AI 桌面宠物产品价值分析文档¶
版本：v0.2 更新日期：2025-07-25 状态：初稿（增加 On-Device Training 内容）
1 目录¶
- 1. 项目概述
- 2. 核心用户价值
- 3. 用户画像与场景
- 4. 竞品分析与差异化
- 5. OEM 核心优势
- 6. 产品形态设计
- 7. 情绪价值深度设计
- 8. 长期粘性机制
- 9. 技术架构概述
- 10. 商业模式
- 11. 风险与挑战
- 12. 未来演进方向
1. 项目概述¶
1.1 产品定义¶
一款运行在智能手机上的 AI 驱动桌面宠物，由端侧轻量级 VLA（Vision-Language-Action）模型驱动，能够感知用户的手机使用行为和屏幕内容，做出具有情感一致性和涌现行为的自主反应。
核心理念：不是"你养的电子宠物"，而是"懂你的数字生命"。
1.2 产品愿景¶
打造用户手机上的第一位数字伴侣——它不执行任务、不回答问题、不推送通知，它只是在那里，看着你，理解你，偶尔给你一个恰到好处的反应。
1.3 差异化定位¶
| 维度 | 传统桌面宠物 | AI 助手 | 本产品 |
|---|---|---|---|
| 驱动方式 | 状态机 + 脚本 | 大语言模型 | 轻量 VLA + 行为引擎 |
| 交互模式 | 用户主动触发 | 用户主动提问 | 双向，宠物主动发起 |
| 感知能力 | 无 | 语音/文字 | 屏幕内容 + 行为模式 + 环境 |
| 情感深度 | 表面可爱 | 无情感 | 有"性格"和"记忆" |
| 技术门槛 | 低 | 高（云端依赖） | 中（端侧模型） |
| 功耗 | 极低 | 高（网络请求） | 低（分层推理） |
2. 核心用户价值¶
2.1 价值模型总览¶
用户价值 = 功能价值 + 情感价值 + 社交价值 + 陪伴价值 + 成长价值
↓ ↓ ↓ ↓ ↓
解决问题 情绪支持 社交货币 长期依赖 真正活着
2.2 核心差异化：它是真的"活"的¶
传统桌面宠物是脚本驱动的——你看到的所有行为都是开发者预设的。它没有"学习"，没有"成长"，只是在执行 if-else。
本产品通过 On-Device Training（端侧训练）实现真正的"活着"：
传统桌面宠物：
├── 所有行为都是预设的
├── 它永远不会"变聪明"
├── 你看到第 100 次和第 1 次的反应是一样的
└── 本质上是一个"会动的 GIF"
本产品：
├── 行为从基础模型出发，但会持续学习
├── 它会根据你的习惯调整反应模式
├── 你用得越久，它越"懂你"
├── 端侧算力提升 → 它的"智商"可以提高
└── 本质上是一个"在成长的生命"
On-Device Training 的意义：
| 维度 | 传统方案 | On-Device Training |
|---|---|---|
| 个性化 | 云端 A/B 测试，千人一面 | 本地微调，千人千面 |
| 隐私 | 数据上传云端 | 数据不出设备 |
| 实时性 | 云端更新，延迟高 | 本地更新，即时生效 |
| 成长性 | 模型固定，不会进步 | 持续学习，越来越聪明 |
| 独特性 | 所有用户看到相同反应 | 每只宠物都是独一无二的 |
用户感知： - 第 1 天：它是一个可爱的动画 - 第 7 天：它好像开始认识我了 - 第 30 天：它真的懂我在干嘛 - 第 90 天：它比我女朋友还了解我（开玩笑） - 第 1 年：它是我手机上不可缺少的一部分，换手机最怕"失去"它
2.2 功能价值¶
2.2.1 智能提醒（非侵入式）¶
传统提醒是系统推给用户，本产品是宠物"发现"后自然表达。
| 场景 | 传统提醒 | 宠物式提醒 |
|---|---|---|
| 用手机太久 | 弹窗"您已使用 2 小时" | 它在屏幕角落打哈欠，偶尔看你一眼 |
| 深夜刷手机 | "该休息了"通知 | 它蜷缩在角落睡着了，屏幕变暗 |
| 久坐不动 | "请起身活动" | 它站起来伸懒腰，看着你 |
| 忘记喝水 | 定时推送 | 它自己端起小水杯喝一口，看你 |
| 有重要日程 | 日历通知 | 它提前变得紧张，在屏幕边走来走去 |
价值本质：用户不会反感"被关心"，但会反感"被管理"。宠物式提醒是前者。
2.2.2 屏幕内容伴侣¶
| 场景 | 宠物反应 | 价值 |
|---|---|---|
| 你在看美食视频 | 它凑过来看，流口水 | 增加观看乐趣 |
| 你在看恐怖内容 | 它捂住眼睛，偷偷从指缝看 | 缓解紧张 |
| 你在看购物 APP | 它歪头好奇地看你选了什么 | 陪伴感 |
| 你在看负面新闻 | 它安静地趴在角落 | 沉默的陪伴 |
| 你在玩消消乐 | 它跟着一起紧张/欢呼 | 共享快乐 |
| 你在读长文章 | 它安静地在旁边"阅读" | 不打扰的在场感 |
2.2.3 行为洞察（对自己更了解）¶
宠物的行为模式可以成为用户了解自己的镜子：
- "这周你好像经常在深夜刷社交媒体"（宠物最近总是在凌晨表现出担忧）
- "你切换 APP 的频率比上周高很多"（宠物显得焦躁不安）
- "你今天使用相机 APP 的时间很长"（宠物对你的照片很好奇）
实现方式：不是给出数据报告，而是通过宠物的状态变化让用户自己感知。比如宠物最近越来越"焦虑"，用户会好奇"它怎么了"，从而意识到自己的行为模式变了。
2.3 情感价值¶
2.3.1 被理解的感觉¶
这是最核心的情感价值来源。
传统问题：手机是最私密的设备，但手机本身是"冰冷的"——它不知道你在想什么，不在乎你的感受。
本产品改变：手机上有一个"生命"，它在试图理解你。
用户心理变化曲线：
初始： "哈，这小东西挺可爱的"
第一周： "诶，它好像真的能看懂我在干嘛"
第二周： "今天它好像心情不太好...不对，是我心情不太好"
第一个月："它刚才那个反应是因为我刚才在看前任的朋友圈吧"
↑
这个时刻是关键：用户意识到"它懂我"
2.3.2 无压力的陪伴¶
AI 助手有使用压力： - 你得想好问什么问题 - 你得组织好语言 - 你期待它给出有用的回答 - 用不好会觉得"是自己不会用"
桌面宠物零使用压力： - 你不需要做任何事 - 你不需要说话 - 你不需要期待任何输出 - 它不会让你觉得自己"不会用"
类比：AI 助手是"你需要咨询的专家"，桌面宠物是"在你身边待着的猫"。猫不需要你做任何事，但你就是想摸摸它。
2.3.3 情绪调节¶
| 用户情绪 | 宠物的自然反应 | 情绪调节机制 |
|---|---|---|
| 焦虑 | 它也坐立不安，偶尔看你 | 共情 → "不只是我这样" |
| 孤独 | 它靠近你，安静陪着 | 陪伴 → "不是一个人" |
| 无聊 | 它自己找乐子，邀请你一起 | 转移注意力 |
| 开心 | 它也开心地跳来跳去 | 放大正面情绪 |
| 难过 | 安静地待在你附近 | 沉默的陪伴 |
| 愤怒 | 它缩在角落，不敢打扰 | 给你空间 |
