前字节 / 大疆成员创业要把 AI 穿在身上教你滑雪，产品国内即将首发|对话 Heygo- 大数跨境

首页

前字节 / 大疆成员创业要把 AI 穿在身上教你滑雪，产品国内即将首发|对话 Heygo

AING硬迹

2026-09-22

导读：用工程化闭环穿越周期

关注我们，一起共创更多精彩故事！

在 AI 硬件集体涌向消费场景的 2025 年，有一支团队，选择扎进了雪山里。

Heygo，一支由滑雪爱好者、算法工程师与专业教练共同组成的团队，正在把 AI 单板滑雪陪练，做成一枚可穿戴的硬件终端。团队里 60% 成员持有 CASI、AASI、SBINZ、JSBA 等国际滑雪教学体系认证，技术班底来自字节、腾讯、大疆，核心成员曾斩获 RoboMaster 机器人大赛全国一等奖，商业化团队则有着带领中国品牌深耕北美、欧洲、日本等全球成熟市场的完整经验。

没有追逐通用 Agent 的热点，没有堆砌炫技的概念，他们从自己滑雪的真实痛点出发，用双 IMU 高精度传感、自研补偿算法与 Motion Agent 智能系统，把过去只能靠体感和经验的滑雪动作，拆解成可量化、可追踪、可改进的数据指标，让每一趟滑行都有明确的进步方向。

近日，硬迹Link与 Heygo 创始人 Edward Wu 展开深度对话，聊了聊从软件跨界 AI 硬件的创业逻辑、滑雪 AI 的真实技术壁垒、与教练的互补定位，以及垂直场景 AI 硬件的商业化路径。

创业原点：从爱好出发，在 AI 与物理世界的交汇点切入

INTERVIEW

硬迹：2025 年被看作是 AI 硬件集中爆发的节点，你选择在这个时间创立 Heygo，是踩准窗口期的选择吗？

Edward Wu：我们坚信 AI 这一波是真正的时代变革，技术底座的升级最终会落在易用性与交互体验两个维度的重构。但我们并不是为了追逐风口才进入这个赛道，而是从自身滑雪的真实痛点倒推，最后发现恰好和这波技术趋势同频。

过去滑雪的时候，大家都会遇到很具体的困扰：教练经验难以标准化，转瞬即逝的动作也很难被肉眼精准捕捉和量化，很难获得持续的个性化反馈。运动手表和视频只能记录速度、轨迹这类基础信息，没人能告诉你到底哪里不对、下一趟该怎么调整。我们意识到，AI + 运动可以从单纯的记录数据，进化到理解动作、辅助决策、全程陪伴练习。滑雪是我们让 AI 进入物理世界的第一个场景，长期来看，我们本质上是在构建一套能够感知、理解、记忆并持续迭代的 Motion Agent 系统。

2025 年这个节点的成立，是多重因素共同的决策：技术端，传感器、端侧芯片、算法模型的成本逐渐下探，体验开始达标；用户端，大家开始愿意为更好的运动体验、更高的练习效率付费。不是外界有什么重大变化催生了这件事，是各方面条件刚好成熟到可以落地了。

硬迹：你有字节从业经历和连续软件创业经验，这次却选择从硬件切入，最大的不同是什么？

Edward Wu：之前我更多做软件产品，但 Heygo 从本质上既不是纯硬件品牌，也不是纯软件产品。硬件是我们感知物理世界的眼睛，APP 是练习、复盘的载体，真正的核心是中间层的 Motion Agent—— 对动作的感知、识别、判断与反馈能力。

滑雪场景里很多问题是视频解决不了的，比如转瞬即逝的换刃、重心压力的细微变化，必须靠高精度的硬件感知，再结合算法与 Agent 模型，在有效数据的基础上形成完整闭环，才能实现价值。

和软件快速迭代的逻辑不同，硬件在交付之前，必须把结构、材料、功耗、可靠性、供应链、量产工艺全部验证清楚。尤其是户外滑雪产品，要在极寒、冲击、静电、不同雪质的真实场景里反复验证，这是完全不同的工程化要求。

但我不认为做软件强的人做 AI 硬件就天然有优势，反之亦然。AI 时代软硬件很难割裂，真正考验的是工程化能力 —— 能不能把对 AI 的理解、对 Agent 的理解、对用户场景的理解，对数据和业务的理解，串成一条稳定的工程化链路，这需要产品、硬件、算法、内容、运营、营销全链条的协同。

