硬件赋能软件的理由 – 作者：Jamie Tomalin

VC 的自我安慰

Source: https://justnavelgazing.substack.com/p/the-case-for-hardware-enabled-software

护城河风波

在 AI 不确定性下，SaaS 的估值倍数被压缩，侵蚀了终端价值。目前上市 SaaS 公司的中位数交易价格为 3 倍 NTM 营收和 14 倍 NTM 自由现金流¹
在 Helmer 的 7 种力量中，企业软件历来依靠转换成本和（对少数幸运儿而言）网络效应来构建防御性
如今，转换成本尤其受到威胁，因为计算机使用代理可以在传统记录系统周围构建 API 桥梁，而颠覆者的剧本（例如 Rox 在 CRM 领域的论点）是在 SoR 上游聚合非结构化数据并实现去中介化。于是，我们进入了争夺行动系统 / 上下文系统（或任何你喜欢的术语）的竞赛
像 Salesforce 这样的现有巨头正在做出反应，向 MCP 和代理开放，以对其 UI 进行去中介化
如今最优秀的创始人在进入市场时面临着巨大的机会成本和一些迫在眉睫的重大问题：终端价值在 5-10 年的时间范围内究竟会积累在哪里？哪些新的转换成本是仅靠软件无法规避的？
终端价值在 5-10 年的时间范围内究竟会积累在哪里？
哪些新的转换成本是仅靠软件无法规避的？

在 AI 不确定性下，SaaS 的估值倍数被压缩，侵蚀了终端价值。目前上市 SaaS 公司的中位数交易价格为 3 倍 NTM 营收和 14 倍 NTM 自由现金流¹
在 Helmer 的 7 种力量中，企业软件历来依靠转换成本和（对少数幸运儿而言）网络效应来构建防御性
如今，转换成本尤其受到威胁，因为计算机使用代理可以在传统记录系统周围构建 API 桥梁，而颠覆者的剧本（例如 Rox 在 CRM 领域的论点）是在 SoR 上游聚合非结构化数据并实现去中介化。于是，我们进入了争夺行动系统 / 上下文系统（或任何你喜欢的术语）的竞赛
像 Salesforce 这样的现有巨头正在做出反应，向 MCP 和代理开放，以对其 UI 进行去中介化
如今最优秀的创始人在进入市场时面临着巨大的机会成本和一些迫在眉睫的重大问题：

终端价值在 5-10 年的时间范围内究竟会积累在哪里？
哪些新的转换成本是仅靠软件无法规避的？

终端价值在 5-10 年的时间范围内究竟会积累在哪里？
哪些新的转换成本是仅靠软件无法规避的？

硬件赋能软件 (HES)

HES 是一类垂直软件，其智能核心建立在公司自行部署的专有硬件所收集的第一方数据之上

HES 是一类垂直软件，其智能核心建立在公司自行部署的专有硬件所收集的第一方数据之上

Axon 是一个典型例子。该公司成立于 2001 年，最初名为 TASER International，纯粹销售“传导能量武器”，然后在 2008 年增加了随身摄像头，以及至关重要的基于云的证据管理，从而将业务转变为拥有数字工作流。如今，Axon 通过免费试用积极捆绑和补贴硬件，扩展到相邻工作流，如车载视频、审讯室软件和集成证据工具，一旦嵌入，便极难被取代。在 2025 财年，其业绩相当不错：营收 28 亿美元，同比增长 33%，净留存率 (NRR) 为 125%，硬件和软件的综合毛利率为 62%。

