发布的2025年全球百大值得关注的AI APP榜单中,字节跳动、阿里巴巴、腾讯、百度的自有AI 软件总数占比近四分之一,其中,字节跳动以12款软件数位居榜首。

统计2025年8月a16z发布的第五版互联网AI产品TOP50榜单,排名前30的软件也几乎被硅谷科技巨头、硅谷创业产业和国内互联网大厂包揽。

一是大厂拥有更大的容错率,能够支持在商业模式尚未跑通的情况下,持续开发无盈利压力的尖端业务,聚焦构建品牌生态和影响力占位。二是,大厂拥有更完备的生态和使用场景,能够更快速地连接用户、培养粘性。

三是“靠山”的差异。在用户需求范围内所需大模型能力差不多的前提下,场景挖掘和高质量数据,直接决定了AI应用的上限,而国内TO C场景的核心数据,集中在互联网大厂手中。

在硬件赛道,第一个牺牲者也已经出现。

2020年,美国AI陪伴机器人公司Embodied的王牌产品Moxie就正式诞生并投入市场。这款儿童陪伴机器人在当时的预售价格,就高达1500美元,并且表示在购买第一年后,还需每月60美元的订阅费。尽管当时就因高价被从业者和媒体质疑,但Moxie仍然备受瞩目,甚至被《时代》杂志评选为了“2020年最佳发明之一”。

Moxie——一款机器人伴侣,旨在帮助 5 至 10 岁儿童的社交、情感和认知发展

而就在今年4月,这个估值20亿的新星宣告破产。

“尽管我们竭尽全力寻求其他资金,但仍然未能完成一轮关键融资。领投方在最后阶段退出,导致公司失去继续运营的可能性。”在公告中,Embodied如此宣称。

以数据泄露为代表的安全问题,也是老生常谈的困境。

10月8日,网络安全研究机构Cybernews曝光了一起严重的数据泄露事件。

AI陪伴应用Chattee Chat和GiMe ChatAI的用户交互数据传输服务器Kafka Broker,被直接暴露于公网,且未设置任何身份验证或访问权限控制机制。只要点击进链接,就可以直接访问服务器中的所有内容,比如用户和AI伴侣分享的消息、媒体文件和活动日志。此次事件泄露了超40万名用户的4300万余条私密对话和60万余张图片。

另一边,AI陪伴类硬件的“教唆危机”也受到了关注。

2025年10月13日,美国加州州长加文·纽森(Gavin Newsom)签署了SB 243法案,这是全美首个专门针对AI陪伴型聊天机器人的监管法规,要求运营方必须建立安全保护机制,以防止技术滥用带来的心理与伦理风险。

如今的AI陪伴赛道,可以说是最具两面性的一个战场。

一边,针对AI陪伴的“限制”和管理正在完善,AI陪伴的用户消费习惯和盈利模式尚不清晰,其长期经营所需的创新能力和资源支持也门槛颇高。但另一边,又有一批人被虚妄的“低成本”迷惑,意图以“破釜沉舟”的姿态赚快钱跑路。

一面寄希望于饮鸩止渴、赚波热钱;另一面,为了AI陪伴应用的长期发展,又必须在上下求索中逐渐搭建出秩序体系与合规环境。

但尽管如此,所有人都在这场风暴中,拼尽全力走出一条自己的路。(乌塔)

原文链接: AI陪伴的狂欢与隐忧,2025年谁在裸泳?
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
🔥 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