微信｜tqkm1510
吴振华曾在字节跳动负责飞书商业化和用户增长。在进入字节的时候，他跟老板说，最多干三年，之后还要出来创业。Heygo 是他选择 All in 的项目。
这款产品的定位是滑雪运动的 AI 陪练搭子——一门看起来“不够大”的生意。为此，他见过的 60 多个投资人，而这些人大多提出过相同的质疑：市场太小。
但吴振华不这么看。他有一个创业筛选标准的四象限，Heygo 恰好位于四个象限的重合区。
这四个象限分别是：自己热爱、自己擅长、短期财务模型清晰、长期天花板足够高。前两个是创造者的必选项，后两个则略显另类。
很多 AI 创业者会选择一眼看上去极为广阔的市场，即便这个市场还很难看到清晰的盈利机会。而 Heygo 的目标是在今年，也就是创业第二年实现盈利。吴振华认为，只要渗透 1%的滑雪群体，就足够支撑一家高质量的公司。
吴振华喜欢滑雪，Heygo 团队的成员也大都迷恋这项运动。他们同样来自科技大厂——硬件负责人黎元晟来自大疆，算法负责人楚嘉是字节的数据与算法工程师，软件负责人贝俊龙是飞书文档第三个产品经理。而这个团队的目标不止于单纯的滑雪陪练。更进一步，他们想做 AI 时代的 Garmin（佳明）。
在户外运动爱好者眼中，Garmin 是一个众所周知的品牌。它最知名的产品是运动手表，不过很少有人了解它的历史。实际上，Garmin 最早从航空 GPS 导航设备起家，后来把飞行员、船长、司机、登山者、马拉松跑者，都变成了用户。眼下 Garmin 产品覆盖 B 端和 C 端多种场景，市值超过 500 亿美元。
可以看到，这是一个从高度专业化的小众市场起步，通过核心技术的跨场景复用，不断扩大商业版图的故事。Heygo 想给这个故事演绎新的版本。
两个传感器背后的运动智能体
Heygo 的产品，看起来并不复杂。
它的硬件只有两个小型传感器，分别夹在左右雪鞋上，通过内置的 IMU 传感器采集运动数据，再与手机 App 连接。用户戴上设备，就可以开始滑雪，整个过程不需要额外操作。
但两个传感器背后，是一套 Motion Agent 系统。
在滑雪过程中，这套系统能够识别用户的滑行状态、换刃和转弯动作，分析立刃角度、旋转速率、节奏、对称性等指标，并通过耳机或手机外放提供语音反馈。滑行结束后，用户还能查看详细的运动报告，了解自己的技术问题，以及接下来应该怎样练习。
其中，传感器负责获取真实世界的数据，运动算法负责识别动作，Agent 则需要结合专业滑雪知识，理解用户的技术问题，并记住其历史表现，给出个性化的训练建议。
这似乎是一个 AI 教练。但吴振华强调，Heygo 的产品定位是陪伴式的教练搭子，不是教练的替代者。它主要是为了满足滑雪中还没有被解决的几类需求。
首先，滑雪教练很贵。便宜也要四五百元一小时，一节课通常是 3 小时，上一天课至少要花两三千元。
其次，请十个教练，十个教练讲的可能都不一样。每个教练都没有用户的 Context 和 Memory，不知道他过去的运动喜好、运动习惯、身体状态，也不知道他昨天和今天分别出了什么问题，因此很难提供有针对性的反馈和训练计划。
第三，滑雪从入门的落叶飘，到走刃、刻滑，有十几个甚至二十个阶段。每个阶段不是上一两节课就能掌握的，而是要在课后持续练习两三周，形成肌肉记忆。但用户自己练习时得不到反馈，看不到自己的问题和数据，不知道练得对不对。
“我们要做日常练习中的陪伴式反馈。”吴振华指出，Heygo 可以 24 小时陪着用户，随着用户的身体和滑雪水平一起进步。“你用得越多，模型越智能，也越个性化”。