最近，Axon 通过自动化该工作流中的劳动力来闭环。像 Draft One 这样的产品使用生成式 AI 从随身摄像头音频中自动生成警方报告，而收购 Carbyne 则将其业务范围扩展到紧急呼叫处理和调度。因此，该业务经历了以下演变：从销售硬件，到销售硬件加基础软件，再到补贴硬件以推动软件采用，最终交付硬件赋能软件，该软件在现场捕获数据、处理数据并自动化下游任务
销售硬件，
到销售硬件加基础软件，
再到补贴硬件以推动软件采用，
最终交付硬件赋能软件，该软件在现场捕获数据、处理数据并自动化下游任务
随着传统软件的护城河被侵蚀，一种观点认为，部署在现实世界中的物理传感节点（视觉、激光雷达、雷达、声学、热成像、运动等）是新的稀缺上下文
如果你认为取代 Salesforce 很难，那么不妨试试在 CFO 批准资本支出并将资产折旧 5 年后，去取代一个传感器网络。或者试试修理你的 John Deere 设备。一旦物理嵌入到工作流中——安装在拖拉机上、安装在病床上方、安装在车辆上——取代就需要物理干预。用 X 平台上的通用语来说，你无法通过“氛围编码”来卸载传感器。
在最佳情况下，留存逻辑会延伸到难以捉摸的“数据护城河”。补贴或免费赠送设备，将其嵌入高频操作工作流，利用数据流来自动化决策，然后看着每一次新部署都扩展专有数据集，从而训练出更好的模型。就这么简单。
与试图在数据仓库上游捕获数据的下一代 CRM 不同，HES 在物理源头捕获数据，使供应商能够向下游工作流分发数据。这是经典的记录系统玩法，或者在一个传感器输出直接触发行动的世界里，这是一种行动系统，并附带按结果定价的能力，例如节省劳动力、减少损失、正常运行时间、保险成本。

Axon 是一个典型例子。该公司成立于 2001 年，最初名为 TASER International，纯粹销售“传导能量武器”，然后在 2008 年增加了随身摄像头，以及至关重要的基于云的证据管理，从而将业务转变为拥有数字工作流。如今，Axon 通过免费试用积极捆绑和补贴硬件，扩展到相邻工作流，如车载视频、审讯室软件和集成证据工具，一旦嵌入，便极难被取代。在 2025 财年，其业绩相当不错：营收 28 亿美元，同比增长 33%，净留存率 (NRR) 为 125%，硬件和软件的综合毛利率为 62%。
最近，Axon 通过自动化该工作流中的劳动力来闭环。像 Draft One 这样的产品使用生成式 AI 从随身摄像头音频中自动生成警方报告，而收购 Carbyne 则将其业务范围扩展到紧急呼叫处理和调度。因此，该业务经历了以下演变：

销售硬件，
到销售硬件加基础软件，
再到补贴硬件以推动软件采用，
最终交付硬件赋能软件，该软件在现场捕获数据、处理数据并自动化下游任务

销售硬件，
到销售硬件加基础软件，
再到补贴硬件以推动软件采用，
最终交付硬件赋能软件，该软件在现场捕获数据、处理数据并自动化下游任务
随着传统软件的护城河被侵蚀，一种观点认为，部署在现实世界中的物理传感节点（视觉、激光雷达、雷达、声学、热成像、运动等）是新的稀缺上下文

如果你认为取代 Salesforce 很难，那么不妨试试在 CFO 批准资本支出并将资产折旧 5 年后，去取代一个传感器网络。或者试试修理你的 John Deere 设备。一旦物理嵌入到工作流中——安装在拖拉机上、安装在病床上方、安装在车辆上——取代就需要物理干预。用 X 平台上的通用语来说，你无法通过“氛围编码”来卸载传感器。
在最佳情况下，留存逻辑会延伸到难以捉摸的“数据护城河”。补贴或免费赠送设备，将其嵌入高频操作工作流，利用数据流来自动化决策，然后看着每一次新部署都扩展专有数据集，从而训练出更好的模型。就这么简单。
与试图在数据仓库上游捕获数据的下一代 CRM 不同，HES 在物理源头捕获数据，使供应商能够向下游工作流分发数据。这是经典的记录系统玩法，或者在一个传感器输出直接触发行动的世界里，这是一种行动系统，并附带按结果定价的能力，例如节省劳动力、减少损失、正常运行时间、保险成本。

