Anker 阳萌访谈深读：成熟公司转向 AI，难点不是模型，而是能力迁移

核心判断：成熟公司的 AI 问题，是把已有优势搬到新能力曲线上

Anker 早期的优势来自明确需求、Amazon 分发、中国供应链、品质控制和正现金流；AI 阶段则要求预先投资模型、芯片、工具链、数据系统和更长周期的产品。两者的成功函数不同。若只在旧产品上加模型，可能得不到足够用户价值；若抛弃品牌、场景和商业化从零追逐“AI native”，又浪费了成熟公司的稀缺资产。

3:37:32 完整内容地图

从 Google 到 Anker：渠道不是货架，而是产品训练环境

阳萌离开博士项目、留在 Google 的解释，是大规模搜索能让千分之一改进产生可见价值；离开 Google 创业，又因为 Amazon 上“卖”不难，真正缺的是好产品。这个路径形成稳定倾向：偏好短反馈、可测价值和具体用户，而不是先追求宏大技术身份。

Amazon 的评分、搜索、评论和全球分发同时塑造了 Anker。若不刷单而要长期保持高评分，产品团队必须提高质量稳定性；欧美日消费者的支付能力又使“质量好、有一定溢价”的五系产品先成立。渠道并不只是把产品送到用户，它在定义什么反馈可见、哪种品质受奖励以及品牌如何积累。

1357 与浅海：有用的地图，不是自然定律

“一系最低价、三系性价比、五系稳定品质、七系极致性能”给团队提供了清晰取舍；“500 亿美元以下为浅海，以上为深海”则把资本投入与市场规模直觉化。但这两套框架都是管理启发式：消费者会按任务、风险和品类改变支付意愿，同一人可能买高端耳机却选择廉价充电线；500 亿美元也不是竞争强度或技术难度的自然分界。

更稳健的分析单元是“具体任务×风险×支付意愿”，品类难度还取决于研发固定成本、规模经济、渠道权力、认证和售后。消费无人机规模可能不如手机，却并不容易；充电配件规模较小，也会因安全、协议和供应链产生复杂风险。

easy 与 hard 的真正差别

早期五系业务以成熟供给、明确需求和短周期迭代换来正现金流；七系创新需要先建技术、接受多年不确定性、承担高端品牌承诺。hard 模式不自动更好。如果独占期不足以覆盖固定投入，或用户感知已到上限，继续堆技术只会降低资本效率。

品类选择的升级：从市场规模转向“双邻接”

阳萌回看 2022 年多条产品线失败，最终把新品类选择收敛到两端：已有用户是谁、底层技术是什么。这个修正比浅海战略更有解释力，因为它直接回答新业务能复用多少无形资产。

机器狗与 eufy 安防在用户与技术上有一定邻接：现有安防用户、传感器、定位、视觉、家庭场景和销售渠道可以复用；智能眼镜则面对手机厂、互联网平台和模型公司的入口竞争，邻接较弱。这个框架也解释了为何人形机器人应保持预研而非立即产品化。

存算一体芯片：不是“冯诺依曼终结”，而是产品—模型—芯片共设计

访谈从通话降噪出发：音频流被切成高频时间片，固定模型权重需要反复读取，数据搬运主导功耗；若在存储附近计算，可让百万级模型在耳机功耗里持续推理。Anker 官方 Thus 页面确认采用 NOR Flash compute-in-memory，并声称相较前代旗舰耳机芯片峰值 AI 算力高 150 倍，但脚注明确是内部实验室口径。

这条路线的价值来自专用化：芯片按自有声学模型、算子和产品约束定制，牺牲通用性换能效。它仍受量化精度、存储容量、外围电路、良率、器件漂移、模型更新、工具链和实际网络利用率限制。单个百万级模型上的成功，不能线性外推为十亿、万亿参数“家庭大脑”。

端侧 AI：真正的产品是隐私、延迟、功耗与更新的权衡

eufy 将视频存储和模型推理放在家庭基站，能减少敏感视频离家、降低交互延迟；声学模型放在耳机，才能持续实时运行。但端侧能力更小、硬件寿命更长、补丁更困难，云端则拥有更强模型和集中更新。两者应按数据敏感性、实时性、任务复杂度、网络可用性和能耗分层，而不是互相取代。

“真正智能”也不只是给设备增加感知—规划—控制。自动调节椅子、微波炉或安防系统需要知道用户偏好、允许覆盖、在不确定时询问，并能安全失败。一个会自己行动的产品，比有十个按钮的产品更便利，也拥有更大的误操作半径。