这要求 Heygo 必须准确理解运动数据。其中牵涉繁琐的细节。
拿单板滑雪中常见的立刃动作来说，用户在发力时，雪鞋会发生形变，传感器测量到的雪鞋姿态，与雪板的实际姿态并不完全一致。雪鞋可能转动了 30 度，雪板实际上却只转动了 8 至 10 度。如果直接使用传感器数据，系统可能得出错误的结论。
Heygo 研发了形变补偿模型。他们在雪鞋、雪板等不同位置安装更多的传感器，同时拍摄视频，对照真实动作和测量结果，不断修正算法。最初，这项测量的误差超过 20 度，经过多轮优化后，误差缩减到 3 度。
模型也需要知道怎样才是“标准”的动作。
对此，Heygo 将传感器信号、视频和时间信息进行关联，再结合专业教练的判断，对动作进行标注。而这些经过验证的数据，形成 Ground Truth，在训练和验证模型时，作为真值基准——也就是一套模板或教科书式的动作。
Heygo 重视数据，但在吴振华看来，运动 AI 的数据价值，不能简单用数量来衡量——所有运动 AI 公司都会说自己有很多数据，但数据之间的差别极大。没有标签、上下文、真值和原始信号，数据无法用于训练；真正稀缺的并非数据量，而是“一条能够持续产生有效的高质量标注数据的生产线”。
最终，技术还需要转化为用户能够感知的价值。
Heygo 的内测反馈显示，不同水平的滑雪者，感兴趣的功能并不完全一样。进阶用户希望通过详细的数据找到技术问题，普通爱好者则更喜欢语音反馈和 AI 报告。
有位刚滑过几次雪的用户，第一次看到自己的弯形和运动指标时，忍不住说了一句“卧槽”。这让他很想继续戴着 Heygo 滑雪。因为过去只能凭感觉判断的动作，现在有了具体的数据，滑雪的快乐从一种模糊的身体感受，变成了可以“量化”的成果。
一个有趣的细节是，Heygo 不仅要实时定位问题，还要让用户获得进步感，并提供情绪价值。
过去滑雪用户没有办法量化自己的滑雪水平，Heygo 会通过加权汇总给出一个分数。同时他们计划在 App 上加入个人模块，让用户可以看到分数排行榜和成就勋章；如果用户某天一直摔跤、状态不好，到了下午两三点这个滑雪风险高峰期，Heygo 会建议用户不要继续练习，而是先喝杯咖啡，休息一下。
为什么是滑雪？
如果留意 AI 创业动态，会发现 AI 教练或陪练类的产品正在密集涌现。不过滑雪仍是其中的小众方向。
回到创业的起点。Heygo 的选择，根源是他们自己在滑雪中发现的需求、问题和痛点。生活中很多事都可以用 AI 解决，滑雪应该也可以。这是他们最早看到的机会。
在吴振华看来，大模型本质上是被互联网中的图文信息数据训练出来的，缺乏人们在真实物理世界中运动姿态的数据。如果真实的运动数据反哺给大模型就能解决一些问题，那么运动教学这件事就有机会被重新做一遍。
但最终选择滑雪，不只是因为兴趣。
Heygo 把运动分成两大类：个体闭环的运动和动态开放的运动。滑雪、冲浪、跑步，属于前者，这类运动都是通过每个人自己的技术动作来独立完成，“本质上是你和自己在博弈和对抗”；网球、足球、篮球，属于后者，它们是在一个空间里和多个对手进行实时互动，“本质上是人和人的博弈”。
Heygo 认为，个体闭环的运动更适合作为 AI 时代 Motion Agent 的起点。
以滑雪为例，这项运动有着明确的目标、高频的动作、连续的数据，在滑行过程中需要及时反馈，并且能形成可独立验证的结果。一个人滑得好不好，有没有摔跤，立刃到底起没起来，马上就能验证。这些因素汇总起来看，让滑雪成了一个非常适合 AI 理解人体动作、验证练习反馈、建立个性化模型的高质量场景。
