AI风劲吹,智能戒指制造商Oura拟9月美国IPO,估值超160亿美元!

AI风劲吹,智能戒指制造商Oura拟9月美国IPO,估值超160亿美元!

资本市场从来不缺高估值,但这一次的主角有点特别——在AI风劲吹的2026年,它不卖大模型,不搞AI基建,乍看主打产品还是一枚智能戒指。

据彭博社报道,智能戒指制造商Oura计划最早将在9月在美国IPO,预计融资额为30亿美元(折合人民币约202亿元),公司估值将超过160亿美元(折合人民币约1076亿元)。此前的5月,Oura已秘密提交IPO申请,并聘请高盛、摩根士丹利、摩根大通等担任承销商。

假如能够以160亿美元的估值顺利上市,这意味着Oura的市场价值又涨了。要知道,2025年9月完成E轮融资时,Oura的估值还在110亿美元。160亿美元的目标估值较Oura不到一年前的估值,已经涨了超过45%。

如果仅从卖可穿戴设备这个维度看,Oura在2026年拿到千亿估值堪称梦幻。要知道,这个赛道上一家跑出来的明星独角兽,还是2015年上市的Fitbit。但到了2019年,Fitbit就被谷歌以约21亿美元收购,相比巅峰时期,市场价值缩水近八成。

但这也显然不是可穿戴设备概念在资本市场的复兴。毕竟,尽管十多年来主业仍是智能戒指,Oura早已自我重新定义——从“卖戒指的”,转型为以硬件为入口、叠加AI能力的健康数据管理平台。

这么看来,Oura上市,还是AI叙事的胜利。

从众筹到冲击百亿营收

大部分如今有头有脸的消费硬件品牌,都有着相似的来时路。品牌的创业故事通常是这样的:几个技术极客型的创始人,冒出一个在当时看来多少有些“不靠谱”的创业想法。研发过程困难重重,产品问世时相当小众,但公司此后又在市场变化中迎来转折点。

Oura的故事也没有偏离太多。

2013年,三位拥有诺基亚、Polar等本土科技企业从业背景的工程师,在芬兰创立Oura。创始团队最初的设想,是将戒指打造为一种能够帮助人们改善生活习惯、预防慢性疾病的健康数据监测设备。选择戒指作为设备的思路清奇:戒指既能通过手指两侧的静脉获取精准信号,舒适度也利于用户长期佩戴。

即便是到了今天,戒指在健康监测设备领域仍属小众。Oura在成立的前两年,也很符合常规剧情地经历了初创公司的困难:没有稳定现金流,融资不顺利,健康设备所需的数据还一片空白。直到2015年,Oura才迎来发展转机。这一年,公司在Kickstarter上发起众筹,筹得超过65万美元,又完成了230万美元首轮融资。

Oura发展的重要转折点是2020年。疫情爆发后,Oura Ring凭借持续监测体温等生理指标的能力,开始被用于疫情期间的健康监测。那一年,NBA在2020年复赛期间采购了超过2000枚Oura Ring,Oura的市场关注度开始爆发。

2021年、2024年与2025年,Oura接连完成C轮、D轮与E轮融资,融资金额也节节攀升,分别从1亿美元、2亿美元,涨到了9亿美元。2025年10月完成最新一轮融资后,Oura的估值已达到110亿美元。截至目前,Oura Ring累计销量已超过550万枚。公司2024年、2025年的收入分别为5亿美元与10亿美元,2026年的收入则预计接近20亿美元(折合人民币约134亿元)。

虽然已经成立13年,但Oura的销量爆发也不过是近三年的事。这里必须提到带Oura进入另一个转折点的人物——Oura现任首席执行官汤姆·黑尔( Tom Hale ) 。

在2022年加入Oura前,汤姆·黑尔先后在Adobe、Momentive、SurveyMonkey等多家公司担任过高管,是典型的软件出身职业经理人。因为缺乏硬件经验,他一开始并不符合Oura董事会设定的CEO画像。但汤姆·黑尔用一封信说服了董事会,信的核心观点是:“Oura本质上面对的是软件、数据与用户体验问题。产品的真正价值在于如何利用这些能力改变用户的生活和行为。所以,应该让做软件出身的人管理公司。”

