Rabbit R1 失败拆解：10 万台发货，为什么没换来一个日常 AI 入口
Rabbit R1 证明了预购与发货不等于日常入口，关键断点在原始体验、重复使用和后续再定位的商业化证据。
一句话总结： Rabbit R1 把 CES 的注意力和超过 10 万台的发货，变成了一次成功的硬件获客，却没有公开证明自己变成了用户每天会打开、反复完成任务并愿意继续付费的 AI 入口；它现在还在靠 rabbitOS 2、creations 和 DLAM 寻找第二条路。1
增长判断： 这是一个「获客成功、激活受挫、留存未证、战略再定位」的案例，而不是已经关停的产品。Rabbit 创始人 Jesse Lyu 称已发货超过 100,000 台；但他也承认，原本驱动 r1 的 proprietary agent 不成熟，用户很难找到日常使用场景。公司没有公开 DAU、D30、退货率、订阅收入或单台贡献毛利，因此不能把发货量当成产品市场匹配。1
增长因果链： CES 叙事、约 200 美元的低门槛和独立硬件形态带来大规模预期 → 原始 agent 与 Large Action Model 承诺没有跟上用户期待 → 首次体验与日常任务之间出现断层，负面评测反而放大了传播 → Rabbit 用 30 多次 OTA、rabbitOS 2、creations 和 DLAM 重做产品定义 → 入口从「替代手机的通用 AI companion」退向「生成小工具、控制电脑和接入 agent 的设备」，但新定位仍缺少公开的重复使用与商业化证据。234
Part G｜增长系统：它做成了硬件获客漏斗，没有做成日常使用漏斗
结论： R1 最强的公开数据在 Acquisition 端，最关键的 Activation 和 Retention 端反而没有被公开补齐；所以「卖得多」与「用得久」之间仍是一条断裂的证据链。
| AARRR 环节 | 已公开信号 | 仍未公开证明的指标 | 置信度 |
|---|---|---|---|
| Acquisition 获客 | CES 发布后，创始人称原本预期销售约 3,000 台，结果超过 100,000 台；设备售价约 200 美元。前一项来自创始人访谈，后一项可由发布期评测核对。25 | CAC、渠道转化、自然流量占比、预购取消率、真实购买者构成 | B |
| Activation 激活 | MKBHD 将早期产品称为「barely reviewable」；Rabbit 后来承认用户高期待与原始软件体验之间存在很大差距，并决定重做软件。23 | 收货后完成绑定、首次有效任务、首次任务成功率、24 小时内再次使用 | B |
| Retention 留存 | Lyu 承认用户难以找到语音和触屏设备的日常用途；Rabbit 公开了大量 OTA 和新功能，但没有公开行为留存。1 | D7、D30、D90、每周有效任务数、creations 复用率、DLAM 重复调用率 | C |
| Revenue 变现 | 可确认的是一次性硬件销售入口；10 万台是发货口径，不等于净收入、活跃用户或已实现毛利。订阅、云服务、增值功能收入未披露。1 | ASP、退款与折扣、BOM、云端模型成本、质保、客服、订阅 ARPU、贡献毛利 | B |
| Referral 推荐 | 独立硬件和负面评测都制造了高传播性；但传播方向可能是「想买一个新玩意」，也可能是「看它为什么不好用」，两者不能混为推荐。2 | 推荐购买率、自然邀请、负面口碑带来的退货或转化、按来源拆分的 LTV | C |
先把 10 万台拆开
「超过 10 万台」最多能回答有多少设备被发出，不能回答以下四个问题：
- 有多少用户完成了第一次有效任务，而不是只完成开箱；
- 有多少用户在第 30 天仍然每周使用；
- 有多少用户把 r1 当成固定入口，而不是偶尔拿来演示；
- 每台设备在模型调用、售后和退货之后留下多少现金。
即使把 10 万台乘以约 200 美元，得到的也只是约 2,000 万美元的静态标价规模，不是 Rabbit 已确认的净收入，更不是利润。折扣、退货、渠道分成、硬件成本和云端推理成本都没有公开。
一句话因果链： 大规模发货降低了「有没有人愿意尝试」的不确定性，却没有降低「用户为什么每天还要用」和「每次使用是否产生正贡献」的不确定性。
Part O｜市场机会：R1 不是没有市场，而是把通用入口做成了独立设备