请解释，“为什么是现在”？

但物联网的到来此前已被多次提及，互联网、云和 5G 都曾被引述为决定性的转折点。每一次，物理层面的 GTM 现实都会显现出来。向设施、运营和工业环境销售是缓慢的、关系驱动的，并且需要现场安装。受限于分销渠道，结构性应对措施是像 Halma 这样的连续收购者进行整合，他们花了几十年时间收购传感器、分析和诊断业务的分销渠道。对于全新的 GTM 方法，是否有若干结构性转变汇聚在一起，创造了“为什么是现在”的时机？硬件持续变得更便宜硬件成本持续下降，例如激光雷达 (LiDAR) 在过去十年中价格下降了 90% 以上。考虑到它在 Waymo 自动驾驶汽车等关键技术 Schelling 点上的应用，这或许并不令人意外。正如 Wright’s Law 所规定的那样，累计产量每翻一番，成本就会下降一个固定的百分比。可以假设，机器人和物理 AI 的繁荣将在中期内继续推动学习率，从而降低相关传感器成本。Thunder Said Energy 传感器单位经济性的下降有助于支持新的商业模式，例如“硬件即 CAC”，即设备可以根据附带的多年软件合同进行补贴。一个 100 美元的 GPS 网关，附带每月 20 美元的软件费用，其投资回收期为 5 个月。随着边缘连接、传感器和硬件成本的下降，对大型物理环境的持续覆盖现在变得可行。² 扩展感官菜单可经济感知的现象范围正在扩大，为初创公司创始人打开了可寻址市场。设计空间巨大，但创造力受限。正如 ARIA 所言：我们如何将极其多模态的智能系统部署到现实世界中，以揭示存在但尚不可读的结构和模式？行动正在 AR 设备、语音优先 AI 可穿戴设备、嗅觉界面、神经接口、高光谱成像、光子学、动物群？等领域展开。分析成本崩溃，代理需要“喂养” 先前的物联网架构（传感器 → 仪表盘 → 人类 → 行动）总是遇到人类带宽的天花板。现在，论点变成了利用视觉变换器 (Vision Transformers) 和多模态模型，将视频和传感器数据转换为嵌入（结构化表示），以捕获上下文、序列、意图和因果关系。智能不再是瓶颈。在 Anthropic 与国防部的风波中，Dwarkesh 的 CCTV 成本计算帮助阐明了这一点以及大规模监控的可行性。同样的逻辑可以应用于每个收集了传感器数据但未采取行动的领域（工业、农业、健康、基础设施）。美国有 1 亿个 CCTV 摄像头。你可以以每百万输入代币 10 美分的价格获得相当不错的开源多模态模型。因此，如果你每十秒处理一帧，每帧 1000 个代币，那么处理美国每一个摄像头的年成本大约为 300 亿美元。请记住，给定水平的 AI 能力每年会便宜 10 倍——所以一年后成本将是 30 亿美元，再一年后是 3 亿美元，到 2030 年，政府了解这个国家每一个角落正在发生什么，可能比翻修白宫还要便宜。@Dwarkesh David Silver（来自 DeepMind / Ineffable Labs）在他的 Welcome to the Era of Experience 论文中概述了另一个看涨理由。随着基于人类数据的监督学习进展放缓，下一代 AI 代理的瓶颈将是来自环境的、有根据的奖励信号。传感器是奖励基础设施，谁拥有传感器层，谁就拥有训练信号。当限制因素从智能转向数据时，传感器数据的可用性和质量变得稀缺。如果代理需要访问高质量、实时的传感器流，这是否会为现有企业和创新者创造额外的商业模式？我很乐意与任何有明确立场的人交流。

但物联网的到来此前已被多次提及，互联网、云和 5G 都曾被引述为决定性的转折点。每一次，物理层面的 GTM 现实都会显现出来。向设施、运营和工业环境销售是缓慢的、关系驱动的，并且需要现场安装。受限于分销渠道，结构性应对措施是像 Halma 这样的连续收购者进行整合，他们花了几十年时间收购传感器、分析和诊断业务的分销渠道。对于全新的 GTM 方法，是否有若干结构性转变汇聚在一起，创造了“为什么是现在”的时机？