汤姆·黑尔上任时,Oura刚刚确立“硬件销售+订阅服务”的商业模式:用户购买售价299美元起的Oura Ring后,还需每月支付5.99美元会员费,才能完整使用健康数据分析等功能。这一模式推出之初曾饱受争议,但黑尔最终坚持将订阅制保留下来。如今,订阅收入约占Oura总营收的20%。

在黑尔任内,Oura也开始不断做大自己的健康监测版图。2023年以来,公司先后收购数字身份平台Proxy、代谢健康公司Veri和健康数据平台Sparta Science,又与血糖监测巨头德康(Dexcom)达成战略合作,将产品功能从睡眠监测一路延伸到了代谢健康、运动表现、经期预测等领域。

再加上马斯克、哈里王子、扎克伯格、谷爱凌等名人的“带货”,Oura也逐渐从小众健康设备,变成了颇为时髦的健康监测工具。

AI叙事撑起千亿估值?

靠卖定价349~399美元的智能戒指冲击千亿估值,Oura的高估值故事,在2026年看着有点梦幻。

从产品形态来看,Oura属于可穿戴健康设备,这个赛道上曾经跑出过一家明星独角兽——2015年登陆纽交所的Fitbit。Fitbit的IPO估值约41亿美元,上市后市值一度逼近100亿美元。但高光并没有持续太久,上市4年后,Fitbit就被谷歌以约21亿美元收购,相比巅峰时期,市场价值缩水近八成。

2007年成立的Fitbit,是消费级可穿戴设备的早期代表性玩家。除了运动追踪器,Fitbit的产品范围后来也扩展到了智能手表、无线耳机和智能体重秤,以及用来记整理分析用户数据App和在线平台。但Fitbit的先发优势没能持续太久。当健康监测功能越叠越丰富的Apple Watch、更有性价比的小米华为,以及Garmin这类垂类消费电子玩家同步下场,Fitbit的营收很快下滑,并且走向卖身的命运。

Fitbit的故事某种程度上也说明了一个问题:智能可穿戴设备具备市场潜力,但也是一门容易被巨头盯上的生意。一旦赛道价值被验证,拥有更高品牌知名度、更充足的研发和营销资源、更成熟的供应链和渠道的科技巨头们,很快就能追上并且吃掉小公司的市场份额。

今天的Oura多少又走到了相似的路口。从产品逻辑来看,Oura和当年的Fitbit并没有那么不同:都是用一件贴身硬件做入口,持续采集用户的身体数据,再通过软件把数据变成健康服务。而眼下,苹果和三星等大厂也陆续开始下场做智能戒指。

既然可穿戴设备公司的走向已经被预演过,资本市场为什么还愿意给Oura约160亿美元的估值?核心原因或许是,Oura给自己在GPT时代找到了新的自我定位。

2024年,Oura 正式发布了由AI驱动的Oura Advisor。这个内置于Oura软件的功能,会根据用户的健康监测数据提供个性化建议。今年4月,Oura推出了专为女性健康设计的专有大型语言模型——据Oura此前透露,公司还将招聘更多的医疗数据科学家,训练更多“针对特定人群的健康模型”。到了宣布秘密递表后的6月,Oura又宣布设立公首席信息官与人工智能与软件工程高级副总裁职位。按照汤姆·黑尔的描述,新进高管的职责,是“帮助公司开发人工智能驱动的健康洞察及其底层数据基础设施”。

除了AI业务布局,Oura也开始频频在对外发声中给公司“抬咖”。 2024年12月,Oura联合创始人佩特里·拉赫特拉(Petteri Lahtela)在接受采访时透露,Oura曾多次收到科技巨头的收购邀约,但都选择了拒绝。在他看来,Oura已经从数百万用户那里积累了近10年的高精度数据,而AI时代的到来将进一步放大这些数据的价值。“我看不出有什么理由Oura不能成为一家1000亿美元的公司。”

