人工智能讨论组

不懂硬件，我用 AI 做跌倒报警器：三十多万、四个多月的真实账本

【一、结论先说】
零硬件背景，能做 AI 硬件。但门槛没有消失，只是换了位置。
制造的门槛，深圳替你扛了。调试的门槛、联调的门槛、准入的门槛，还在，而且不懂硬件的人扛不动。
我今年做「善聆音」Sonlly-S1，一款老人跌倒报警设备。从起意到初步量产，自研失败过，外包成功过，账本都在下面。

【二、原推说了什么】
Shawn Shen 发了一条推（原推链接见评论区）。开头一句：“I have zero hardware background.” 一位深圳硬件创始人告诉他，这已经不重要了。理由四条：
① “ChatGPT 6 Astra designs the board.” 描述需求，AI 画电路；原文紧跟一句：“You still get an engineer to check it.” ② “Shenzhen prints it in 2 days.” 深圳 48 小时把定制电路板送到门口。 ③ “One supplier does everything.” 有的供应商能从草图一路做到量产。 ④ “Building is no longer the bottleneck. Customers are.” 造东西不再是瓶颈，客户才是。
结尾一句：“Today, you need a laptop and a flight to Shenzhen.”
这四条，第二、三条我同意，亲身验证过。第一条要打折扣。第四条，对零硬件背景的人不成立。

【三、我的时间线】
▍1. 自研：近两个月，没做出原型
年初起意，不懂硬件。我的做法是：用 AI 加 PCB 软件生成电路，自购 ESP32 做功能验证。
问题一个接一个： · AI 生成硬件和连线，很耗时。 · 实物调测，总出小问题。 · 找懂硬件的同学兼职看，时效差。
前后近两个月，原型机没做出来。断点多，排查难。
这一段的教训：AI 处理软件 debug 很快，但硬件从发现故障到排除，耗时巨大，尤其对非专业的人。
▍2. 深圳外包：两周选厂，45 天出样
自研走不通，转向深圳整体外包。
两周内跑了约十家代工厂，选定一家。打包内容：PCB 原理图、硬件打样和代工、云平台、小程序。总费用三十多万。
合同写 60 天，实际 45 天出第一批样品。
原推说“一家供应商包到底”，这是真的。深圳的效率，我认。
▍3. 联调：硬件四五版，软件近十版
样品到手，不是终点。
实测仍有很多小问题，软硬件联调也有问题。硬件改了四五个版本，都是小改；软件迭代近十个版本。联调又花了约一个半月到近两个月，才到初步量产。
▍4. 量产与准入：还有一串事
初步量产，不等于能上市卖。还要过这几关： · 外观设计 · 包装 · 商标注册 · SRRC 型号核准、3C、CE 等认证
注：SRRC 型号核准由原国家无线电管理委员会（俗称“无委会”）负责，现已并入工信部无线电管理局，核准后模块上打 CMIIT ID。
前面的三十多万，不含认证费。
▍时间与费用一览
· 自研阶段：近两个月，原型机未做出。 · 选厂：两周，跑了约十家代工厂。 · 打包外包：三十多万（原理图、打样代工、云平台、小程序），不含认证费。 · 出样：合同 60 天，实际 45 天。 · 联调：硬件四五版（小改），软件近十版，约一个半月到近两个月。 · 我的经验值：全部打包委托，最快几十万、两到三个月；从原型跑通到外观、包装、商标、认证、拿到市场准入，至少四到五个月。

【四、四个观点】
▍观点一：不懂硬件，出了小错意识不到，也改不了
软件出 bug，有报错，有日志，AI 能顺着查。硬件出问题，往往没有提示，板子就是不工作。断在哪，你不知道。
好比普通人生病，让 AI 指导吃药，大概率出大问题。不是 AI 不聪明，是你判断不了它说得对不对。
专业的事交给专业的人。硬件 debug 周期长，出了问题无从下手，这一点和软件不同。这是原推难以跨过的门槛。原推自己也写了“还要找工程师检查”，这句话分量很重。
公道说一句：我年初用 AI 画电路时，工具还很原始，现在可能已经升级了。我的经历是年初的经历。
▍观点二：AI 画 PCB 快，靠的是私有经验和数据
确实有公司能用 AI 画 PCB，大幅缩短周期。原因在于他们手里有大量私有经验和数据。这些东西，开源大模型没有，闭源大模型训练时也没有。私有化部署，才用得好。
即便如此，仍需硬件工程师用经验指导 AI。这一环不可省略。
▍观点三：软硬联调和样品后的优化，AI 帮得有限
AI 写代码快，软件 debug 快。但软硬联调、样品后的持续优化，是另一回事。硬件四五版、软件近十版，每一版都要实物验证。
这一段，只能由专业的人把 AI 当工具。不是 AI 替人干。
▍观点四：量产要过准入，才算数
外观、包装、商标、各种认证，一样不能少。过了，才有市场准入。
原推说瓶颈是客户。对已有硬件团队的公司，或许如此。对零硬件背景的人，在见到客户之前，还隔着调试和准入两道关。