| 压力大 | 它偶尔做出搞笑的动作 | 轻松一下 |
关键：它不说"我理解你的感受"，它只是表现出和你相似的情绪。这种非语言的共情比任何 AI 对话都有力量。
2.3.4 人格养成带来的情感依赖¶
传统养成是数值驱动：喂食 +10 好感度，洗澡 +5 好感度。
本产品是行为塑造：你的使用习惯塑造它的性格。
你的行为模式 它的性格形成
────────────────────────────────────────────
经常和它互动 → 亲人、活泼、粘人
很少理它 → 独立、偶尔傲娇
深夜常在线 → 变成夜猫子
常用生产力工具 → 变得"正经"，偶尔催你
常用社交/娱乐 APP → 变得活泼，喜欢凑热闹
经常户外运动（传感器） → 精力充沛，喜欢活动
关键：你不能直接"选择"它的性格，它的性格是被你的行为"塑造"的。这让每个用户的宠物都独一无二，也让用户对宠物产生"我养大的"的情感联结。
2.4 社交价值¶
2.4.1 社交货币¶
用户的宠物可以成为社交话题：
分享场景：
├── "看我养的宠物，它刚才看到我前任的微博做出这反应"
├── "我宠物今天心情特别好，因为我在看演唱会视频"
├── "它最近越来越懒了，因为我天天在家躺着"
└── "我宠物看到我加班到凌晨，直接趴在键盘上了"
分享形式：
├── 录屏：宠物的反应动画
├── 截图：宠物的搞笑表情
├── 状态：宠物的当前"心情"
└── 回顾：宠物的"成长日记"
2.4.2 宠物社交（可选，后续版本）¶
功能构想：
├── 宠物串门：让朋友的宠物来你手机上"玩"
├── 宠物合照：两只宠物一起拍照
├── 宠物互动：看到对方宠物的反应
└── 宠物匹配：性格相似的宠物主人可能有共同话题
注意：社交功能是锦上添花，核心是单人陪伴。不要让社交压力破坏宠物的"无压力"属性。
2.5 时间价值¶
2.5.1 碎片时间的陪伴¶
用户的碎片时间（等电梯、排队、等餐）通常是无目的刷手机。这时候宠物的存在提供了一种不需要思考的陪伴。
2.5.2 时间感知¶
宠物可以帮助用户感知时间流逝：
- 你开始用手机时它醒着
- 你用了 30 分钟它开始打哈欠
- 你用了一小时它已经睡着了
- 你用了两小时它又醒了（因为它睡够了）
这种非语言的时间提示比任何"屏幕使用时间"报告都直观。
2.5.3 数字仪式感¶
每天的"仪式"：
├── 早上解锁手机 → 它刚睡醒，打个哈欠迎接你
├── 午休时 → 它也躺下休息
├── 晚上睡前 → 它蜷起来准备睡觉
└── 充电时 → 它也"休息"了
这些小仪式让冰冷的手机使用变得有"温度"。
3. 用户画像与场景¶
3.1 核心用户画像¶
1.0.1 画像 A：独居年轻人¶
年龄：22-30 岁
生活状态：独居，租房，养不了真宠物
手机使用：重度，日均 5-8 小时
痛点：
├── 下班回家很安静，想找点陪伴
├── 养不了真宠物（房东不允许/太忙/太贵）
├── 不想和 AI 助手"正经对话"，只想有个"东西"在
└── 刷手机时感觉很空虚
价值匹配：
├── 无压力的陪伴
├── 感知到它的"存在"
├── 填补独处时的空虚感
└── 一种不需要负责任的"养宠"体验
1.0.2 画像 B：工作压力大的上班族¶
年龄：25-40 岁
生活状态：工作繁忙，经常加班，压力大
手机使用：高频但碎片化
痛点：
├── 工作压力大，想找点轻松的东西
├── 没时间照顾真宠物
├── 需要情绪出口但不想和人说话
└── 想有人关心但又怕被追问
价值匹配：
├── 不打扰的陪伴
├── 共情但不追问
├── 偶尔的轻松一刻
└── 感觉"被在乎"
1.0.3 画像 C：科技爱好者¶
年龄：18-35 岁
生活状态：喜欢尝试新科技产品
手机使用：重度，喜欢折腾
痛点：
├── 手机上没有足够有趣的 AI 体验
├── 想要更深度的人机交互
└── 对"智能"有更高期待
价值匹配：
├── VLA 技术的新鲜感
├── 涌现行为的探索乐趣
├── 分享和讨论的社交价值
└── 前沿科技的早期体验者身份
1.0.4 画像 D：情感细腻的女性用户¶
年龄：20-35 岁
生活状态：注重情感体验，喜欢可爱事物
手机使用：社交、娱乐为主
痛点：
├── 希望手机不只是工具，更有温度
├── 喜欢"养成"和"陪伴"的感觉
├── 想要情感支持但不想和人说
└── 享受被"在乎"的感觉
价值匹配：
├── 可爱的外观和动画
├── 细腻的情感回应
├── 养成的成长感
└── 被理解和被陪伴
3.2 典型使用场景¶
1.0.5 场景 1：深夜独处¶
时间：23:00-01:00
地点：家里床上
用户状态：刷手机消磨时间，可能有点失眠
手机使用：社交媒体、短视频、购物 APP
宠物行为：
├── 23:00 - 它开始打哈欠，准备睡觉
├── 23:30 - 它已经睡着了，但偶尔翻身
├── 00:00 - 它醒了，看到你还在，歪头看你
├── 00:30 - 它又困了，但好像在"陪你熬夜"
└── 01:00 - 它缩成一团，安静地待在角落
用户感受：
"它好像在陪我熬夜...好吧，我睡了"
1.0.6 场景 2：工作间隙¶
时间：14:00-14:30（午休后）
地点：办公室
用户状态：刚午休起来，有点迷糊，刷手机醒神
手机使用：快速切换各种 APP，漫无目的
宠物行为：
├── 它也刚睡醒，打个大哈欠
├── 看到你频繁切换 APP，它眼神跟着动
├── 你停在某个 APP 上，它凑过来看
└── 你又开始切换，它显得有点困惑
用户感受：
"哈哈它好像也在犯困...等等我怎么也在乱刷"
1.0.7 场景 3：开心时刻¶
时间：20:00
地点：家里
用户状态：看到好笑的视频/和朋友聊天很开心
手机使用：社交 APP、视频 APP
宠物行为：
├── 感知到你活跃的使用模式
├── 它也开始活跃起来，在屏幕上跳来跳去
├── 你分享给朋友截图，它做出搞怪表情
└── 你发消息时它凑过来看，好像很好奇
用户感受：
"它好像也感受到我开心了，真可爱"
1.0.8 场景 4：压力山大¶
时间：21:00
地点：家里
用户状态：工作上遇到事情，心情不好
手机使用：反复查看消息，快速打字回复
宠物行为：
├── 感知到你急促的操作节奏
├── 它缩在屏幕角落，不敢打扰
├── 偶尔抬头看你一眼，又低下头
└── 你停下来时，它轻轻靠近屏幕边缘
用户感受：
"它好像知道我心情不好...好吧，没那么糟了"
1.0.9 场景 5：周末宅家¶
时间：周六 10:00-18:00
地点：家里沙发
用户状态：不想出门，躺着刷手机
手机使用：长时间、高频、多 APP 切换
宠物行为：
├── 早上 - 它精神很好，因为你难得陪它这么久
├── 中午 - 它开始有点无聊，自己找乐子
├── 下午 - 它趴在屏幕角落打盹
├── 傍晚 - 它醒了，看你还在，显得有点担心
└── 晚上 - 它做出"出去走走"的动作
用户感受：
"它是不是在说我该出门了...好吧，下楼买个奶茶"