产品定位：做陪伴式 AI 搭子，而不是替代教练

INTERVIEW

硬迹：很多人第一次接触 Heygo 会问，它能不能替代滑雪教练？你们对产品的定位是什么？

Edward Wu：我们的定位从来都不是取代滑雪教练，而是用户日常自主练习时的陪伴式 AI 助理教练，也就是大家说的 “AI 搭子”。

教练的价值远不止动作指导，它还负责建立学习基础、把控安全边界、根据现场情况做即时判断，这些是产品很难替代的。但现实是，没有人能每次滑雪都请教练，私教成本也很高，大部分时间大家都是自己练习。这时候最大的痛点是：看不到自己的动作，不知道滑得对不对，不清楚下一趟该改什么。Heygo 解决的，就是这段没有教练陪伴的练习时间。

它和教练是互补关系：教练可以借助 Heygo 获得更客观的数据，更精准地定位学员问题；用户自己练习时，能通过 Heygo 得到分析和指导，把每一趟的练习效果落地。我们内测用户里有很多不同体系的专业教练，他们会用 Heygo 辅助日常滑行记录，也会用它来提升教学效率。有学员上完私教课之后，用 Heygo 测出的立刃流畅度、立刃角度等指标确实提升了，还主动把报告分享给自己的教练，这其实是双向的价值验证。

硬迹：内测到现在，用户反馈最集中的关注点有哪些？

Edward Wu：目前我们有近百位来自不同国家、不同水平的内测用户，每次测试后我们都会做 1 对 1 访谈，沉淀了数百条用户反馈。总结下来核心是四个维度：

第一是准确性。大概三四成的正向反馈都集中在数据准确性、动作识别和数据维度上。有国内的职业教练反馈，Heygo 准确识别出了他前后刃弯型不对称、入弯膝盖带转不足的问题，和他真实的体感完全一致；也有加拿大的用户说，Heygo 帮他发现了自己长期忽略的雪板重心控制问题。

第二是可执行性。用户不只是想看分数，更想知道问题发生在哪个弯、为什么发生、下一趟怎么调整。很多用户特别喜欢我们的弯型分析图，能看到入弯、弯中、出弯三个阶段的速度与角度变化，以此指导下一趟的滑行调整。

第三是稳定性与低门槛。作为户外产品，用户很在意雪场信号不稳定时会不会断连、佩戴会不会有负担。我们做了专项优化，弱网环境下连接稳定，佩戴体验接近无感，很多用户下缆车就会主动看分析报告。

第四是长期陪伴感。有用户会把每次滑行后的 AI 报告截图发给自己的教练，教练反馈 Heygo 指出的问题和他观察到的完全一致。用户在意的不是一次性的测评，而是真的能看懂自己的问题、陪着自己进步。

价格层面我们也拿到了很积极的反馈。滑雪本身就是高消费运动，一节私教课动辄两三千，用户普遍认为两三千元的设备，相比几小时的私教课有更高的性价比。

技术壁垒：全链路精度工程，通用模型通过数据堆砌难以实现

INTERVIEW

硬迹：Heygo 可以捕捉上百项滑行数据，在高速滑行的动态场景下，你们是怎么保证数据准确性的？

Edward Wu：这不是单一提高采样频率就能解决的问题。滑雪场景下，冲击、震动、低温、设备偏移、雪靴形变都会同时干扰信号，我们要解决的是从采集、传输、结算到 Agent 反馈的全链路稳定性与准确性。

首先是数据采集与处理层。我们用双 IMU 高频同步采集角速度、加速度数据，在端侧完成时间戳同步、噪声过滤、漂移补偿与多传感器融合，尽可能完整保留换刃、姿态变化甚至摔倒等高冲击瞬间的有效信息。

其次是佩戴偏差校准。传感器夹在雪鞋外侧，每次安装角度、位置都可能不同，滑行中的碰撞也可能导致偏移。我们自研了无感实时校准算法，能在用户正常滑行过程中，不需要做任何特定动作，Heygo自动建立传感器与雪鞋、雪板、坡面之间的坐标系映射关系，再结合形变补偿模型，抵消雪鞋与固定器受力形变对最终结算结果的影响。

第三是场景识别。运动场景非常多，滑行、缆车、排队、走路、推坡都会产生类似的惯性信号，我们要通过算法把这些状态全部区分开，再用不同的动作识别模型和评分模型做结算。

最后是交叉验证。我们会在雪板与身体不同部位加装参考传感器，同步拍摄视频，邀请专业教练做标注打标，在不同雪况、雪道、安装方式下做交叉验证。单点提升精度没有意义，只有全链路都跑通，才能保证最终结果可靠。