结论： Rabbit 争取的是一个真实的机会：让用户用一个专用设备调用 AI 并执行动作；但它选择的通用性太宽，必须先说服用户养成一个新习惯，再证明这个习惯比手机 App、眼镜或专用记录器更有价值。
1. 用户买的不是 AI，而是一条更短的任务路径
R1 的目标用户至少有三种：
- 尝鲜者： 想体验一个不像手机的 AI 设备，愿意为新鲜感付费；他们最容易被 CES 和外观吸引，也最容易在新鲜感消退后流失。
- 行动型用户： 希望设备替自己查信息、处理网页或执行简单操作；他们关心的是成功率、等待时间、授权和出错后的恢复，而不是模型是否会聊天。
- 创造型用户： 愿意用
creations或类似方式做小工具、游戏和工作流；他们可能接受复杂度，但需要可导出、可复用、可分享的产物。
这三类人不是同一条漏斗。尝鲜者带来销量，行动型用户决定留存，创造型用户可能贡献社区内容；如果产品同时为三者设计，首页、交互和价值承诺就会互相稀释。
2. TAM / SAM / SOM：只做情景，不拿宏观数字冒充需求
公开资料没有给出 Rabbit 的可服务市场、付费用户结构或地区拆分。下面用一个自下而上的情景模型说明市场约束；数字是本篇假设，不是 Rabbit 的历史数据。
| 层级 | 情景假设 | 一次性硬件收入情景 | 置信度 |
|---|---|---|---|
| TAM 理论可服务市场 | 全球 10 万–50 万名愿意尝试专用 AI 设备的早期用户；按约 200 美元设备价计算 | 2,000 万–1 亿美元 | C |
| SAM 初期可触达市场 | 英语内容、开发者社区和科技媒体能触达的 2 万–10 万名用户 | 400 万–2,000 万美元 | C |
| SOM 两年可争取市场 | 5,000–2 万名完成首次有效任务、且仍有重复使用的用户 | 100 万–400 万美元 | C |
这个模型故意把「发货」和「重复使用」分开。若只用订单或发货量计算 SOM，Rabbit 看起来已经完成了；若用 D30 仍执行有效任务的人计算，公开资料目前无法填数。
3. 市场机会的真正边界
Rabbit 能成立的前提不是「所有人都需要一个 AI 盒子」，而是至少有一组任务同时满足：
- 手机操作步骤足够长，专用设备可以明显缩短路径；
- 任务结果可以被验证，失败后有可控的撤销或人工接管；
- 用户每周重复发生，而不是一次性尝鲜；
- 云端模型、第三方服务和客服成本不会吞掉硬件收入；
- 用户愿意把授权交给一个独立设备，并相信它能解释自己做了什么。
一句话因果链： 通用 AI 的潜在用户很多，但只有重复任务、可验证结果和可承受风险同时存在时，潜在市场才会变成独立硬件市场。
Part S｜战略定位：从「AI companion」退到「可生成工具的 agent 入口」
结论： R1 的战略问题不是没有更新，而是更新一直在修正产品原命题；rabbitOS 2 和 DLAM 让设备更有能力，却尚未证明它重新成为高频默认入口。
1. 原命题：用一个新设备替用户调用 AI 和完成动作
R1 的早期叙事是一个面向日常使用的 AI assistant。早期评测认为它更像装进盒子的 AI，很多能力还没有完成或不如手机直接，Large Action Model 的承诺与实际体验之间存在落差。12
这里的核心错位是：Rabbit 把模型能力的潜在广度，转译成了用户每天都需要一个新入口的假设。模型能回答很多问题，不等于一个独立设备能让这些问题更快、更可靠、更值得重复。
2. 后命题：让设备变成可生成、可控制、可连接的工作台
Rabbit 官方称，发布 r1 后发现用户高期待与最初软件体验之间存在很大差距，因此重做软件。rabbitOS 2 引入卡片式界面、更多触屏交互和
creations，让用户通过对话创建工具、游戏和其他体验；官方还称过去 16 个月推送了 30 多次 OTA，r1 已经像一个完全不同的新设备。32026 年 1 月的更新进一步把 r1 变成 DLAM 电脑控制器：用户通过 USB 和浏览器连接 Windows 或 Mac，授予屏幕共享权限后，让 r1 操作电脑。Rabbit 同时提供 OpenClaw alpha 接入，但明确表示不负责 OpenClaw 的安装支持，权限与配置风险由用户自行承担。4
这不是单纯的功能增加，而是定位后撤：
| 阶段 | 用户承诺 | 需要证明的核心指标 |
|---|---|---|
| 原始 R1 | 一个日常 AI companion，替用户完成各种事情 | 首次任务成功率、D30 重复任务、错误副作用率 |