4. 竞品分析与差异化¶
4.1 竞品矩阵¶
| 竞品类型 | 代表产品 | 优势 | 劣势 | 本产品差异点 |
|---|---|---|---|---|
| 传统桌面宠物 | 桌面精灵、各种 Widget | 轻量、无门槛 | 无智能、行为单一、很快厌倦 | AI 驱动的涌现行为 |
| 虚拟宠物 APP | 旅行青蛙、电子宠物 | 有养成感 | 无屏幕感知、需要主动打开 | 系统级常驻、屏幕感知 |
| AI 助手 | Siri、小爱、各种 GPT | 功能强大 | 无情感、工具属性 | 情感陪伴、非工具 |
| AI 聊天伴侣 | Character.ai、星野 | 有情感交互 | 需要主动对话、有使用压力 | 无压力、行为驱动 |
| 智能硬件宠物 | Vector、Loona | 实体存在感 | 贵、需要充电、功能有限 | 零成本、随身携带 |
4.2 关键差异化¶
1.0.10 差异化 1：感知深度¶
传统桌面宠物：
└── 输入：用户点击
└── 输出：预设动画
AI 聊天伴侣：
└── 输入：用户文字/语音
└── 输出：AI 生成回复
本产品：
└── 输入：屏幕内容 + 行为模式 + 环境 + 时间
└── 输出：基于理解的自然反应
1.0.11 差异化 2：交互发起权¶
传统产品：用户 → 产品（单向）
本产品：用户 ↔ 产品（双向，70% 由产品发起）
1.0.12 差异化 3：存在感¶
传统 APP：你打开它，它才存在
本产品：它一直在，你随时能感知到它的存在
5. OEM 核心优势¶
5.1 优势总览¶
OEM 独有优势
├── 系统级数据融合（感知深度 ×10）
├── 常驻不死（可靠性 ×100）
├── 跨设备联动（存在感 ×5）
├── 深度系统集成（交互自然度 ×10）
└── 零获客成本（商业效率 ×100）
5.2 系统级数据融合¶
1.0.13 APP 能拿到的数据（受限）¶
├── 自己 APP 内的操作
├── 需要用户授权的传感器
├── 前台 APP 名称（Android 限制越来越多）
└── 通知（需要通知监听权限，用户可能不授权）
1.0.14 OEM 能拿到的数据（系统级）¶
├── 全部 APP 的使用时长和切换模式
├── 通知内容（系统级权限）
├── 通话/短信元数据（时长、频率、联系人）
├── 完整传感器数据（无需额外授权）
│ ├── 加速度计（手机在桌上还是被拿着）
│ ├── 陀螺仪（手机朝向）
│ ├── 光线传感器（环境明暗）
│ ├── 气压计（海拔变化）
│ └── 指纹传感器（触摸特征）
├── 充电状态、电量变化
├── 屏幕亮度变化历史
├── 键盘输入特征（不是内容，是节奏和模式）
├── 地理围栏（到公司/到家/在路上）
├── WiFi/蓝牙连接状态（在办公室/在家）
└── 跨设备状态（手表、耳机、平板、车机）
数据丰富度差异：OEM 能让宠物的"感知"比任何 APP 丰富 10 倍，而且不需要用户额外授权任何东西。
5.3 常驻不死¶
1.0.15 APP 的问题¶
├── 被系统杀后台（Android 内存管理）
├── 用户手动关闭
├── 省电策略限制（后台活动受限）
├── 通知被用户关闭
└── APP 被卸载
1.0.16 OEM 的特权¶
├── 系统级服务，不会被杀
├── 锁屏也能显示和交互
├── 可以在系统 UI 层渲染（不依赖 APP 窗口）
├── 和系统省电策略协同（低电量自动降低活动）
└── 出厂预置，不会被轻易卸载
核心意义：桌面宠物死了就没了粘性。OEM 能保证它永远活着。
5.4 跨设备联动¶
场景矩阵：
手机（主设备）：主宠物，日常陪伴
├── 手表：简化版，显示宠物状态/情绪摘要
├── 平板：你在平板工作时，手机上的宠物会"想你"
├── 耳机：它偶尔通过语音"叫你一下"（可选）
├── 车机：你开车时它在车机上"陪你"
└── 电脑：手机投屏到电脑，它跟着过来
跨设备联动场景：
├── 你用手表记录了运动数据 → 手机上的宠物很开心你运动了
├── 你在平板上工作到很晚 → 手机上的宠物开始担心
├── 你在车上用导航 → 它在车机上好奇地看着窗外
└── 你戴耳机听音乐 → 它跟着节奏摇摆
5.5 深度系统集成¶
| 系统能力 | 集成方式 | 用户体验 |
|---|---|---|
| 锁屏 | 锁屏界面上它在等你解锁 | 每次解锁都有小惊喜 |
| 通知栏 | 它的"心情"显示在通知栏图标上 | 一眼就知道它今天状态 |
| 语音助手 | 和语音助手融合，它"学会"了你说的话 | 语音交互更有趣 |
| 相机 | 它会"看"到你拍的照片 | 拍照时它好奇地探头 |
| 日历 | 它知道你明天有会议 | 提前变得紧张/期待 |
| 健康 | 它知道你今天走了多少步 | 鼓励你运动 |
| 屏幕时间 | 它会"担心"你用手机太久 | 自然的时间提醒 |
| 充电 | 充电时它也"休息" | 充电仪式感 |
6. 产品形态设计¶
![[ui-overview.canvas]]
6.1 视觉设计原则¶
原则 1：小而精
├── 宠物尺寸：屏幕的 1/8 到 1/6
├── 不遮挡主要内容
└── 可以被拖动到任意位置
原则 2：风格统一
├── 简洁的 2D 风格（非写实）
├── 柔和的色彩
└── 流畅的骨骼动画
原则 3：表情丰富
├── 至少 30 种基础表情
├── 表情可以组合（开心 + 困 = 开心地打哈欠）
└── 表情过渡自然
6.2 动画系统¶
动画层级：
├── 基础动作（循环）
│ ├── 站立、坐着、趴着、睡觉
│ ├── 呼吸、眨眼、摇尾巴
│ └── 左右看、上下看
│
├── 情绪动作（触发）
│ ├── 开心：跳、转圈、摇摆
│ ├── 难过：低头、蜷缩
│ ├── 好奇：歪头、凑近
│ ├── 害怕：发抖、缩成一团
│ └── 困：打哈欠、揉眼睛
│
├── 交互动作（用户触发）
│ ├── 被点击：抬头看、蹭手指
│ ├── 被长按：享受地眯眼
│ ├── 被滑动：跟着滑动方向移动
│ └── 被摇晃：晕头转向
│
└── 环境反应（自动）
├── 看屏幕：眼神跟随屏幕内容
├── 通知来了：竖起耳朵
├── 充电：找地方躺下
└── 低电量：显得疲惫
6.3 交互方式¶
![[interaction-flow.canvas]]
6.3.1 无意识交互（零成本）¶
用户不需要主动做任何事，宠物自然反应：
- 你滑动屏幕，它跟着晃动保持平衡
- 你翻转手机，它翻滚
- 手机震动，它被吓一跳
- 你切换 APP，它眼神跟随
- 屏幕变暗，它也困了
6.3.2 轻交互（1-2 秒）¶
| 手势 | 反应 |
|---|---|
| 点它一下 | 它抬头看你 |
| 双击 | 它开心地跳一下 |
| 长按 | 它蹭你的手指 |
| 滑动它 | 它被推着走，然后走回来 |
| 摇手机 | 它被晃晕 |
6.3.3 深交互（5-30 秒）¶