硬迹：早期的训练数据来自哪里？通用大模型 Agent 的发展，会对垂直场景的运动 Agent 形成冲击吗？

Edward Wu：我们的数据全部来自真实雪场的实地采集，这个领域没有现成的公开数据集可以直接用，必须真人带设备在真实雪场做真实动作。

数据来源主要分三类：第一类是早期团队成员带着工程机在室内外雪场持续测试采集，验证全链路的准确性与工程化能力，覆盖不同动作、速度、雪况；第二类是联合专业滑手、教练与早期共创用户采集，提供不同水平、不同风格、不同动作的数据样本；第三类是专项验证数据，比如在雪板上加装额外传感器、在身体不同位置佩戴传感器、结合视频与教练标注，甚至脚底加装压力鞋垫，目的是建立完整的 ground truth。

采集只是基础，更重要的是数据带不带上下文、能不能被验证、能不能反哺模型优化。我们搭建了一套从采集、标注、训练、验证到反馈的持续运转的数据生产和标注系统，这才是更核心的资产。

关于通用 Agent，我认为这不是替代关系。现在很多通用 Agent 还停留在语言层面的问答、总结、规划与提醒，但运动场景里的 Agent，至少要具备五层能力：第一层是观察，能不能持续、稳定地主动感知用户真实做了什么，而不是靠手动输入或视频上传；第二层是理解，能不能判断问题的根源 —— 是技术动作、装备、还是环境变化导致的问题；第三层是干预，能不能把判断转化为用户下一趟就能执行的动作建议，而不是通用教程；第四层是记忆，能不能记住用户的历史问题、目标、进步路径，知道哪种方式是他能消化的；第五层是自我进化，随着数据积累，对用户的理解越来越深，反馈越来越个性化。

通用模型的训练数据大多来自互联网的二维图文信息，而滑雪是高频、连续的物理运动，涉及装备形变、雪质坡度、动作细节等大量物理世界的变量。真正有价值的不是数据本身，而是从采集校准、动作切分、运动理解到反馈闭环的完整链路。通用 Agent 可以提供通识性的知识，但具体到运动场景里 “能不能真正看见你、理解你、在正确时机给你正确反馈”，这是垂直场景 Agent 才能解决的问题。未来更可能是分层协作，基础模型提供通用智能，我们专注于身体动作与运动场景的深度理解。

商业化路径：全球同步发售，走垂直场景的精细化路线

INTERVIEW

硬迹：目前产品的上市节奏是怎么规划的？海外和国内市场的推进节奏是怎样的？

Edward Wu：我们的全球官网在 9 月初已经上线并开启预售，10 月份开始向全球 38 个国家和地区发货。国内市场会在 9 月底先上线京东众筹，10 月起陆续在天猫、京东等电商平台以及滑雪垂类渠道铺开。

我们没有做 “先海外后国内” 或者反过来的错峰策略，本质上是全球同步推进。滑雪是全球通用的运动，全世界滑手的痛点和对进步的渴望是共通的，从公司成立第一天起，我们的目标就是做一家全球化的公司。

硬迹：很多硬件创业公司会选择 Kickstarter 这类众筹平台启动，你们为什么没有走这条路？

Edward Wu：我们前期把所有主流众筹平台的运动滑雪类品类数据都做过抓取分析，结论是这些平台的核心用户画像和滑雪爱好者的重合度并不高。众筹平台更多聚集的是极客、科技媒体、投资人群体，就算拿到不错的众筹数据，投流与运营成本也很高，整体性价比不理想。

我们更倾向于直接做独立站，通过滑雪垂直社群、KOL、专业雪场与装备店渠道合作引流，直接触达真正的滑雪用户。我们要的不是泛流量的热度，而是精准目标用户的认可与使用。

硬迹：未来会考虑拓展更多硬件形态，比如滑雪眼镜，或者覆盖双板等更多雪上项目吗？

Edward Wu：长期来看我们肯定会向更多运动场景渗透，但逻辑不是为了做硬件矩阵而堆产品。硬件本质上是感知入口，是理解世界的窗口，核心判断标准是：用户需要什么样的输入，什么样的交互方式能更低成本地交付价值，什么样的技术形态能更稳定、更规模化地交付价值。