到了今年6月,汤姆·黑尔又开始把Oura的想象空间往更远处推。按他的设想,基于Oura本身长期积累的数据,Oura将建立一个能够持续理解用户身体状态的生理模型。

“未来,你的口袋里或云端将拥有一个人工智能医生,它会时刻关注你的健康状况,并利用你庞大的生理模型来预测你的未来走向。这将是医学领域的一次变革。”

通过转换叙事方向,Oura将自己的定位从卖智能可穿戴设备,转换成了卖健康洞察的数据平台,公司的估值想象空间也进一步打开。

至于Oura的AI规划到底能不能实现,似乎是现在最少人深究的事情。资本市场的首要考虑或许是不错过任何押注AI的机会。

摘 要 随着互联网影视产业的迅速发展,电影资源呈指数级增长,类型也愈加多样化,但是用户面对如此庞大的影片库时,会遇到信息过载、筛选效率低下、观影决策成本高这些难题,而传统的电影平台大多只是对基本的分类和热度进行展示,并没有提供个性化的推荐服务,社交互动以及一体化管理的能力也比较薄弱。 该系统使用的是Spring Boot+Vue前后端分离的方式进行开发,设计并开发了一个电影推荐和评论系统。开发系统中存在三个问题,即无法准确地判断出用户的喜好、电影推荐功能上线之初没有用户数据,因此推荐效果不佳、大量用户同时评论打分时系统容易出现不稳定的情况。为了克服上述问题,本文查阅相关资料,不断迭代开发原型,并进行实际测试,完成整个系统的全部过程,即系统需求分析、架构设计、功能开发、系统测试。系统分为普通用户和管理员两种身份,具有注册登录、电影浏览、电影推荐、评分评论、影片收藏、个人中心、后台管理等功能,采用结合用户喜好和电影热度的简单推荐方式,提供热门电影推荐和个性化推荐,很好地解决了推荐功能初始没有数据、数据较少的问题。项目用接口来完成前后端的数据交互,使用MySQL数据库存储用户、电影、评论、收藏等各种数据,并且加入权限验证、密码加密等安全措施,保证系统安全稳定并且便于后期扩展。除此之外,系统还增加了电影资讯查看、首页轮播图设置、编辑资讯等功能,使整个电影平台的服务更加全面,使用更加高效。经过全面的功能测试、接口测试和性能测试,系统各个模块运行稳定,推荐接口响应时间小于300ms,主要的互动操作成功率大于98%,可以大大降低用户的选片成本,提高观影决策的速度和社区互动的效果。 本文给出一套轻量级、易部署、可复用的电影推荐类Web应用工程实现方案,相比于传统的单一列表展示型平台,个性化服务、社交互动体验和后台管理效率都有明显的提高,可以给影视文化数字化传播、推荐算法轻量化工程实践
源码直接下载地址: https://pan.quark.cn/s/a4b39357ea24 在 Excel 中进行阳历与阴历的相互转换,对于处理集体信息(例如通讯录)统计工作具有显著的实用性。本文将具体阐述如何借助 VBA 编辑器在 Excel 环境下完成阳历与阴历的互换转换。首先,需要打开相应的 Excel 文件,通过按 Alt+F11 激活 VBA 编辑器,随后选择插入菜单下的模块选项,将提供的代码片段复制到新模块中,并保存更改后关闭编辑器。完成上述步骤后,即可在指定单元格中调用以下四个函数以达成转换目标。 1. 阴阳历转换功能: 函数 `Lunar(SolarDate[, Part = 0 | 1 | 2 | 3])` 负责将阳历日期转换为对应的阴历日期。参数 `Part` 决定转换内容的详略程度,其值可为 0、1、2 或 3,分别对应完整日期、阴历年、阴历月及阴历日的转换。 函数 `Solar(LunarDate[, LunarMonth = 0 | 1])` 适用于将阴历日期转换为阳历日期。参数 `LunarMonth` 用于指定月份的归属,可为 0 或 1,分别代表转换至阳历月份或保留阴历月份。 2. 生日日期转换功能: 函数 `lunarbirth("1975-5-6")` 能够计算出阴历生日所对应的阳历日期。相对地,函数 `solarbirth("1975-5-6")` 用于推算阳历生日对应的阴历日期。 3. 日期信息计算功能: 函数 `LunarData(q_year)` 提供阴历日期的详细数据,涵盖阴历年、阴历月、阴历日等信息。函数 `ConvDataA` 存储了阴历与阳历的日期数据,包括阴历年、阴历月、阴历日、阳历月、阳历日等字段。 4. 应用...