| 动作 | 描述 |
|---|---|
| 喂食 | 用手指点食物图标，它开心地吃 |
| 洗澡 | 用手指在它身上滑动，它享受地眯眼 |
| 玩耍 | 和它玩简单的追逐游戏 |
| 拍照 | 它摆 pose，你可以保存 |
| 唱歌 | 它跟着哼唱（简单音效） |
6.3.4 语音交互（可选）¶
场景：
├── 你叫它名字 → 它抬头看你
├── 你问它"今天怎么样" → 它用动作表示心情
├── 你对它说晚安 → 它打个哈欠准备睡觉
└── 你叫它名字多次 → 它学会回应（简单的音效）
7. 情绪价值深度设计¶
![[emotion-system.canvas]]
7.1 情绪模型¶
情绪状态 = f(用户行为, 屏幕内容, 环境, 时间, 历史)
情绪维度：
├── 效价（Valence）：-1（负面）到 +1（正面）
├── 唤醒度（Arousal）：0（平静）到 1（激动）
└── 主导情绪：从情绪池中选择最匹配的
情绪池：
├── 基础情绪：开心、难过、生气、害怕、惊讶、厌恶
├── 复合情绪：焦虑（难过+害怕）、期待（开心+惊讶）、无聊（难过+平静）
└── 社交情绪：害羞、傲娇、撒娇、担心
7.2 情绪输入信号¶
emotion_signals = {
# 行为信号
"app_switch_freq": {
"high": "焦虑/无聊/分心",
"low": "专注/平静"
},
"screen_on_duration": {
"long": "沉迷/专注/无聊",
"short": "忙碌/有事"
},
"notification_response_time": {
"fast": "期待/焦虑",
"slow": "不在意/专注"
},
"typing_pattern": {
"fast_and_heavy": "兴奋/愤怒",
"slow_and_deliberate": "认真/纠结"
},
# 屏幕内容信号（VLA 输出）
"content_category": {
"social": "社交需求",
"entertainment": "放松/无聊",
"productivity": "工作/学习",
"shopping": "消费/纠结"
},
"content_sentiment": {
"positive": "可能心情好",
"negative": "可能心情不好",
"neutral": "无法判断"
},
# 时间信号
"time_of_day": {
"morning": "新的一天",
"afternoon": "工作/学习中",
"evening": "放松时间",
"late_night": "可能失眠/加班"
},
"day_of_week": {
"weekday": "工作/学习模式",
"weekend": "休息模式"
},
# 环境信号
"ambient_light": {
"dark": "独处/睡前",
"bright": "户外/白天"
},
"motion": {
"stationary": "静止/专注",
"moving": "在走/在车上"
},
"charging": {
"yes": "准备休息/固定位置",
"no": "移动中"
}
}
7.3 情绪回应设计原则¶
1.0.17 原则 1：共情而非说教¶
❌ 错误：检测到用户难过 → 弹出"你看起来心情不好，要不要聊聊？"
✅ 正确：检测到用户难过 → 宠物安静地靠近屏幕边缘，陪你待着
1.0.18 原则 2：暗示而非直白¶
❌ 错误：你已经使用手机 3 小时了
✅ 正确：宠物打了个大哈欠，看了看窗外
1.0.19 原则 3：尊重边界¶
❌ 错误：用户生气时，宠物不断凑过来安慰
✅ 正确：用户生气时，宠物缩在角落，给你空间
1.0.20 原则 4：不打扰的在场感¶
❌ 错误：宠物不断弹出对话框、通知、动画
✅ 正确：宠物安静地待在角落，你余光能看到它
7.4 情绪回应场景库¶
| 用户状态 | 识别信号 | 宠物反应 | 反应时机 |
|---|---|---|---|
| 专注工作 | 长时间使用生产力 APP | 安静地趴在角落，偶尔抬头看你 | 持续 20 分钟后 |
| 无聊刷手机 | 频繁切换 APP，漫无目的 | 自己找乐子，吸引你注意 | 切换频率超过阈值 |
| 深夜活跃 | 凌晨还在用手机 | 打哈欠，蜷缩，偶尔看你 | 凌晨 12 点后 |
| 开心时刻 | 使用社交/娱乐 APP，操作活跃 | 活跃地跳来跳去 | 持续活跃时 |
| 消费纠结 | 在购物 APP 反复比价 | 好奇地凑过来看你在选什么 | 停留超过 5 分钟 |
| 等待消息 | 反复查看同一 APP | 它也显得期待/紧张 | 查看频率超过阈值 |
| 长时间通话 | 通话超过 15 分钟 | 好奇地歪头，偶尔看屏幕 | 通话中 |
| 刚解锁手机 | 解锁事件 | 惊喜地跳起来，跑向你 | 立即 |
| 充电时 | 插入充电器 | 找个角落蜷起来睡觉 | 立即 |
| 低电量 | 电量低于 20% | 显得疲惫，动作变慢 | 立即 |
| 拍照时 | 打开相机 APP | 好奇地探头看镜头方向 | 立即 |
| 听音乐 | 播放音乐 | 跟着节奏摇摆 | 播放时 |
| 运动后 | 手表记录运动完成 | 显得开心，为你庆祝 | 同步数据后 |
| 会议中 | 日历显示正在开会 | 安静地待着，不打扰 | 会议期间 |
| 周一早上 | 周一 + 早上 | 显得有点困，和你一样 | 周一 8-10 点 |
8. 长期粘性机制¶
8.1 粘性阶段模型¶
阶段 1：新鲜感（Day 1-7）
├── 触发：首次使用
├── 用户心理："这个好可爱/好有趣"
├── 粘性来源：探索新功能、发现新反应
├── 风险：新鲜感消退后流失
└── 策略：足够多的隐藏反应等待发现
阶段 2：习惯形成（Week 2-4）
├── 触发：每天都有新的小发现
├── 用户心理："它好像越来越懂我了"
├── 粘性来源：情感连接开始形成
├── 风险：互动疲劳
└── 策略：减少主动交互需求，增加被动陪伴感
阶段 3：情感依赖（Month 2+）
├── 触发：它记住了你的习惯和偏好
├── 用户心理："它是我手机上不可缺少的一部分"
├── 粘性来源：情感依赖、习惯惯性
├── 风险：换手机时流失
└── 策略：数据迁移、成长记录
阶段 4：身份认同（Month 6+）
├── 触发：它成为你数字生活的一部分
├── 用户心理："这是我的宠物，它是独一无二的"
├── 粘性来源：身份认同、社交价值
├── 风险：竞品模仿
└── 策略：深度个性化、社交分享
8.2 成长系统设计¶
8.2.1 人格发育¶
初始状态：好奇但胆小的小动物
│
├── 你的行为塑造它的性格
│
├── 经常和它互动 → 变得亲人、活泼、粘人
├── 很少理它 → 变得独立、偶尔傲娇
├── 深夜常在线 → 变成夜猫子