硬件持续变得更便宜硬件成本持续下降，例如激光雷达 (LiDAR) 在过去十年中价格下降了 90% 以上。考虑到它在 Waymo 自动驾驶汽车等关键技术 Schelling 点上的应用，这或许并不令人意外。正如 Wright’s Law 所规定的那样，累计产量每翻一番，成本就会下降一个固定的百分比。可以假设，机器人和物理 AI 的繁荣将在中期内继续推动学习率，从而降低相关传感器成本。Thunder Said Energy 传感器单位经济性的下降有助于支持新的商业模式，例如“硬件即 CAC”，即设备可以根据附带的多年软件合同进行补贴。一个 100 美元的 GPS 网关，附带每月 20 美元的软件费用，其投资回收期为 5 个月。随着边缘连接、传感器和硬件成本的下降，对大型物理环境的持续覆盖现在变得可行。²

硬件成本持续下降，例如激光雷达 (LiDAR) 在过去十年中价格下降了 90% 以上。考虑到它在 Waymo 自动驾驶汽车等关键技术 Schelling 点上的应用，这或许并不令人意外。正如 Wright’s Law 所规定的那样，累计产量每翻一番，成本就会下降一个固定的百分比。可以假设，机器人和物理 AI 的繁荣将在中期内继续推动学习率，从而降低相关传感器成本。
传感器单位经济性的下降有助于支持新的商业模式，例如“硬件即 CAC”，即设备可以根据附带的多年软件合同进行补贴。一个 100 美元的 GPS 网关，附带每月 20 美元的软件费用，其投资回收期为 5 个月。随着边缘连接、传感器和硬件成本的下降，对大型物理环境的持续覆盖现在变得可行。²
扩展感官菜单可经济感知的现象范围正在扩大，为初创公司创始人打开了可寻址市场。设计空间巨大，但创造力受限。正如 ARIA 所言：我们如何将极其多模态的智能系统部署到现实世界中，以揭示存在但尚不可读的结构和模式？行动正在 AR 设备、语音优先 AI 可穿戴设备、嗅觉界面、神经接口、高光谱成像、光子学、动物群？等领域展开。
可经济感知的现象范围正在扩大，为初创公司创始人打开了可寻址市场。设计空间巨大，但创造力受限。正如 ARIA 所言：我们如何将极其多模态的智能系统部署到现实世界中，以揭示存在但尚不可读的结构和模式？
行动正在 AR 设备、语音优先 AI 可穿戴设备、嗅觉界面、神经接口、高光谱成像、光子学、动物群？等领域展开。
分析成本崩溃，代理需要“喂养” 先前的物联网架构（传感器 → 仪表盘 → 人类 → 行动）总是遇到人类带宽的天花板。现在，论点变成了利用视觉变换器 (Vision Transformers) 和多模态模型，将视频和传感器数据转换为嵌入（结构化表示），以捕获上下文、序列、意图和因果关系。智能不再是瓶颈。在 Anthropic 与国防部的风波中，Dwarkesh 的 CCTV 成本计算帮助阐明了这一点以及大规模监控的可行性。同样的逻辑可以应用于每个收集了传感器数据但未采取行动的领域（工业、农业、健康、基础设施）。美国有 1 亿个 CCTV 摄像头。你可以以每百万输入代币 10 美分的价格获得相当不错的开源多模态模型。因此，如果你每十秒处理一帧，每帧 1000 个代币，那么处理美国每一个摄像头的年成本大约为 300 亿美元。请记住，给定水平的 AI 能力每年会便宜 10 倍——所以一年后成本将是 30 亿美元，再一年后是 3 亿美元，到 2030 年，政府了解这个国家每一个角落正在发生什么，可能比翻修白宫还要便宜。@Dwarkesh David Silver（来自 DeepMind / Ineffable Labs）在他的 Welcome to the Era of Experience 论文中概述了另一个看涨理由。随着基于人类数据的监督学习进展放缓，下一代 AI 代理的瓶颈将是来自环境的、有根据的奖励信号。传感器是奖励基础设施，谁拥有传感器层，谁就拥有训练信号。当限制因素从智能转向数据时，传感器数据的可用性和质量变得稀缺。如果代理需要访问高质量、实时的传感器流，这是否会为现有企业和创新者创造额外的商业模式？我很乐意与任何有明确立场的人交流。
先前的物联网架构（传感器 → 仪表盘 → 人类 → 行动）总是遇到人类带宽的天花板。现在，论点变成了利用视觉变换器 (Vision Transformers) 和多模态模型，将视频和传感器数据转换为嵌入（结构化表示），以捕获上下文、序列、意图和因果关系。智能不再是瓶颈。
在 Anthropic 与国防部的风波中，Dwarkesh 的 CCTV 成本计算帮助阐明了这一点以及大规模监控的可行性。同样的逻辑可以应用于每个收集了传感器数据但未采取行动的领域（工业、农业、健康、基础设施）。美国有 1 亿个 CCTV 摄像头。你可以以每百万输入代币 10 美分的价格获得相当不错的开源多模态模型。因此，如果你每十秒处理一帧，每帧 1000 个代币，那么处理美国每一个摄像头的年成本大约为 300 亿美元。请记住，给定水平的 AI 能力每年会便宜 10 倍——所以一年后成本将是 30 亿美元，再一年后是 3 亿美元，到 2030 年，政府了解这个国家每一个角落正在发生什么，可能比翻修白宫还要便宜。@Dwarkesh
David Silver（来自 DeepMind / Ineffable Labs）在他的 Welcome to the Era of Experience 论文中概述了另一个看涨理由。随着基于人类数据的监督学习进展放缓，下一代 AI 代理的瓶颈将是来自环境的、有根据的奖励信号。传感器是奖励基础设施，谁拥有传感器层，谁就拥有训练信号。当限制因素从智能转向数据时，传感器数据的可用性和质量变得稀缺。如果代理需要访问高质量、实时的传感器流，这是否会为现有企业和创新者创造额外的商业模式？我很乐意与任何有明确立场的人交流。