| rabbitOS 2 | 一个可通过对话生成工具和体验的设备 | creations 发布率、第二次使用率、作品复用与分享 |
| DLAM / OpenClaw | 一个控制电脑、连接 agent 工作流的入口 | 任务成功率、人工接管率、授权撤销率、每次任务毛利 |
功能迁移可以证明团队在学习，不能单独证明用户在留下。Rabbit 在 2026 年 1 月还表示已经获得新融资，但没有公开金额、估值或由 r1 带来的经营指标；融资是公司的现金信号，不是 r1 的留存信号。4
一句话因果链： 软件重做延长了产品寿命，却只有当新功能带来重复任务和正毛利时，才会把「补救」变成「新战略」。
Part C｜竞品分析：R1 面对的不是一个竞品，而是三种更短的路径
结论： R1 最难的竞争不是另一台 AI 盒子，而是用户已经拥有的手机、已有佩戴场景的眼镜，以及把一个具体任务做窄的专用记录器。
| 替代方案 | 用户买到的路径 | 它对 R1 的压力 | R1 只有在什么情况下值得存在 |
|---|---|---|---|
| ChatGPT Voice | 打开已有的 ChatGPT，点击语音图标即可免手对话；官方展示了头脑风暴、学习、翻译和即时问答等场景。6 | 不需要购买新硬件；通用问答和语音对话已经有成熟入口 | R1 必须在执行动作、随身交互或低摩擦控制上明显优于手机 |
| Ray-Ban Meta | 眼镜把摄像头、开放式音频、电话、消息和 Meta AI 放进一个原本就有佩戴理由的物件。7 | 相机、音频和 AI 与真实环境绑定，用户不必再多拿一个设备 | R1 必须在屏幕反馈、可解释操作或复杂 agent 任务上形成独特优势 |
| PLAUD Note Pro | 把录音、转写、说话人识别和总结做成一个专用记录任务，并采用设备加订阅的商业模式。8 | 任务边界清楚，用户容易知道什么时候该用，也容易判断结果是否有价值 | R1 必须找到比「记录并总结」更高频、且结果可验证的任务 |
| Rabbit R1 | 独立屏幕、旋钮和云端 agent，试图覆盖问答、网页动作、拍摄、翻译、记录和用户自建体验 | 通用性带来想象空间，也带来交互复杂度、等待时间和错误恢复成本 | 必须聚焦一到三个高频任务，再让通用能力围绕它们扩展 |
这张表比较的是产品路径，不是宣称 ChatGPT、Ray-Ban Meta 或 PLAUD 已经证明了完整盈利。R1 的问题是「能做什么」太容易被替代，「为什么每天必须用它」还没有被公开数据回答。
一句话因果链： 手机赢在已有分发，眼镜赢在已有佩戴场景，专用记录器赢在任务边界；R1 同时承担新硬件、新习惯和通用 agent 的三重教育成本。
Part P｜产品设计：从开箱到日常入口，中间缺的是一项可重复任务
结论： R1 的产品设计把「发现能力」放在了「稳定完成一个任务」之前；后续更新增加了能力，但仍需要用行为数据证明用户已经找到自己的主路径。
1. 用户真正经历的六步
- 被叙事吸引： CES、外观、低价和「不是手机」带来点击与购买。
- 完成激活： 收货、绑定、联网、理解旋钮和屏幕交互。
- 找到任务： 从广泛能力里找到一个每周会重复发生的问题。
- 完成结果： 设备不仅要回答，还要正确执行、给出反馈并允许纠错。
- 形成习惯： 用户在第 7、30、90 天仍然回到同一条路径。
- 产生扩展价值： 用户愿意使用
creations、连接电脑或购买相关服务。
早期评测对第 3、4 步提出了直接质疑：功能不完整、很多事情手机也能做，交互方式与 Large Action Model 的承诺并没有自动转化成可靠结果。2
2. rabbitOS 2 修复了什么，没有修复什么
官方更新能确认三类修复：
- 可理解性： 卡片式界面与更多触屏手势，降低用户面对空白屏幕的认知成本；
- 可创造性：
creations让用户通过对话生成工具、游戏和体验； - 可持续性： 会议录音离线存储、回放和 AI 总结，以及照片批量导出等功能，让 r1 不再只依赖即时问答。
这些是产品能力证据，不是留存证据。要判断修复是否有效，至少应看到：
| 产品问题 | 应观察的公开指标 | 当前状态 |
|---|---|---|
| 用户不知道拿它做什么 | 新用户在 24 小时内完成的首个有效任务 | 未披露 |
| 用户试过一次就离开 | 激活用户 D7、D30、D90 仍执行目标任务的比例 | 未披露 |