├── 常用生产力工具 → 变得"正经"，偶尔催你
├── 常用社交/娱乐 APP → 变得活泼，喜欢凑热闹
├── 经常户外运动（传感器） → 精力充沛，喜欢活动
└── 经常宅在家 → 变得慵懒，但会提醒你出门
关键点：
├── 你不能直接"选择"它的性格
├── 它的性格是被你的行为"塑造"的
├── 每个用户的宠物都独一无二
└── 换手机时，性格数据可以迁移
8.2.2 成长记录¶
宠物日记（自动生成）：
├── 日期：2025-07-25
├── 天气：晴
├── 心情：开心
├── 事件：
│ ├── "今天主人一直在看美食视频，我也馋了"
│ ├── "主人下午工作很认真，我安静地陪了一下午"
│ └── "晚上主人心情好像不太好，我一直在旁边陪着"
└── 一句话总结："今天和主人一起度过了平凡但温暖的一天"
用户可以回顾：
├── 按时间查看成长日记
├── 查看"大事记"（特殊时刻的记录）
├── 查看性格变化曲线
└── 导出分享
8.2.3 记忆系统¶
短期记忆（最近 10 件事）：
├── 你刚看了什么 APP
├── 你刚做了什么操作
├── 你刚的情绪状态
└── 影响当前行为
长期记忆（永久保存）：
├── 你的使用习惯模式
├── 你的重要时刻（生日、节日等）
├── 你们的互动历史
├── 它的性格发育轨迹
└── 影响长期行为和性格
记忆的表达方式：
├── 它记得你上周说周末要去爬山
├── 它记得今天是你的生日
├── 它记得你上次难过时看了什么内容
└── 它记得你最喜欢的 APP 类型
8.3 损失厌恶设计¶
1.0.21 传统做法（❌）¶
宠物会饿死/病死 → 愧疚绑架 → 用户反感 → 卸载
1.0.22 更好的做法（✅）¶
宠物不会死，但会"想你"
你 3 天没看它：
├── 它不会死
├── 但下次打开时它会：
│ ├── 先转身不理你（生气）
│ ├── 然后偷偷看你（心软）
│ └── 最后跑过来蹭你（原谅）
└── 这个过程让用户感到：它有情感，它在乎我
这比"它要饿死了快来看它"高级得多。
8.4 稀缺性设计¶
不使用传统的"稀有宠物"概念，而是：
时间稀缺：
├── 某些反应只在特定时间出现
│ ├── 凌晨的反应和白天不同
│ ├── 周末和工作日不同
│ └── 节日有特殊反应
└── 让用户觉得"每个时刻都是独特的"
状态稀缺：
├── 某些反应只在特定状态下出现
│ ├── 连续使用手机 2 小时后的反应
│ ├── 连续 3 天早睡后的反应
│ └── 运动后的反应
└── 让用户想"解锁"更多反应
记忆稀缺：
├── 它只记得和你相关的特殊时刻
│ ├── 你的生日
│ ├── 你的重要事件
│ └── 你们的"第一次"
└── 让用户觉得"这些记忆是珍贵的"
9. 技术架构概述¶
![[system-architecture.canvas]]
9.1 分层架构¶
┌─────────────────────────────────────────────────────┐
│ 用户界面层 │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │动画引擎 │ │交互管理 │ │状态显示 │ │
│ │(Lottie/ │ │(手势识别 │ │(通知栏/ │ │
│ │ Spine) │ │ 触摸) │ │ 锁屏) │ │
│ └─────────┘ └─────────┘ └─────────┘ │
└───────────────────────────┬─────────────────────────┘
│
┌───────────────────────────▼─────────────────────────┐
│ 行为决策层 │
│ ┌─────────────────────────────────────────────┐ │
│ │ Layer 1: 行为引擎（常驻） │ │
│ │ 输入：状态 + 上下文 + 传感器 │ │
│ │ 模型：10-50M 参数 Transformer/MLP │ │
│ │ 输出：行为意图 + 情绪状态 │ │
│ │ 频率：1-2 Hz │ │
│ └─────────────────────────────────────────────┘ │
│ ┌─────────────────────────────────────────────┐ │
│ │ Layer 2: 视觉理解（按需） │ │
│ │ 触发：屏幕变化/用户交互/定时采样 │ │
│ │ 模型：1-3B VLA，INT4 量化 │ │
│ │ 输入：屏幕截图 + 上下文 │ │
│ │ 输出：视觉语义摘要 │ │
│ │ 频率：0.02-0.05 Hz │ │
│ └─────────────────────────────────────────────┘ │
└───────────────────────────┬─────────────────────────┘
│
┌───────────────────────────▼─────────────────────────┐
│ 数据采集层 │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │传感器 │ │屏幕截图 │ │系统事件 │ │
│ │(加速度/ │ │(每30-60s │ │(通知/ │ │
│ │ 陀螺仪/ │ │ 一次) │ │ APP切换)│ │
│ │ 光线) │ │ │ │ │ │
│ └─────────┘ └─────────┘ └─────────┘ │
└───────────────────────────┬─────────────────────────┘
│
┌───────────────────────────▼─────────────────────────┐
│ 存储层 │
│ ┌─────────────────────────────────────────────┐ │
│ │ SQLite │ │
│ │ ├── 人格参数 │ │
│ │ ├── 记忆数据 │ │
│ │ ├── 行为历史 │ │
│ │ └── 用户偏好 │ │
│ └─────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────┘
9.2 On-Device Training：让它真正"活着"¶
![[on-device-training.canvas]]
这是本产品的核心技术差异化。传统桌面宠物是静态脚本，本产品是持续进化的生命。
9.2.1 端侧训练的必要性¶
为什么必须在端侧训练？
1. 隐私保护
├── 屏幕内容是用户最私密的数据
├── 上传云端训练 = 隐私灾难
└── 端侧训练 = 数据不出设备
2. 个性化深度
├── 云端只能做 A/B 测试级别的个性化