硬件持续变得更便宜

硬件成本持续下降，例如激光雷达 (LiDAR) 在过去十年中价格下降了 90% 以上。考虑到它在 Waymo 自动驾驶汽车等关键技术 Schelling 点上的应用，这或许并不令人意外。正如 Wright’s Law 所规定的那样，累计产量每翻一番，成本就会下降一个固定的百分比。可以假设，机器人和物理 AI 的繁荣将在中期内继续推动学习率，从而降低相关传感器成本。

硬件成本持续下降，例如激光雷达 (LiDAR) 在过去十年中价格下降了 90% 以上。考虑到它在 Waymo 自动驾驶汽车等关键技术 Schelling 点上的应用，这或许并不令人意外。正如 Wright’s Law 所规定的那样，累计产量每翻一番，成本就会下降一个固定的百分比。可以假设，机器人和物理 AI 的繁荣将在中期内继续推动学习率，从而降低相关传感器成本。
Thunder Said Energy

传感器单位经济性的下降有助于支持新的商业模式，例如“硬件即 CAC”，即设备可以根据附带的多年软件合同进行补贴。一个 100 美元的 GPS 网关，附带每月 20 美元的软件费用，其投资回收期为 5 个月。随着边缘连接、传感器和硬件成本的下降，对大型物理环境的持续覆盖现在变得可行。²

传感器单位经济性的下降有助于支持新的商业模式，例如“硬件即 CAC”，即设备可以根据附带的多年软件合同进行补贴。一个 100 美元的 GPS 网关，附带每月 20 美元的软件费用，其投资回收期为 5 个月。随着边缘连接、传感器和硬件成本的下降，对大型物理环境的持续覆盖现在变得可行。²
扩展感官菜单

