把感知、推理、生成与运行平台收回自有设备

定位把普通 WiFi 的信号扰动当传感器，隔着墙判断有没有人、有几个人，量呼吸与心率，识别跌倒与睡眠。

痛点房间级监测过去要么装摄像头（隐私与合规成本高），要么戴设备（依从性差），毫米波雷达还要另配硬件与布线。

付费关联硬件是自家的 Cognitum Seed 传感设备，预告价 257 美元、正式 399 美元，配设备群管理与签名模块商店；MIT 的软件栈是入口，钱在设备与模块上。

规模化养老看护、零售客流、房间占用的需求跨行业同构，采集端是 9 美元的 ESP32-S3 节点，多一间房只多一个节点。

边际成本低 · 采集与推断都在本地点位和自有主机上跑，不经过云端，新增点位只增加一个低成本节点。

验证docker run -p 127.0.0.1:3000:3000 -e RUVIEW_API_TOKEN ruvnet/wifi-densepose:latest（跑模拟数据，不需要硬件）

定位25 厘米、800 克的双足小机器人，走路、起身、捡东西全由强化学习策略驱动，固件与训练栈一并开源。

痛点教机器人走路要先搭仿真、标定执行器、处理仿真到实机的落差，教学与实验的门槛和开销都高。

付费整机 399 美元一台，含电池、USB-C 线与手柄；配件包 39 到 119 美元。软件栈 Apache-2.0，训好的策略发到 Hugging Face，别人一条命令装上。

规模化教学与科研机器人是可批量复制的标准硬件，一版设计配一个社区回流的策略库，两头都能摊薄。

边际成本中 · 硬件要生产、装配与物流，软件与策略的复制成本接近零。

验证git clone https://github.com/pollen-robotics/microduck_rl && cd microduck_rl && uv run list-envs（没有硬件也能在 MuJoCo 里看训练环境；训练要 CUDA 显卡，或加 --hf-jobs 丢到 Hugging Face 上跑）

定位直接嵌进应用的推理引擎，Rust 核心配 Python、TypeScript 与 Swift 绑定，靠 Apple 统一内存跑本地模型。

痛点把模型放进应用，要么走云接口按次付费、数据出设备，要么自己拼推理框架和各语言胶水，还要自己保证与参考实现一致。

付费要加端侧 AI 能力的应用与设备厂商；引擎 MIT 开源，包已发到 npm 与 PyPI，商业许可与支持走邮件联系，价格未公开。

规模化端侧推理需求横跨 iOS 与 macOS 应用，模型配置统一之后，接新模型就是加一份配置。

边际成本低 · 推理在用户设备上发生，新增用户不带来服务端开销。

验证uv add uzu==0.6.13，再按 README 用 cargo run --release -p cli -- server --model trymirai/Qwen3.5-4B-M 起本地接口，然后 curl http://127.0.0.1:8000/v1/chat/completions 打一发。

定位一个二进制把 Workers、KV、D1、R2、队列、工作流与定时任务这一整套编程模型搬到自己的一台机器上。

痛点workerd 只给运行时，多租户路由、持久状态、调度与发布生命周期都要自己补；想省掉 Workers 的按量账单又不想换掉这套写法。

付费有数据落地要求或成本压力的自建团队，省下的是按请求与存储计的账单；项目本身 Apache-2.0 免费，没有公开定价。

规模化在自有机器上跑边缘函数（内部集成、CI 钩子、智能体工具接口）的需求同构，交付是一个文件加一个数据目录。

边际成本低 · 单机进程里起隔离实例，毫秒级启动，不需要 Kubernetes、Redis 与 Postgres 那一串。

验证curl -fsSL https://open-compute.dev/install.sh | sh，再 ocd status 看实例状态。

定位桌面端本地视频生成，8 GB 显存加 16 GB 内存就能跑 MiniMax H3，带四档质量、半分辨率预览与时间线编辑。

痛点云端视频生成按条或按秒计费，素材与提示词要出本机，批量出片的成本压不下来。

付费内容团队、电商与独立开发者；客户端免费开源，价值就是省下的云端生成账单，成本差本身即报价。

规模化视频生成的需求普遍，一次安装覆盖个人与团队，模型换代不必重做交付。

边际成本低 · 推断在用户自己的显卡上，项目侧不承担算力。

验证从 releases 直接下安装包（releases/latest/download/FreeVideo.exe），打开后用默认设置出一条短视频。