| agent 做错后不敢再用 | 每 100 次任务的成功率、人工接管、撤销和副作用率 | 未披露 |
| 自定义功能只是演示 | creations 创建后 30 天仍被使用的比例 | 未披露 |
| DLAM 只是新奇连接 | 每个连接用户的月度任务数、失败率和授权撤销率 | 未披露 |
一句话因果链： UI 能降低第一次使用的摩擦，只有稳定且可验证的任务结果才能降低第二次使用的摩擦。
Part E｜商业模式：10 万台是装机信号，不是商业闭环
结论： R1 的公开商业模式仍主要是硬件一次性收入；在没有订阅、服务、复购或逐台成本数据的情况下，无法证明大规模发货已经形成高质量收入。
1. 收入端：先区分标价、发货和净收入
按约 200 美元的发布期价格计算，10 万台对应约 2,000 万美元的理论标价规模。但这个算式只用于理解量级，不能替代财务报表：它没有扣除渠道分成、折扣、退款、物流、硬件成本、云端模型、客服和质保，也没有证明每台设备都按原价售出。价格依据发布期评测，发货量依据创始人对 Inc 的表述。12
公开资料没有披露：
- 设备收入中预购、零售和渠道销售的比例；
- 退货、退款和闲置设备数量；
- 订阅或云服务的付费用户、ARPU 和续费率；
creations、DLAM 或 OpenClaw 带来的增量收入；- 单台设备从模型调用到售后的贡献毛利。
2. 成本端：通用 agent 会把成本推迟到使用之后
应使用下面的口径看 R1，而不是只看硬件售价：
单台贡献毛利 = 净售价 − BOM − 组装测试 − 物流 − 退货质保 − 云端模型 − 客服与人工接管成本如果用户只偶尔问几个问题，云端成本可能可控，但设备的收入也只发生一次；如果 Rabbit 真的把 r1 变成高频 agent，模型调用、第三方服务失败处理和人工支持又会随活跃上升。没有公开成本表，就不能判断哪一种增长对公司更好。
3. 现金端：新融资只能买时间，不能替产品证明
Rabbit 在 2026 年 1 月 29 日的官方更新中称已获得新融资，并在同一更新中发布 DLAM 与 OpenClaw alpha。官方没有披露融资金额，也没有把新融资与 r1 的活跃、续费或单位经济绑定。4
因此更准确的说法是：Rabbit 可能解决了短期现金与继续开发问题，但公开证据仍不足以证明 r1 解决了产品与商业问题。
一句话因果链： 一次性硬件收入先发生，agent 成本和售后成本后发生；如果没有持续付费或正毛利，高使用率甚至可能加速现金消耗。
Part L｜洞察提炼：四条可迁移的失败规律
结论： Rabbit R1 不是「AI 硬件一定失败」的证据，而是「通用能力必须被压缩成重复任务，发货必须被拆成行为指标」的证据。
1. 预购和发货只证明市场愿意尝试
可迁移判断： 获客数据要至少拆成预购、收货、激活、首次有效任务和 D30 重复任务。前两项证明需求信号，后两项才开始证明产品。
可证伪门槛： 对任何新 AI 硬件，首批交付后应在公开或可审计的 cohort 中看到：至少 70% 在 24 小时内完成一个目标任务，且激活用户中至少 30% 在第 30 天仍每周完成一次目标任务。这里是决策门槛，不是行业基准，也不是 Rabbit 的实际成绩。
2. 通用 agent 不是用户价值，任务结果才是
可迁移判断： 「可以做很多事」会提升演示吸引力，却会增加用户寻找入口的成本。首发版本应先选一到三个高频任务，把成功、失败、等待和撤销做完整。
可证伪门槛： 如果新用户在 30 天内没有一个任务占其有效使用的 50% 以上，且前五类任务的成功率差异很大，就说明产品仍停留在能力目录，而不是工作流。
3. 软件重做不等于留存修复
可迁移判断： OTA 数量、功能数量和 UI 重做都是投入指标。它们只有在同一批用户的 D30、D90、有效任务数和错误恢复率改善时，才是增长指标。
可证伪门槛： 每次重大更新都应发布前后 cohort：更新前后 30 天活跃、每周任务、任务成功率和退款率至少有两项显著改善；只公布功能列表，不能证明修复生效。
4. 再定位要证明新用户，而不是重新命名旧用户
可迁移判断： 从 AI companion 转向电脑控制器、开发者工具或生成器，可能是正确的战略收缩；但原有装机量不等于新定位的客户量。
可证伪门槛： Rabbit 若要证明 DLAM / creations 是新增长引擎，至少要分别披露新功能激活率、30 天重复使用、任务成功率、人工接管率和增量付费，而不能只报告 OTA 安装量或累计设备数。
