Methodology · Evidence · Measurement
AI Hardware Radar 如何判断一个项目值得研究？
先核对公开事实，再沿产品、技术、供应链与 GTM 四条链路形成分析，最后把尚无证据的结论保留为假设。这套方法用于提升判断质量，不承诺搜索排名、AI 引用或商业结果。
三层证据模型
已验证事实
产品名称、公开参数、融资额、Backer 数、项目状态与官方链接。以标注日期的公开项目页快照为准。
合理推断
Radar 分数、趋势信号、商业模式与中国供应链机会。它们是编辑分析，不是品牌方或平台结论。
待测试假设
真实交付质量、长期模型成本、订阅留存、渠道转化和 AI 搜索引用表现。需要后续数据验证。
Evaluation model
每个项目拆成哪几层？
1. 需求验证
用户是谁、为什么需要硬件、众筹金额与 Backer 数是否形成真实购买信号。
2. 产品定义
物理形态、首屏卖点、交互入口，以及 AI 是否解决了硬件原本做不到的问题。
3. AI / IoT 架构
Sensor → MCU/SoC → Connectivity → Edge → Cloud → Model → Agent → App。
4. 商业与供应链
BOM、认证、量产、模型与云成本、订阅设计、中国制造能力和海外渠道。
5. 交付风险
原型成熟度、续航、散热、隐私、健康声明、售后与长期服务成本。
Update protocol
如何持续更新？
- 每周：新增或更新高信号项目，记录来源与快照日期。
- 每月：复核融资、Backer、交付进展和关键判断。
- 每季度：回看哪些推断被交付、销量、评论或成本数据证实。
GEO baseline
如何测量可发现性？
基线查询包括“AI hardware radar”“Kickstarter AI hardware projects”“local AI hardware”“AI agent hardware”和“深圳 AI 硬件出海”。这些是待验证查询假设，不代表已有搜索量。每月抽样记录搜索曝光、AI 引用、合格访问与档案页点击，再决定是否扩写主题。