底层的 Motion Agent 系统是我们的核心，我们希望把它做深做透：持续感知运动状态，理解动作问题，在合适的时机给出个性化反馈，陪着用户不断进步，成为和用户共同进化的运动智能体。围绕这个核心，硬件只是感知入口。未来我们可能自研新硬件，也可能接入第三方设备，比如和现有 AI 眼镜做生态整合。只有当某个硬件形态能显著提升感知质量或交互体验，且第三方合作无法满足需求时，我们才会考虑自研。

项目拓展上也是同理。双板的底层传感器融合、动作切分、姿态复现等技术是可以迁移的，且Heygo算法已经跑通并验证了双板。但知识图谱、教学逻辑、动作特征、标签体系需要单独搭建。我们不会为了扩品类而仓促上线，会把单板的体验跑透跑稳，再稳步延伸。

创业思考：克制融资，用工程化闭环穿越周期

INTERVIEW

硬迹：目前公司完成了一轮融资，短期没有继续融资的计划。在 AI 硬件普遍烧钱的环境里，你们的融资逻辑是什么？

Edward Wu：AI 硬件确实是需要持续投入的行业，研发、模具、认证、量产、库存、数据积累都需要资金支持，融资是必要的，但融资本身不是目标，资本加持的力度也不代表产品价值。

融资多少不是一个数字问题，而是这笔钱能不能支撑我们完成下一个关键里程碑，同时留出足够的安全边界。我们做的是垂直场景产品，不需要靠烧钱换规模，只要验证了 PMF，找到正确的起量方式，增长会很快。对我们现阶段来说，最重要的是稳定量产、完成首批销售、证明用户愿意持续使用并且付费。等产品与商业化模型跑通了，再用更多资金服务规模化，而不是反过来用融资推动盲目扩张。

我之前的创业经历也让我对融资这件事很克制。钱多不一定是好事，如果能力和认知配不上资金规模，反而会让组织动作变形，沉淀下很多结构性问题。资本是加速器，不是方向盘。我们可以听取资本的建议，但最终产品好不好、用户满不满意，要靠自己的迭代和数据验证。我们不会用融资掩盖产品问题，也不会用估值替代用户价值。

硬迹：现在团队二十多人，是怎么支撑起从硬件到算法再到全球化的完整链路的？

Edward Wu：正常来说做这样一款 AI 硬件需要更庞大的团队，但我们用更少的人、在更短的时间，完成了远超团队规模的目标。硬件团队五六个人身兼多职，把物流、采购、供应链管理这些事全部扛下来。

能做到这一点，一方面是我们对人的要求很高，大家都是自驱型的，靠对这件事的认可和热爱在推进；另一方面，我们是一支 AI Native 的团队，在整个工作流里深度使用 AI 来提升生产力，一个人结合 AI 工具可以产出很大的价值，所以团队可以保持精简且高效。

同时，这个过程也离不开资方、一些行业前辈以及众多雪友在资金、资源和专业经验上的支持与帮助。

硬迹：如果用几个阶段来定义创业的优先级，你会怎么排序？长期来看，你希望 Heygo 成为一家什么样的公司？

Edward Wu：我早期给自己定过四个创业优先级：定一个好战略，搭一个好团队，讲一个好故事，做一个好产品。每个人的顺序不一样，有人先讲故事融资，再搭团队做产品；有人先做产品再讲故事。对我而言，战略永远是第一位的 —— 先想清楚到底要做什么、为什么做、最终要成为什么。

长期来看，我们的愿景是成为卓越的运动智能科技公司，让运动变得更美好。我们不是装备品牌，也不是远离用户的技术公司。我们希望用技术构建能力，用品牌建立信任，最终让每个人都拥有一个真正理解自己的运动智能伙伴。

第一层价值是帮用户练得更好，第二层是让用户更享受运动本身，最终是让运动成为认识自己、突破自己、探索世界的方式。对应的路径也很清晰：先通过硬件、APP 与 AI 服务好滑雪爱好者；中期成为持续陪伴用户练习训练的运动智能终端；长期沉淀为理解每个人身体与运动能力的基础设施，也就是 Personal Motion Intelligence。

-------------------------------------

从雪山里走出来的 Heygo，没有蹭通用 Agent 的热度，没有讲宏大的叙事，只是扎扎实实地把滑雪者的一个痛点，拆解成感知、算法、数据、反馈的完整工程闭环。

当 AI 开始走进物理世界，最有价值的往往不是最炫的概念，而是最懂场景的那一个。对滑雪这件事的热爱，让他们看见了问题；对工程化的把控，让他们把答案做成了产品。而这条从雪道里跑出来的路，或许正是垂直 AI 硬件最该走的路。