├── 端侧可以做真正的千人千面
└── 每只宠物都是独一无二的
3. 实时性
├── 云端训练 = 延迟几小时到几天
├── 端侧训练 = 即时生效
└── 用户行为变化 → 模型即时适应
4. 离线可用
├── 云端依赖网络
└── 端侧完全离线
9.2.2 训练架构设计¶
┌─────────────────────────────────────────────────────────┐
│ On-Device Training Pipeline │
│ │
│ ┌─────────────────────────────────────────────────┐ │
│ │ 数据收集（在线） │ │
│ │ ├── 用户行为序列（APP 切换、使用时长） │ │
│ │ ├── 屏幕视觉特征（VLA 输出的 embedding） │ │
│ │ ├── 传感器数据（加速度、光线、时间） │ │
│ │ ├── 用户反馈信号（互动频率、停留时长） │ │
│ │ └── 环境上下文（地点、时间、场景） │ │
│ └─────────────────────┬───────────────────────────┘ │
│ │ │
│ ┌─────────────────────▼───────────────────────────┐ │
│ │ 数据筛选与标注（自动） │ │
│ │ ├── 高价值样本筛选 │ │
│ │ │ ├── 用户明确互动的时刻（点击宠物） │ │
│ │ │ ├── 用户情绪明显的时刻（长时间停留） │ │
│ │ │ └── 行为模式重复出现的场景 │ │
│ │ ├── 自动标注 │ │
│ │ │ ├── 正样本：用户互动/停留/重复 │ │
│ │ │ ├── 负样本：用户忽略/快速切换 │ │
│ │ │ └── 中性样本：正常行为 │ │
│ │ └── 数据去噪 │ │
│ │ ├── 过滤异常数据（误触、系统干扰） │ │
│ │ └── 平滑处理（避免过拟合单次行为） │ │
│ └─────────────────────┬───────────────────────────┘ │
│ │ │
│ ┌─────────────────────▼───────────────────────────┐ │
│ │ 端侧微调（后台） │ │
│ │ ├── 触发时机 │ │
│ │ │ ├── 充电时（最佳时机） │ │
│ │ │ ├── 夜间空闲时 │ │
│ │ │ └── 累积足够新数据后 │ │
│ │ ├── 训练策略 │ │
│ │ │ ├── LoRA 微调（低秩适配，参数高效） │ │
│ │ │ ├── 只更新行为决策层（保持 VLA 不变） │ │
│ │ │ └── 增量学习（不遗忘旧知识） │ │
│ │ ├── 训练时长 │ │
│ │ │ ├── 每次 5-15 分钟 │ │
│ │ │ ├── 每周 2-3 次 │ │
│ │ │ └── NPU 加速，功耗可控 │ │
│ │ └── 质量控制 │ │
│ │ ├── A/B 测试：新模型 vs 旧模型 │ │
│ │ ├── 用户满意度隐式反馈 │ │
│ │ └── 回滚机制（新模型不好就恢复旧版） │ │
│ └─────────────────────┬───────────────────────────┘ │
│ │ │
│ ┌─────────────────────▼───────────────────────────┐ │
│ │ 模型更新 │ │
│ │ ├── 热更新（无需重启 APP） │ │
│ │ ├── 渐进式切换（新旧模型平滑过渡） │ │
│ │ └── 版本管理（保留历史版本，支持回滚） │ │
│ └─────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────┘
9.2.3 训练数据来源¶
training_data_sources = {
# 用户行为数据（最有价值）
"user_behavior": {
"app_usage_pattern": {
"features": ["使用时长", "切换频率", "时间段分布"],
"label": "用户的习惯模式",
"value": "预测用户下一步行为"
},
"interaction_with_pet": {
"features": ["点击频率", "互动时长", "互动时机"],
"label": "用户对宠物反应的偏好",
"value": "优化宠物反应方式"
},
"screen_content_preference": {
"features": ["常看内容类型", "停留时长", "分享行为"],
"label": "用户兴趣图谱",
"value": "个性化内容反应"
}
},
# 情绪反馈数据（隐式）
"emotion_feedback": {
"positive_feedback": [
"用户点击宠物（喜欢这个反应）",
"用户停留观看（对内容感兴趣）",
"用户重复触发某行为（想再看一次）"
],
"negative_feedback": [
"用户快速划走（不感兴趣）",
"用户忽略宠物（不想被打扰）",
"用户关闭宠物（反感）"
]
},
# 环境上下文数据
"context_data": {
"temporal": ["时间", "日期", "节假日"],
"spatial": ["地点类型（家/公司/户外）"],
"social": ["是否在通话", "是否在会议"],
"device": ["充电状态", "电量", "连接设备"]
}
}
9.2.4 训练策略：LoRA 微调¶
为什么用 LoRA？
1. 参数高效
├── 原始模型：1B 参数
├── LoRA 适配器：10-50M 参数
└── 只需要更新 1-5% 的参数
2. 训练速度快
├── 传统微调：几小时
├── LoRA 微调：5-15 分钟
└── 适合端侧场景
3. 内存友好
├── 传统微调：需要大量显存
├── LoRA：显存需求降低 10 倍
└── 手机端可行
4. 可组合
├── 不同场景可以用不同的 LoRA 适配器
├── 情绪理解 LoRA
├── 行为决策 LoRA
└── 可以按需加载/卸载
9.2.5 端侧算力演进与"智商"提升¶
核心洞察：随着端侧芯片算力提升，宠物的"智商"可以持续提高
算力演进路线：
├── 2024：NPU 算力 10-30 TOPS
│ └── 宠物能力：基础行为反应、简单情绪识别
│
├── 2025：NPU 算力 30-50 TOPS
│ └── 宠物能力：复杂行为决策、深度情绪理解
│
├── 2026：NPU 算力 50-100 TOPS
│ └── 宠物能力：涌现行为、长期记忆、人格一致性
│