【五、给零硬件背景创业者的实际建议】
以下只从我的经历推出，不代表行业通例。
· 先算账。按我的经验，全部打包委托，最快也要几十万、两到三个月；到拿到市场准入，至少四到五个月。预算和时间按这个打底。 · 别在自研原型上硬耗。我自己摸索近两个月，原型没出来。不懂硬件，早点交给专业的人。 · 选厂多比几家。我两周跑了约十家，才选定一家。打包范围要写清楚：原理图、打样代工、云平台、小程序。 · 出样之后，留足联调时间。我 45 天出样，之后联调又用了一个半月到近两个月。 · 外观、包装、商标、认证，提前排进计划。认证费单独留预算。 · 身边要有靠得住的硬件工程师。兼职帮忙时效差，这个亏我吃过。AI 是工具，人来拿主意。

【六、结尾】
原推有道理：深圳快，供应链全，一家能包到底。
但“一台电脑加一张去深圳的机票”，只够起步。还要预算，要几个月时间，要专业的人。
制造的门槛低了，调试和准入的门槛还在。看清门槛在哪，再上路，少走弯路。
从样品到量产，你卡最久的是哪一步？评论区聊聊。

ai与艺术

> 某种意义上，月之暗面是一家孤独的公司，他们走在最前面，走最难的路，涉最险的境，跨最深的洋，探索前人未至，并在此过程中学习和反思。3 个月前也曾经以为 K3 开创的局面会迎来前赴后继的追随者，但事与愿违，最终接任的仍然是月之暗面自己。虽然前路多歧，但明月当空，想必也能照亮世间。

Anthropic的招股书还是一贯的强势的，在股份结构上有一个只有1股的Class F股份，发给一个叫 Founder LLC 的壳。这一股单独就占全体股东投票权的 50.1%。壳里只有 7 个人，每人一票，多数说了算。不管怎么稀释最终都是这7个创始人掌握决策权。

进这个壳的 7 人：

1 - Dario Amodei，CEO；

2 - Daniela Amodei，President / 董事会 Chair。兄妹俩。Dario 从 Baidu、Google Brain 做到 OpenAI 研究 VP，GPT-2/3 和 RLHF 都深度参与。

3 - Tom Brown，Chief Compute Officer，GPT-3 论文第一作者，现在管算力。

4 - Jack Clark，以前是 Bloomberg 记者，OpenAI 做过 Policy，现在管 Public Benefit 和 Anthropic Institute。

5 - Jared Kaplan，Chief Science Officer，物理背景，Scaling Laws 共同作者。

6 - Sam McCandlish，Chief Architect，做过 CTO，Scaling laws 和 GPT-3 都有署名。

7 - Chris Olah，负责AI可解释性，之前在Google Brain / OpenAI Clarity，也是Thiel Fellow。

这 7 人基本都是 2020–2021 从 OpenAI 出来、2021 年 1 月一起办 Anthropic 的。

然后有个第 8 个名字：Ben Mann。
招股书里面还专门标注：他常被称作联合创始人，但不是 Founder LLC 成员，也不参与创始人的绝对控制权投票。

Ben也是参与 GPT-3研发，然后一起出来办 Anthropic。现在和 Instagram 联合创始人 Mike Krieger 联席带 Anthropic Labs。

DeepSeek HR团队招应届校招全职正编HR（招聘方向，主要支持算法和核心系统infra），欢迎大家推荐年轻高潜的对招聘有热情的同学，base北京～简历投递请联系邮箱zy.wu@deepseek.com

分享三个做AI爆款视频思路。。

之前就在各大媒体《过来人》这样的 AI 爆款，自己也想做一条？可以去 LibTV 的「创作精选」，复制作者公开的项目，再让创作 Agent「TV Director」帮你梳理角色、音乐和分镜，接着换成自己的故事。

我这次让司马迁、李清照等古人开麦，制作时还穿插了观众反应镜头，让人物切换更自然。
（ps.赶上双十一，LibTV 还有指定模型 0 积分用 30 天的活动，可以拿来多试几版。有诉求的可以看看）

让GrokBot 教我如何用好GrokBot 💪

NVIDIA 把语音模型也开源了：3.5 Transcribe，34B、40 种语言，一段录音里谁在说话也能标出来，最长 1 小时。官方兼容表里居然有 DGX Spark，本地能跑。中文只到「支持」档，先别急着换。cosmocat.dev

10 月 30 到 11 月1日期间，我会作为特邀嘉宾参加 ClawHunt Builder Camp 2026·上海站，在 31 日早上有我参与的圆桌讨论，欢迎大家来玩哈！（感谢 ClawHunt 和波波的邀请🥹）
​
➡️​活动详情：mp.weixin.qq.com

Opencode的联合创始人Dax的分享算是今天争议最多的一条帖子：

最大的推理算力平台OpenRouter 上最热的 DeepSeek模型，一天的量差不多一台 GB300（大约 600–700 万美元）就能扛；就算暗需求再乘 10，也到不了 1 亿美元算力。推理侧算力泡沫可能已经很不理智了。

翻了一下今天的Openrouter前20模型排名，加起来token吞吐量一共约21.2T token，如果按照同样的算法也就是满载约 4 台GB300。不过肯定也得考虑load balancing为峰值留下余量，比如再来6–8 台。

我个人并不懂算力硬件行业，有没有朋友解释一下。按照这样的模式来看，是否的确大量算力硬件还是被闭源模型推理和其他大厂训练模型吃掉了，应用使用开源模型消耗的算力远远支撑不起来庞大的算力机房行业？