商业化方面的潜力同样重要。尽管滑雪群体相对小众，但从 Heygo 的调查来看，滑雪用户是高付费意愿、高付费渗透率、高客单价的群体——“天然就是装备党”，对装备有付费意识和付费意愿。
而 Heygo 这些人不仅喜欢滑雪，而且有一半成员做过滑雪教练，加上各自在字节、腾讯、大疆等大厂历练的经验，让整个团队在解决滑雪问题和构建 AI 产品上，都有更多的 know-how 和 know-why。
有意思的是，Heygo 还选择了一条更难的起步路线。在单板滑雪和双板滑雪之间，团队先做了单板。
单板与双板可以理解为两种完全不同的运动，发力逻辑、教学体系都差异极大。其中最重要的差异是雪鞋。单板雪鞋较软，形变复杂，传感器固定和算法补偿的难度都更高。恰好 Heygo 团队普遍更熟悉单板滑雪。而由难到易，可以很快延展。吴振华表示，技术上，Heygo 的算法已经能跑通了双板场景。
但即便如此，要做出一款可靠的 AI 滑雪产品仍不容易。它需要一些笨功夫。第一次见 Heygo 是在 7 月中旬，第二次在 9 月，中间的一个半月，Heygo 做了大量工作，把产品从内部能用的状态变成能向用户交付的状态。
首先是提升可靠性。硬件要通过跌落测试、IP68 测试等种种测试，软件也要通过大规模测试，把实时滑行、实时结算、雪日报告、AI 教练等各项功能，往生产版本做收敛。
产品体验也需要改善。这需要更大规模真实场景的用户测试和产品共创。国内的雪季还没到来，Heygo 去了新西兰，用 18 天做三件事：
第一是采数据。大量收集不同环境下的有效数据，同时补充更多顶尖教练的教学逻辑和教学话术，用来优化评分指标和算法模型；第二是拿反馈。组织不同国家、不同水平的滑手来体验产品，借此推动产品功能和交互上的迭代；第三是让产品问题提前暴露出来。比如蓝牙的断连和端侧模型的功耗，需要大范围测试才能逼出来。
一个例子说明了这次新西兰之行的意义。
在 Heygo 原本的评分体系中，有一个名为“立刃对称性”的进阶指标。原本，前刃和后刃共用这个指标。但新西兰合作的专业教官建议把它拆分。最终，“立刃对称性”拆成三项：前刃之间的对称性、后刃之间的对称性，以及前刃和后刃之间的对称性，分别对应不同场景，从而更符合教学逻辑。
Heygo 认为，从数据采集到研发再到测试，都必须发生在真实的场景中。这部分工作“没有太多技巧，也没有太多捷径可以走”。笨功夫必须多做，有时甚至与 AI 无关。
固定传感器的架子，曾让 Heygo 团队头疼。为了降低使用门槛，Heygo 希望用户能够直接将传感器夹在雪鞋上。但不同雪鞋的外壁厚度差异很大。薄一点的 5 毫米，厚一点的超过 15 毫米。夹持力太小，高速滑行时传感器就可能脱落；夹持力太大，又会让安装变得困难，甚至导致夹子变形。
Heygo 自己没办法搞定这个问题。他们选择与高校力学实验室、模具厂等合作，经过多轮仿真和工艺调整，最终采用了一种覆盖范围更广的方案。按照团队测试结果，新版夹子可以适配 7 至 13 毫米的雪鞋壁厚，覆盖 80%至 90%的主流使用场景。
一门“小生意”的野心
之前有消息称，Heygo 公司完成了两轮融资。吴振华告诉我们，Heygo 只完成了一轮天使融资，金额为数百万美元。虽然有新的资方找上门，但他们没有主动寻求下一轮融资。