机器人路线：先看技术栈是否收敛，再谈产品化

阳萌把机器人分成二维移动、三维移动/交互和操作三阶段。扫地、割草已经产品化；四足机器人的硬件与 Agent 方案相对接近，因此选择“看家狗”；人形的大脑、关节和全栈方案仍不收敛，暂时预研。这体现了成熟公司的 real-option 思维：用相邻产品积累感知、定位、控制和场景，同时延迟不可逆的大规模投入。

不过“发现闯入者并由机器狗驱离”必须面对新的安全、责任和滥用问题：误识别家人、儿童或急救人员，物理碰撞，黑客控制，宠物互动以及不同国家的安防法规。用户研究证明愿意购买，只能证明需求，不证明风险闭环和长期可靠性。

第三类公司：分权只是起点，可组合接口才是核心

阳萌将少量超级品类公司称为第一类，少量中小品类公司称为第二类，把能系统做好几十个中小品类的 Anker 愿景称为第三类；对应管理模式不是“国王—骑士团”，而是“总统—联邦”。这回答了谁有决策权，却没有自动解决共享平台如何工作。

多品类组织的协调成本会随接口快速增加。有效的“联邦”需要清晰决策权、稳定内部数据对象与能力接口、共享平台服务水平、产品线 P&L、质量/合规停止权和退出机制。否则分权可能变成重复建设，共享能力也可能变成中央审批瓶颈。

阳萌把公司视为自己的产品，希望 40–60 个品类由创造者运行。能否做到，应看新产品从概念到上市的周期、共享技术复用率、跨事业部依赖、关闭失败项目的速度，以及核心平台是否真正降低每个新品类的固定成本。

技术、品牌、价值观：三层护城河需要不同证据

访谈认为技术会触达人类感知上限并被追平，品牌信任更持久，最深层是使命愿景价值观与相信它的人。这一结构有启发，但“价值观最深”很容易循环论证：成功被解释为价值观正确，失败被解释为执行不够。

可证伪的价值观必须体现为决策机制：安全问题能否越级上报，产品线能否停止，长期项目是否通过阶段门，异议者是否被保护，召回是否及时，创造者分配是否按口径兑现。只有当行为在短期财务压力下仍一致，价值观才可能形成能力。

召回：信任测试，也是技术债账单

美国 CPSC 记录 2025 年两批 Anker 充电宝召回约 164 万台：A1263 约 115.8 万台，另五型号约 48.1 万台，并包含火灾、爆炸、轻微烧伤和财产损失报告。主动召回能限制进一步伤害，却不能替代前端设计、供应商控制、追溯和检测。品牌资本不是“敢花钱召回”的情绪，而是预防、发现、通知、处置和补偿的完整体验。

融资与上市：员工流动性之外，还有不可逆的治理承诺

Anker 早期现金流为正，2017 年融资用于给员工股份建立市场价格，2020 年上市进一步提供流动性。阳萌也指出，上市让创始人与公司更长期绑定。这里的关键不是“高利润公司该不该上市”的通用答案，而是不同利益相关方目标不同：员工希望股权可变现，创始人要承担长期披露与控制责任，公司则获得融资、信誉、并购货币和更严格外部约束。

2025 年年报给出一个重要校准：公司营收 305.14 亿元、归母净利润 25.45 亿元，但经营现金流净额仅 4.81 亿元，同比下降 82.49%。利润、现金流和资本需求不能混为一谈。库存、关税备货、供应商付款和新品投资都可能让高利润公司仍需要资本纪律。

企业 AI：Token 是燃料表，不是里程表

阳萌称公司内部累计使用超过 10 万亿 token、每天约 1,500 亿、年度员工 AI 费用“小几个亿”，并通过统一中台接入模型。他把企业 Agent 区分为预编排与即时编排：高频流程把方法、数据和权限固化，开放任务再由模型临时规划。这个区分很重要，但 token 消耗只能证明公司愿意支付试错成本，也可能来自冗长上下文、重复生成、失败重试和缺少缓存。

预编排与即时 Agent 不是二选一。稳定、受监管、高频流程需要确定性骨架、权限、数据契约和审计；低频研究、异常诊断和开放探索需要即时规划。过度预编排会自动化旧流程，过度即时化则难以复现、授权和追责。

中层会不会消失：瓶颈不只是上下文，而是责任不可压缩

阳萌用公司需要十亿乃至更长 context 来反驳“世界模型消灭中层”，指出信息压缩本身含价值选择。即使未来上下文窗口足够，组织仍要做目标冲突仲裁、人员培养、安全责任、资源分配与承担后果；这些不是读完全部文档就自动获得的能力。

真正容易被替代的是纯信息转发型中层。AI 可以汇总进度、生成方案、发现依赖，让管理者把时间转向判断、教练、冲突与责任。所谓 Scrum 变小也要防止工作外溢：人数减少但复核、提示、修错和上下文维护增加，可能只是把显性岗位变成隐性 AI 操作劳动。