可经济感知的现象范围正在扩大，为初创公司创始人打开了可寻址市场。设计空间巨大，但创造力受限。正如 ARIA 所言：我们如何将极其多模态的智能系统部署到现实世界中，以揭示存在但尚不可读的结构和模式？

行动正在 AR 设备、语音优先 AI 可穿戴设备、嗅觉界面、神经接口、高光谱成像、光子学、动物群？等领域展开。

可经济感知的现象范围正在扩大，为初创公司创始人打开了可寻址市场。设计空间巨大，但创造力受限。正如 ARIA 所言：我们如何将极其多模态的智能系统部署到现实世界中，以揭示存在但尚不可读的结构和模式？
行动正在 AR 设备、语音优先 AI 可穿戴设备、嗅觉界面、神经接口、高光谱成像、光子学、动物群？等领域展开。
分析成本崩溃，代理需要“喂养”

先前的物联网架构（传感器 → 仪表盘 → 人类 → 行动）总是遇到人类带宽的天花板。现在，论点变成了利用视觉变换器 (Vision Transformers) 和多模态模型，将视频和传感器数据转换为嵌入（结构化表示），以捕获上下文、序列、意图和因果关系。智能不再是瓶颈。
在 Anthropic 与国防部的风波中，Dwarkesh 的 CCTV 成本计算帮助阐明了这一点以及大规模监控的可行性。同样的逻辑可以应用于每个收集了传感器数据但未采取行动的领域（工业、农业、健康、基础设施）。美国有 1 亿个 CCTV 摄像头。你可以以每百万输入代币 10 美分的价格获得相当不错的开源多模态模型。因此，如果你每十秒处理一帧，每帧 1000 个代币，那么处理美国每一个摄像头的年成本大约为 300 亿美元。请记住，给定水平的 AI 能力每年会便宜 10 倍——所以一年后成本将是 30 亿美元，再一年后是 3 亿美元，到 2030 年，政府了解这个国家每一个角落正在发生什么，可能比翻修白宫还要便宜。@Dwarkesh
David Silver（来自 DeepMind / Ineffable Labs）在他的 Welcome to the Era of Experience 论文中概述了另一个看涨理由。随着基于人类数据的监督学习进展放缓，下一代 AI 代理的瓶颈将是来自环境的、有根据的奖励信号。传感器是奖励基础设施，谁拥有传感器层，谁就拥有训练信号。当限制因素从智能转向数据时，传感器数据的可用性和质量变得稀缺。如果代理需要访问高质量、实时的传感器流，这是否会为现有企业和创新者创造额外的商业模式？我很乐意与任何有明确立场的人交流。

先前的物联网架构（传感器 → 仪表盘 → 人类 → 行动）总是遇到人类带宽的天花板。现在，论点变成了利用视觉变换器 (Vision Transformers) 和多模态模型，将视频和传感器数据转换为嵌入（结构化表示），以捕获上下文、序列、意图和因果关系。智能不再是瓶颈。
在 Anthropic 与国防部的风波中，Dwarkesh 的 CCTV 成本计算帮助阐明了这一点以及大规模监控的可行性。同样的逻辑可以应用于每个收集了传感器数据但未采取行动的领域（工业、农业、健康、基础设施）

美国有1亿个监控摄像头。如今，每百万输入token的开源多模态模型成本仅为10美分。假设每10秒处理一帧画面，每帧约1000个token，那么处理全美所有摄像头的年成本约为300亿美元。但请记住，AI能力每提升一个等级，成本每年会下降10倍——一年后成本将降至30亿，再过一年降至3亿，到2030年，政府监控全国每个角落的成本可能比翻修白宫还要低。@Dwarkesh

DeepMind/Ineffable Labs的David Silver在其《欢迎来到体验时代》论文中概述了另一个看涨理由。随着基于人类数据的监督学习进展放缓，下一代AI智能体的瓶颈将转向来自环境的具身奖励信号。传感器是奖励基础设施，谁拥有传感器层，谁就拥有训练信号。当限制因素从智能转向数据时，传感器数据的可用性和质量将变得稀缺。如果智能体需要访问高质量、实时的传感器流，这是否会为现有企业和创新者创造新的商业模式？我很乐意与任何有明确观点的人交流。