“钱多不是件好事。”吴振华曾参与维格表的创业。这个项目早期融了不少钱，但资金充裕后，大家会想做非常多的事情，以至于跑偏。他眼下的创业思考是，一个好项目要落在开篇提到的那四个象限里；特别是财务模型，一定要能跑通。
简单来说，做一个项目需要多少钱，它又能满足用户多大需求、创造多大价值，应该算出一个明确的金额。“不能为了融资而融资”。至于公司要赚钱，核心还是通过产品。
回到 Heygo，其商业化路径跟多数 AI 硬件相似，一方面靠硬件本身，更主要的则是靠软件上的付费订阅。10 月 20 日，Heygo 的产品开启全球发货。国内硬件定价 1699 元，软件 398 元一年；海外硬件定价 289 美元，软件 139 美元一年。他们的目标，是今年就可以实现盈利。
这看起来有些激进，能否如愿有待验证。硬件需要承担生产、渠道和售后成本，软件订阅也需要证明长期付费价值。特别是，滑雪具有明显的季节性，用户未必全年都需要训练服务。从更长的投资视角来看，另一个质疑也依然成立：滑雪终究是一项相对小众的运动，市场天花板有限。
吴振华倒不担心。在他看来，冰雪产业说大也大，整个市场规模已经突破 1 万亿，全球滑雪的人次已经接近 4 亿。对 Heygo 来说，重要的是找到那些持续滑雪、愿意为装备和教练付费的用户。他测算，即便只获得全球 1%的滑雪人群，也有机会支撑一家年收入数亿美元的公司——从当下 AI 产业态势来看，Cursor、Midjourney 今年的收入也在这个水平。
Heygo 还想讲一个更有想象力的故事：把滑雪作为起点，把 Agent 能力、模型能力等做深，之后向其他运动场景迁移。吴振华提到 Garmin，以它为长期对标。
Garmin 诞生于 GPS 逐渐走向民用化的技术窗口期，最初通过专业导航设备进入航空等市场，后来逐渐将定位、导航和数据处理能力延伸到更多领域。而 AI 带来了新的技术窗口期。
吴振华认为，很多运动本质上是姿态加精度，今天这两件事都可以被传感器更好地识别、读取，然后被 AI 分析、理解，进而长出商业价值。Heygo 希望将 Motion Agent 扩展到滑板、冲浪等运动。这些项目都涉及人体平衡、重心控制、节奏和动作识别，在底层技术上有共通之处。
不过迁移也有限制。能够迁移的，是传感器融合、动作切分、数据标注、模型评估等基础能力；每个项目独有的数据、知识体系和教学方法，仍然需要重新积累。
对 Heygo 来说，这是今后挑战所在，也是自己的壁垒所在。
很多人都试图让运动与 AI 结合。大厂有新的探索，Garmin 自己就已经推出包含 AI 洞察功能的 Connect+服务，并持续加强专业运动训练能力；创业同行们更是积极圈地，在网球、羽毛球、高尔夫等项目上，做跟 Heygo 类似的事。大家身处不同的起点，最终可能成为彼此的竞争对手。
一些创业者言之凿凿，自己有难以复制的优势。吴振华却说，初创公司可能都不具备规模效应、转化成本、无形资产等明显的壁垒，Heygo 也是一样；某一家要做的，大家都能做，“只是时间差的问题”。
但这并不意味着，Heygo 会被轻轻松松复制。时间差正是关键。自研的算法底座、花笨功夫从真实运动场景采回来的上百万条有效滑行数据、Agent 上的工程化能力、不同场景下软硬件的可靠性测试……即便要做滑雪这个赛道，也得把这些事重做一遍。
换言之，时间差与速度，可能才是当下 AI 创业最重要的壁垒。只要能在选定的赛道上跑得足够快，没必要理会别人在做什么。
而 Heygo 即将给雪道上的身影带去新的陪练体验，并由此接受真正的考验。