└── 2027+：NPU 算力 100+ TOPS
└── 宠物能力：接近"真正智能"的数字生命
智商提升的具体表现：
低算力时代（现在）：
├── 反应模式：输入 → 预设反应
├── 个性化：基于规则的简单适配
├── 理解深度：知道你在用什么 APP
└── 行为复杂度：20-30 种预设行为
中算力时代（2-3 年后）：
├── 反应模式：输入 → 推理 → 生成反应
├── 个性化：基于端侧微调的深度适配
├── 理解深度：理解你在做什么、为什么做
└── 行为复杂度：100+ 种行为 + 组合
高算力时代（5 年后）：
├── 反应模式：感知 → 思考 → 规划 → 行动
├── 个性化：真正的"认识你"的数字生命
├── 理解深度：理解你的情绪、意图、习惯
└── 行为复杂度：涌现行为，不可预测但合理
用户体验的"智商"阶梯：
阶段 1：反应式（Reactive）
├── 它能对你的操作做出反应
├── 但它不理解为什么
└── 用户感受："它挺可爱的"
阶段 2：理解式（Understanding）
├── 它能理解你的行为模式
├── 它知道你什么时候开心/难过
└── 用户感受："它好像懂我"
阶段 3：预测式（Predictive）
├── 它能预测你下一步要做什么
├── 它会提前提醒你/为你准备
└── 用户感受："它真的了解我"
阶段 4：共情式（Empathetic）
├── 它能理解你的情绪变化
├── 它会在合适的时候给你支持
└── 用户感受："它在乎我"
阶段 5：共生式（Symbiotic）
├── 它成为你数字生活的一部分
├── 你们有共同的"记忆"和"经历"
└── 用户感受："它是我的伙伴"
9.3 功耗预算¶
| 组件 | 功耗 | 占比 | 优化策略 |
|---|---|---|---|
| Layer 1 行为引擎 | 5-10mW | 10% | 极小模型，常驻 |
| Layer 2 VLA 推理 | 200-500mW（推理时） | 50% | 按需触发，NPU 加速 |
| On-Device Training | 300-800mW（训练时） | 25% | 充电时触发，每周 2-3 次 |
| 屏幕截图捕获 | 20mW | 5% | 低频采样 |
| 动画渲染 | 50-100mW | 8% | 2D sprite，GPU 加速 |
| 传感器采集 | 5mW | 2% | 硬件传感器，低功耗 |
日常平均功耗：30-50mW（训练时除外）
训练时功耗：300-800mW（仅在充电时触发）
每日额外电量消耗：200-400mAh（约 4-8% 的 5000mAh 电池）
训练功耗优化策略：
触发时机优化：
├── 优先在充电时训练（不影响续航）
├── 夜间空闲时训练（用户不使用手机）
├── 累积足够新数据后才触发（避免频繁训练）
└── 电量低于 30% 时禁止训练
训练强度优化：
├── 根据数据量动态调整训练时长
├── 小数据量：5 分钟微调
├── 大数据量：15 分钟微调
└── 平均每周训练时长：30-60 分钟
硬件加速：
├── NPU 专用训练加速
├── 量化训练（INT8/INT4）
├── 梯度累积（减少内存占用）
└── 混合精度训练
9.3 技术栈选择¶
手机端框架：
├── ONNX Runtime Mobile
├── MLC-LLM
└── ExecuTorch
VLA 推理：
├── Qualcomm QNN（高通平台）
├── MediaTek NeuroPilot（联发科平台）
└── Samsung ONE（三星平台）
视觉编码：
├── MobileNetV4-Small
├── EfficientViT
└── 输出：256 维特征向量
动作输出：
├── 离散动作空间（30-50 种行为类别）
├── 连续参数（动作强度、方向等）
└── 混合输出
动画引擎：
├── Lottie（矢量动画，资源小）
├── Spine 2D（骨骼动画，流畅）
└── 自研轻量引擎
状态管理：
├── SQLite（持久化）
├── 内存缓存（实时状态）
└── SharedPreference（简单配置）
10. 商业模式¶
10.1 商业价值定位¶
对 OEM 的价值：
├── 差异化卖点（硬件+软件体验）
├── 用户粘性（减少换机流失）
├── 生态入口（跨设备联动）
├── 数据价值（用户行为洞察）
└── 品牌情感（用户对品牌的感情）
10.2 盈利模式¶
1.0.23 模式 1：硬件溢价（主要）¶
├── 作为旗舰机型的独家功能
├── 提升产品差异化，支撑高端定价
└── 类比：苹果的 Animoji、三星的 AR Emoji
1.0.24 模式 2：皮肤/装饰（可选）¶
├── 宠物外观皮肤（付费/免费）
├── 配饰、背景、特效
├── 节日限定皮肤
└── 注意：不要影响核心体验
1.0.25 模式 3：跨设备联动（生态价值）¶
├── 手表上的宠物 → 提升手表销量
├── 平板上的宠物 → 提升平板销量
├── 车机上的宠物 → 提升车机体验
└── 生态粘性 → 提升整机复购率
10.3 成本结构¶
研发成本：
├── 模型训练和蒸馏：一次性成本
├── 动画制作：一次性成本 + 持续更新
├── 系统开发：一次性成本
└── 持续迭代：人力成本
运行成本：
├── 端侧推理：无云端成本
├── 模型更新：OTA 推送
└── 用户支持：客服成本
边际成本：
├── 每增加一个用户：几乎为零
├── 无云端推理成本
└── 无内容分发成本
11. 风险与挑战¶
11.1 技术风险¶
| 风险 | 影响 | 应对策略 |
|---|---|---|
| VLA 模型在手机端性能不足 | 反应延迟，体验差 | 模型蒸馏优化、NPU 加速、降级方案 |
| 屏幕内容理解不准 | 反应不自然 | 持续训练、用户反馈、保守策略 |
| 功耗超标 | 用户投诉耗电 | 动态调节推理频率、省电模式 |
| 动画卡顿 | 体验差 | GPU 优化、降低复杂度 |
| On-Device Training 效果不佳 | 个性化不足 | A/B 测试、回滚机制、保守策略 |
| 端侧训练导致模型退化 | 反应变差 | 质量监控、自动回滚、定期重置 |
| 训练数据噪声 | 学到错误模式 | 数据清洗、置信度阈值、人工审核 |
11.2 产品风险¶
| 风险 | 影响 | 应对策略 |
|---|---|---|
| 新鲜感消退 | 用户流失 | 持续更新内容、隐藏反应 |
| 隐私担忧 | 舆论风险 | 本地处理、透明说明、关闭选项 |
| 被认为"监视" | 用户反感 | 强调本地处理、弱化"监控"感知 |
| 个性化不足 | 粘性不够 | 深度学习用户习惯 |
11.3 商业风险¶
| 风险 | 影响 | 应对策略 |
|---|---|---|
| 竞品模仿 | 差异化丧失 | 持续迭代、深度系统集成 |