“初级岗位消失也不妨碍高级人才成长”的建筑师类比同样需要谨慎。AI 可能让新人跳过机械编码，却仍需获得调试、故障、用户和系统后果的经验。新的培养阶梯应把新人暴露在高质量反馈和责任递增中，而不是只让模型代做底层工作。

7:3 分配：好的方向，需要完整口径

阳萌提出“创造者拿 7、股东拿 3”，依据是优秀公司约有 30% 总剩余价值、股东需要约 10 个点回报。它表达了分享 AI 增益、降低变革阻力的方向，但实务口径决定一切：工资奖金是否已计入必须支付成本、股权如何估值、研发失败如何分摊、不同业务的资本风险如何计算，都会改变比例。

更可验证的版本应公布分配池定义、时间窗口、现金/股权组成、亏损年份规则和团队/平台贡献归属。否则 7:3 更接近文化口号。公司年报可以验证研发、薪酬与利润总额，却无法直接验证采访中的“年薪百万人数”和连续 20% 提升口径。

进一步推演：七条可迁移 Insight

1. AI 转型不是技术替换，而是能力迁移。 成熟公司必须让品牌、渠道、供应链和场景数据在新技术曲线上继续产生复利。
2. 品类组合应由用户邻接×技术邻接驱动。 市场规模只决定下注上限，双邻接更能预测复用和胜率。
3. 专用芯片的壁垒是共设计闭环。 单个 CIM 宏并不稀缺，持续把产品数据、模型结构、芯片与下一代体验一起优化才稀缺。
4. 真正的 AI-native 组织是知识接口原生。 数据对象、决策权、验证器、审计和责任边界比“人人都有账号”更重要。
5. Token 增长与生产率可能负相关。 没有任务质量与流程账本时，更多调用也可能意味着系统更混乱。
6. 价值观只有在代价出现时才可见。 召回、停止项目、保护异议和兑现分配比宣传语更能定义文化。
7. 慢硬件不是天然职业护城河。 长周期能积累深经验，也可能降低反馈频率；人才成长取决于每轮反馈质量、责任范围和技能迁移。

事实校准与证据边界

如何验证这场转型是否真的成功

• 对 Thus 耳机公开同噪声集的语音质量、噪声抑制、功耗、延迟、续航和第三方对照，而不只报峰值算力。
• 按产品线追踪用户邻接、技术复用、研发周期、毛利、退货与关闭率，检验“双邻接”是否提高胜率。
• 对企业 Agent 运行 A/B 或分阶段对照，报告端到端交付周期、缺陷、人工复核和客户结果。
• 公开重大安全事件从发现到通知/召回的时间线、供应商根因和预防性改进。
• 跟踪分层授权的升级/冲突次数、跨事业部等待和中央平台服务水平，识别“联邦”是否只是组织比喻。
• 用三到五年产品收入、复购和可持续毛利检验“七系”是否创造新价值，而非只抬高物料和定价。
• 对 7:3 披露分配口径和兑现结果，避免把利润分享变成无法审计的文化承诺。

证据边界与资料索引

本笔记以 Zhang Xiaojun Podcast 对阳萌的 3:37:32 访谈和上传者提供的简体中文字幕为主材料，连续覆盖全部 10 个官方章节。财务、研发、业务结构与公开项目优先采用安克年报；芯片性能与产品“首个”仍属厂商口径；召回采用美国 CPSC 监管记录。内部 token、薪酬、AI 人员、市场份额、产品线胜率和组织文化浓度未见审计披露，均按创始人口述处理。阳萌明确借节目招聘技术人才，人才与组织判断存在招聘利益位置。

• Zhang Xiaojun Podcast：Anker / Steven Yang 完整访谈。
• 安克创新：投资者关系与 2025 年年度报告：营收、利润、现金流、研发、人员与业务结构。
• Anker Innovations 2024 Sustainability Report：研发投入、人员与技术—场景框架。
• Anker Innovations：Our Story：管理团队、使命愿景、价值框架与技术方向。
• Anker Thus AI Chip：NOR Flash CIM、声学应用与内部 150× 口径。
• Anker IFA 2025 发布：AI、机器人、产品与价值框架。
• U.S. CPSC：A1263 召回 与 五型号召回。
• GitHub Spec Kit：Spec→Plan→Tasks→Implement 的规格驱动开发工具，而非所有企业职能已验证的通用 Agent。
• IEEE IRDS 2023 Beyond CMOS：模拟存算一体在精度、噪声、ADC、互连与漂移上的约束。

证据强度顺序：审计年报/监管记录 → 官方产品与公司披露 → 创始人口述 → 本文机制分析。公开投入可以证明组织在下注，不能单独证明产品、技术或文化已形成长期护城河。