我们正在思考的一些HES启发式原则

更便宜的硬件降低了决策摩擦，但并未降低安装摩擦。让决策基本实现零摩擦（免费试用硬件，或成本低到可直接费用化），然后构建足够快速的部署手册，使安装摩擦不会扼杀发展势头。例如：Axon的免费设备试用、Dandy的免费口内扫描仪、Samsara的自安装远程信息处理、Genlog与广告牌的合作。这些玩家中有许多仍然保持高度收购性，这或许并不令人意外，例如Badger Meter在过去10年中进行了9次收购，Axon至少10次。
价值实现时间与错误的不对称性。价值实现时间始终很重要。理想情况下，客户在几天内（而非几个月内）就能看到以前无法看到的东西。Teton在第一周就能显示居民夜间活动模式的异常。Flock Safety在部署后即可立即显示车牌匹配结果。理想情况下，应有一个切入点，能够对高价值、高频率的决策工作流进行监测。如果该工作流中漏报的成本远超传感器系统的成本，那就更好了，例如医疗监测、结构完整性、安全、关键基础设施、关键设备的预测性维护。必须存在真正的不对称性……如果出现问题，后果将非常严重。
工作流扩展与所有权。正如我们从Axon所看到的，一流的HES公司力求扩展到多个终端客户工作流，并随着每台部署设备扩展专有数据集而增强防御能力。AI原生供应商现在也有机会形成闭环，使警报触发真实的工作订单或完全自动化的操作（例如报告撰写、检查、优化），而不仅仅是仪表盘上的死亡通知。

更便宜的硬件降低了决策摩擦，但并未降低安装摩擦。让决策基本实现零摩擦（免费试用硬件，或成本低到可直接费用化），然后构建足够快速的部署手册，使安装摩擦不会扼杀发展势头。例如：Axon的免费设备试用、Dandy的免费口内扫描仪、Samsara的自安装远程信息处理、Genlog与广告牌的合作。这些玩家中有许多仍然保持高度收购性，这或许并不令人意外，例如Badger Meter在过去10年中进行了9次收购，Axon至少10次。

价值实现时间与错误的不对称性。价值实现时间始终很重要。理想情况下，客户在几天内（而非几个月内）就能看到以前无法看到的东西。Teton在第一周就能显示居民夜间活动模式的异常。Flock Safety在部署后即可立即显示车牌匹配结果。理想情况下，应有一个切入点，能够对高价值、高频率的决策工作流进行监测。如果该工作流中漏报的成本远超传感器系统的成本，那就更好了，例如医疗监测、结构完整性、安全、关键基础设施、关键设备的预测性维护。必须存在真正的不对称性……如果出现问题，后果将非常严重。

工作流扩展与所有权。正如我们从Axon所看到的，一流的HES公司力求扩展到多个终端客户工作流，并随着每台部署设备扩展专有数据集而增强防御能力。AI原生供应商现在也有机会形成闭环，使警报触发真实的工作订单或完全自动化的操作（例如报告撰写、检查、优化），而不仅仅是仪表盘上的死亡通知。

HES市场地图3

以下是我们认为值得研究的软件与硬件交叉领域创新者的非详尽列表。
如果您正在硬件与软件交叉领域进行建设，或者想告诉我为什么这是错误的，我很乐意通过jamie@triplepoint.vc与您交流。
1
Clouded Judgement
2
随着科技转向生产性资本主义（能源、制造、国防、机器人等），新一波垂直融资初创公司正在涌现，以支持项目规划和结构创新，例如Odyssey、Tangible、Roebling、Cenotian。这在硬件即服务公司中尤为关键，例如Evolv和Lumafield，这些公司的硬件是专有的、资本密集型的，融资结构是模型的核心。我们对在这一交叉领域创新的人感到兴奋。
3