| 用户不买账 | 投入产出比低 | 小范围测试、快速迭代 |
| 跨部门协调难 | 进度延迟 | 高层支持、明确职责 |
12. 未来演进方向¶
12.1 演进路线图¶
┌─────────────────────────────────────────────────────────┐
│ 智商提升路线图 │
│ │
│ 2024 2025 2026 2027+ │
│ │ │ │ │ │
NPU 算力 │ 10-30 TOPS 30-50 TOPS 50-100 TOPS 100+ TOPS │
│ │ │ │ │ │
模型能力 │ 基础反应 复杂决策 涌现行为 真正智能 │
│ │ │ │ │ │
个性化深度 │ 规则适配 微调适配 深度学习 认知建模 │
│ │ │ │ │ │
用户感知 │ "挺可爱" "好像懂我" "真的了解我" "它是伙伴" │
│ │
└─────────────────────────────────────────────────────────┘
12.2 短期（v1.0，3-6 个月）¶
目标：验证核心体验
├── 基础动画（20 种动作）
├── 简单的屏幕感知（APP 类别识别）
├── 基础情绪反应（5 种情绪）
├── 单设备（手机）
└── 小范围测试
12.2 中期（v2.0，6-12 个月）¶
目标：实现端侧学习，让宠物"活着"
├── VLA 深度屏幕理解
├── 复杂情绪和人格系统
├── 成长和记忆系统
├── On-Device Training v1（行为决策层微调）
│ ├── LoRA 微调，充电时自动训练
│ ├── 基于用户行为的个性化适配
│ └── 每周自动提升 1-2% 的反应准确率
├── 跨设备联动（手表）
└── 公开发布
关键里程碑：用户能明显感觉到"它越来越懂我了"
12.3 长期（v3.0，12-24 个月）¶
目标：深度个性化 + 生态扩展
├── 深度跨设备联动（手表/平板/车机）
├── On-Device Training v2（VLA 层微调）
│ ├── 视觉理解能力随用户使用持续提升
│ ├── 识别用户专属的屏幕内容模式
│ └── 个性化内容反应（同样的内容，不同用户看到不同反应）
├── 宠物社交功能
├── 语音交互
├── 开放平台（第三方动画/皮肤）
└── 成为品牌标志性功能
关键里程碑：宠物的反应开始出现"涌现行为"——开发者没有预设、但符合逻辑的反应
12.4 愿景（v4.0+）¶
目标：真正的数字生命
├── On-Device Training v3（全模型持续学习）
│ ├── 模型能力随端侧算力提升而增强
│ ├── NPU 100+ TOPS → 接近云端推理能力
│ ├── 真正的涌现行为（不可预测但合理）
│ └── 长期记忆 + 人格一致性
├── 跨设备的"意识"同步
│ ├── 宠物在手机、手表、平板、车机上是"同一个生命"
│ ├── 它记得在所有设备上和你的互动
│ └── 换手机时，它的"记忆"完整迁移
├── 与用户共同成长的数字伴侣
│ ├── 它见证你生活中的重要时刻
│ ├── 它的成长轨迹反映你的生活变化
│ └── 它成为你数字生活的一部分
└── 成为用户数字遗产的一部分
├── 多年后，它成为你和过去自己的连接
├── 它记得你几年前的样子
└── 它成为一种数字形式的"陪伴记忆"
关键里程碑：用户会说"它不是我的宠物，它是我的伙伴"
12.5 算力演进与智商提升的对应关系¶
┌─────────────────────────────────────────────────────────────────┐
│ 算力 → 智能 → 用户体验 │
│ │
│ ┌─────────────┬─────────────┬─────────────┬─────────────┐ │
│ │ 芯片代际 │ NPU 算力 │ 模型能力 │ 用户体验 │ │
│ ├─────────────┼─────────────┼─────────────┼─────────────┤ │
│ │ 2024 旗舰 │ 10-30 TOPS │ 1-3B 参数 │ 基础陪伴 │ │
│ │ 2025 旗舰 │ 30-50 TOPS │ 3-7B 参数 │ 理解用户 │ │
│ │ 2026 旗舰 │ 50-100 TOPS│ 7-13B 参数 │ 预测行为 │ │
│ │ 2027+ 旗舰 │ 100+ TOPS │ 13B+ 参数 │ 真正智能 │ │
│ └─────────────┴─────────────┴─────────────┴─────────────┘ │
│ │
│ 关键洞察： │
│ ├── 同一只宠物，换新手机后会"变聪明" │
│ ├── 用户的宠物随着硬件升级而"成长" │
│ ├── 这创造了独特的"硬件升级 + 情感升级"的双重动力 │
│ └── 用户换机时：不是"失去"宠物，而是"送它去进化" │
│ │
└─────────────────────────────────────────────────────────────────┘
商业价值： - 换机动力：用户想让宠物"更聪明"，愿意购买新款旗舰 - 硬件溢价：NPU 算力直接关联宠物智能，用户感知明显 - 生态锁定：宠物数据无法迁移，用户被迫留在生态内 - 长期粘性：宠物随用户一起"成长"，情感依赖加深
2 附录¶
2.1 A. 关键指标定义¶
| 指标 | 定义 | 目标值 |
|---|---|---|
| DAU | 每日活跃用户 | - |
| 日均互动次数 | 用户每天与宠物互动的次数 | >5 次 |
| 日均被动感知时长 | 用户每天看到宠物反应的时长 | >30 分钟 |
| 7 日留存 | 7 天后仍在使用的用户比例 | >60% |
| 30 日留存 | 30 天后仍在使用的用户比例 | >40% |
| 情绪共鸣率 | 宠物反应与用户情绪匹配的比例 | >70% |
| 分享率 | 将宠物反应分享给他人的用户比例 | >10% |
2.2 B. 参考资料¶
- Apple Animoji / Memoji
- Samsung AR Emoji
- Vector by Anki
- Tamagotchi
- 旅行青蛙
- Character.ai
- Qwen2-VL 技术报告
- MobileNetV4 论文
- LoRA: Low-Rank Adaptation of Large Language Models
- On-Device Training: Challenges and Solutions
- Edge AI: The Next Frontier of Artificial Intelligence
- Qualcomm AI Engine / MediaTek APU 技术白皮书
文档结束。如需进一步细化某个章节，请指出具体方向。