Part D｜决策分析：买之前、做之前、投之前分别追问什么
结论： 对 R1 这类产品，最重要的决策不是「模型能不能完成演示」，而是「每一笔新增硬件和模型成本，是否换回了下一步更强的行为证据」。
给创业团队的五道门
| 决策门 | 过关证据 | 红线 |
|---|---|---|
| 任务门 | 明确一到三个每周重复的任务，并能定义成功与失败 | 只能说设备什么都能做，不能说用户为什么下周还会用 |
| 激活门 | 收货用户在 24 小时内完成首个有效任务，且失败可恢复 | 把开机、问候和拍一张照片当成激活 |
| 留存门 | 发布 D7/D30/D90 cohort，按任务而非登录统计 | 只公布累计设备、下载量或 OTA 次数 |
| 经济门 | 有净售价、BOM、云端、售后和退货后的逐台贡献毛利 | 用售价减零件报价，跳过模型调用和人工接管 |
| 转型门 | 新定位带来可分开核算的新用户、重复任务和收入 | 把旧装机量、融资或新功能数量当成新 PMF |
给投资人或采购方的七个问题
- 10 万台发货中，有多少在 24 小时内完成了定义清楚的有效任务？
- 首次有效任务之后，第 30 天和第 90 天还有多少用户每周使用？
- 用户最常用的前三项任务是什么，它们的成功率和等待时间是多少？
- agent 出错时，用户能否看见操作、撤销结果并撤销授权？
- 一台设备在云端模型、客服、退货和质保之后是否仍为正贡献毛利？
creations和 DLAM 带来的，是旧用户多试一个功能，还是一批新用户购买并留下？- 如果不再发售新硬件，现有 r1 能否仅靠软件产生持续收入？
最终判断
Rabbit R1 的第一条路线可以判定为战略败退，置信度 B：它成功把一个 AI 设备送到大量用户手中，却没有公开证明「独立硬件是高频默认入口」。初始 agent 不成熟、日常用途难找和软件体验落差，是创始人及早期评测都承认的事实；rabbitOS 2、creations、DLAM 和新融资证明 Rabbit 仍在尝试修复与再定位，但不构成留存、收入和毛利已经改善的证明。134
它还没有被证明已经死亡；更准确的描述是：Rabbit 保住了继续迭代的公司，却还没有保住 r1 作为日常 AI 入口的原始命题。未来若公开数据显示新功能用户在 D30/D90 仍重复完成任务、任务成功率上升，且硬件或服务在扣除推理与支持成本后产生正贡献毛利，这个判断可以被推翻。若继续只有功能发布、累计发货和融资消息，没有 cohort 与单位经济，R1 就仍是一次完成了获客、没有完成习惯的产品实验。
资料边界
- Rabbit 没有在本文所用公开资料中宣布 r1 关停；本文把它归入「增长停滞 / 战略败退」，不是死亡案例。
- DAU、WAU、D7/D30/D90、真实激活率、任务成功率、退货率、订阅用户、ARPU、BOM、云端成本、客服成本和贡献毛利均未披露。
- 「超过 100,000 台」是创始人接受媒体采访时的发货口径，置信度 B；不等于净收入、活跃用户或留存。
- TAM / SAM / SOM、30% 留存、70% 激活和其他决策阈值均为本篇分析模型，置信度 C，不是 Rabbit 已达到的经营指标。
- 公开材料证明了产品更新与战略尝试，尚不足以证明新定位已经形成产品市场匹配。
References
- 1Inc：Rabbit 创始人谈 r1 与下一代设备inc.com
- 2MKBHD：Rabbit R1，Barely Reviewableyoutube.com
- 3rabbitOS 2 官方发布页rabbit.tech
- 4Rabbit：2026 年首次重大更新rabbit.tech
- 5Jesse Lyu 访谈：Rabbit R1 in 2025youtube.com
- 6ChatGPT Voice 官方页面chatgpt.com
- 7Meta Ray-Ban Wayfarer 官方产品页meta.com
- 8PLAUD Note Pro 官方产品页plaud.ai
AI 产品沉浮录
每日精选一个失败的 AI 产品，按固定框架深度拆解：增长 AARRR 全链路、市场机会、战略定位、竞品矩阵、产品设计、商业模式、洞察提炼、决策分析，所有判断可证伪，数据缺口标注置信度
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.
Related content
- Sign in to comment.