下载代码方式:https://pan.quark.cn/s/a4b39357ea24 在信息技术行业中,特别是在人工智能AI)的子领域——计算机视觉方面,动作分析是一个至关重要的组成部分。这一议题与“Python-PyTorch动作分析模型库”有着紧密的联系,它涵盖了运用Python编程语言和PyTorch框架来构建和应用深度学习模型,旨在解析和判定视频中的行为。接下来,我们将详细研究这一领域的重要概念。 **PyTorch** 是由Facebook开发的一个开源且功能强大的深度学习平台,它具备动态计算图特性,从而让模型构建和调试过程更加便捷。PyTorch的关键在于Tensor类,该类是数值运算的基础,同时支持自动计算梯度,为神经网络的训练提供了便利。 **动作分析** 是计算机视觉中的一个核心任务,其目的是识别视频中的特定行为,例如奔跑、跳跃、招手等。这项任务通常包括从视频材料中提取图像帧,然后对单个帧或帧序列进行特征提取,最终借助已训练的模型进行分类。 在描述中提及的“流行动作分析模型”,或许涵盖了当前研究领域的主流模型,例如**双流卷积网络**,这种模型融合了空间和时间信息,通过分别处理RGB图像和光流图像来提高行为分析的精确度。还可能包括**时间分割网络(TSN)**,它通过跨长时间范围的样本选择来把握行为的整体特征。另外,更前沿的模型如**时间迁移模块(TSM)** 和 **非局部神经网络** 也可能被纳入其中,这些模型通过创新的网络构造来更有效地捕捉时间序列中的动态变化。 **某类数据集** 可能是指像UCF-101或Kinetics这样的标准动作分析数据集,它们包含了大量标注好的视频片段,用于模型的训练和性能评估。这些数据集在动作分析研究中被...
打开链接下载源码: https://pan.quark.cn/s/a4b39357ea24 MATLAB深度学习工具箱是为在MATLAB平台中开展深度学习活动而研发的一套功能完备的软件库,其内置了大量的函数和类,使用户能够轻松地建立、训练并实施各类深度学习模型。该工具箱涵盖了神经网络、卷积神经网络(CNN)、循环神经网络(RNN)、长短时记忆网络(LSTM)等多种深度学习体系结构,适用于图像识别、语音识别、自然语言处理等多种应用场景。 1. **神经网络基础**:MATLAB深度学习工具箱能够支持构建和训练基础的前馈神经网络(Feedforward Networks)。这些网络可用于执行简单的分类和回归任务,通过设定层数、节点数、激活函数(如sigmoid、ReLU等)以及优化器(如梯度下降、Adam等)来调整网络构造和性能表现。 2. **卷积神经网络(CNN)**:CNN是图像处理中的核心架构,工具箱提供了构建、训练和应用CNN的功能。用户可以定义不同类型的卷积层、池化层、全连接层,以及借助数据增强技术来提升模型的泛化性能。 3. **循环神经网络(RNN)与LSTM**:RNN及其变体LSTM在序列数据处理中展现出优异的性能,例如文本分析和语音识别。MATLAB深度学习工具箱提供了构建和训练RNN及LSTM网络的接口,允许用户处理变长输入序列,并能捕捉长期的依赖关系。 4. **预训练模型**:工具箱内集成了预训练的深度学习模型,如VGG、ResNet等,可以直接应用于图像分类任务,或者作为迁移学习的基础,通过微调来适应特定任务需求。 5. **自动求梯度**:MATLAB深度学习工具箱支持自动求梯度,这是反向传播算法的关键环节,使得用户无需手动计算梯度,能更...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值