杨懿的嗓子哑了。
连日密集的分享和演讲后，这位涂鸦智能联合创始人接过北京商报的话筒前，连喝了好几口水。从第一天上午的视频采访算起，他在2026夏季达沃斯整整泡了两天半。
“这两天论坛聊得最多的话题是AI。”杨懿说，这一点吻合他参会前的预期，他也注意到，风向变了。2025年讨论的是AI的性能、成本，2026年嘉宾们务实起来，面对“具身机器人究竟在什么场景落地”的问题。参会者不要工厂、养老这样泛化的答案，追问得更具体，“机器人进工厂要具备什么能力？”“成本上限是什么？”“潜在客群有哪些？”
杨懿所在的涂鸦智能，恰好踩在这些问题的交汇点上。过去十多年，这家公司帮全球7000多个品牌客户和近万家工厂做了两件事：一是把智能硬件做出来，二是在硬件之上持续叠加AI驱动的互联网服务。
这套双轮模型跑通的前提是，AI必须解决真问题，且消费者支付的费用低于收益（即节省的费用）。关于Token的成本、AI冲击的焦虑仍在弥漫，杨懿给出了反直觉的判断：“应用得当的Token不贵，贵在用错方法。”“该为结果付费，而不是Token消耗本身。”
在快速演进的AI面前，他常说：“follow the flow，随波而动。浪是往前打的，你往其他任何一个方向都是阻力，顺着往前就好。”重要的是有足够多的一线认知和田野经验，先具象地看到市场机会，做出计划，技术鸿沟和商业路径自然会被倒推出来。
北京商报：Token涨价是热门话题，涂鸦会因此调整产品定价吗？
杨懿：对于应用得当的Token，我觉得不贵。涂鸦的AI服务不按Token计费，按交付后的实际结果。以家用能源管理系统举例，AI整合家庭光伏、储能设备、电网动态电价，自动调配用电时段帮用户节省电费，用户根据省电收益付费，Token消耗不是核心考量，要减少无谓的投入和消耗，或者说消耗可控，消耗低于帮客户节省的价值，产品和服务就能很好的商业化。
北京商报：实现同一个结果但消耗更少Token难吗？
杨懿：核心难点是把行业场景提炼成标准化执行范式。拿能源场景举例：AI需要识别光伏绿电产出时段、电网分时电价、电车充电最优时间，在电价低谷自动调度用电，这一套专属逻辑需要提前沉淀；舒适类家电，比如风扇、空调的AI逻辑又完全不同，有时为了居住舒适度会适当增加能耗。涂鸦一边做通用底层技术，覆盖全品类硬件通用连接、识别、控制能力，另一边深耕三大垂直场景：家居、能源、机器人，拆分舒适、安全、节能细分赛道，沉淀对应场景专属AI执行范式，内置预配置方案，终端用户不需要反复调试，开箱就能使用。
北京商报：涂鸦智能定义自己是开发者的云平台，它到底是一家怎样的公司？
杨懿：涂鸦属于技术赋能型企业，帮客户解决两大核心问题：首先，落地智能产品：品牌方有产品创意、市场洞察，涂鸦提供技术方案，把产品设想落地为实体智能硬件，这是我们最基础的底层价值；其次，搭建硬件增值的商业模式：硬件量产之后，涂鸦可以叠加AI驱动的互联网服务、订阅增值服务，伴随硬件全生命周期，帮厂商拓宽收入来源。简单总结，涂鸦一边帮客户造出智能硬件，一边为硬件搭载可持续变现的新型AI服务。客户不需要二选一，两套能力是配套供给的。
北京商报：您说2025年是AI硬件元年，2026年呢？
杨懿：2025年是AI硬件原型验证年，各家厂商做出样机，验证市场真实需求、技术体验是否达标。2026年是规模化落地年，经过验证的爆款产品会小规模放量，覆盖千万级用户。
北京商报：您在达沃斯有什么印象深刻的交流？
杨懿：这两天论坛聊得最多的话题就是AI，无论是聊AI的冲击、对AI的疑虑，还是AI的机会。达成共鸣的是大家更多关注AI怎么应用，去年（2025年）还在聊AI的性能、成本，AI的最终方向、商业化可能性，2026年更务实，比如讲到具身机器人，究竟在什么场景机会更大，不能泛化机会，一定要具化机会。刚进入AI应用的从业者一定要想得非常清楚。
北京商报：AI时代有兴奋点也有焦虑点，您觉得机遇和挑战哪个占比更高？
杨懿：兴奋点远多于焦虑点。有三大核心机遇：一是存量市场重构，涂鸦全球10亿台存量智能硬件、7000多家品牌客户、近万家工厂客户，全部可以通过AI技术重新迭代升级，市场空间巨大；二是开辟全新增量赛道：用AI打通过去难以落地的市场，比如玩具、健康穿戴，未来还会持续诞生更多新品类；三是降低硬件开发门槛：2026年上线Vibe Coding（由人工智能辅助的编程方式）开发工具，目前灰度测试仅向资深开发者开放，后续会逐步全量开放。厂商无需底层软件开发能力，可自主完成硬件软件二次开发，大幅降低AI硬件开发门槛。
北京商报：如何看待AI带来的冲击？
杨懿：行业普遍焦虑的根源是AI迭代速度极快，学界、商界、政界都无法给出长期清晰的行业判定标准，行业认知刚成型，技术就迭代更新。或许现在并不一定需要非常清楚的判定，随流而动就好。浪是往前打的，人往其他任何一个方向都会有阻力，往前走就好，最关键的是积累一线落地实操经验，亲身判断哪些工作交给AI做，哪些必须由人主导，实战经验才是核心认知来源。无论企业规模大小，都需要依靠一线落地经验判断方向，实战积累的认知，无法单纯依靠理论学习获得。
