白皮书案例 | 孙邻家:用AI重构宠物沟通场景,从垂直应用迈向全球市场

孙邻家是一位拥有丰富跨赛道经验的连续创业者，自2012年起深耕O2O零售、美业数字化和本地生活SaaS等多个领域，先后创办零食O2O平台SND与美业SaaS平台EMBeauty，积累了面向C端的产品创新能力与跨行业的用户洞察。2018年，他赴美重新出发，先后在北美本地生活平台Gesoo和Chowbus担任CEO与西海岸业务负责人，系统打磨服务体系，深入理解北美用户的数字行为习惯，也深化了他对SaaS商业模式的认知。

真正的转折点来自一次次外卖订单中的用户附言：“能不能顺便带包狗粮？”这个看似微不足道的请求，唤起了他对宠物主需求的关注。在对2000+名用户调研后他发现，在庞大却碎片化的宠物经济中，有一个长期被忽视的空白，宠物的情绪与行为意图难以被人类理解，尤其在陪伴与行为矫正等高频场景中尤为明显。

构建AI Native宠物产品

从产品结构到体验路径的重构

与AI驱动的方案相比，传统的人宠互动理解软件，多采用规则引擎、传感器监测及行为特征库等技术路径。这类应用通常依赖预设规则，匹配限的传感器数据，从而完成对宠物语言或行为的简单的识别与反馈。例如通过声音频率判断宠物是否叫唤，或通过运动传感器判断宠物活动状态。整体流程多为“上传-识别-输出”的线性操作，缺乏对宠物复杂行为和情绪的深度理解，也难以适应不同宠物的个性差异。

正因如此，孙邻家决定走一条不同的路，构建真正意义上的AI Native宠物产品。这种路径不是在传统硬件产品上叠加智能模块，而是从产品构建的底层开始，将AI作为主引擎嵌入系统架构与交互逻辑中，构建出能理解宠物情绪、适应互动反馈、持续学习演化的智能陪伴系统。

但在真正落地这一理念的过程中，团队也遇到了两大核心挑战：一是数据稀缺，宠物情绪难以标准化标注，高质量视频、音频样本分散在不同场景，采集成本高；二是场景复杂，不同品种、环境、互动方式所呈现出的行为与情绪模式差异巨大，模型必须具备高度的泛化能力和实时适应能力。

为了应对这些挑战，Traini团队采用了多模态融合的路径，通过整合图像、视频、声音等多源感知数据，训练出能够综合判断宠物行为、情绪和潜在意图的PPI（Pet Perception and Interaction）模型。

与传统依赖单一数据流的模型不同，多维度输入让AI能够更全面地理解宠物的状态和需求，该模型由transformer驱动，具备实时感知、联动判断和交互反馈能力。在训练机制上，Traini设计了“使用即训练”的持续学习机制。用户与宠物的每一次自然互动都会成为训练样本，经过匿名化处理后反馈至模型端，推动模型自适应进化。这一机制不仅增强了模型的个性化能力，也帮助团队持续扩展宠物行为数据库，为后续功能拓展提供数据支撑。

目前，Traini已在数据与模型层面实现阶段性突破，构建起覆盖多品种、多场景、多情绪状态的高质量宠物音视频数据集，并在精细标注基础上不断训练优化PPI系统。在保持识别精度与泛化能力的同时，团队引入轻量化设计与边缘部署策略，提升了产品在家庭环境中的响应效率与隐私安全。

伴随系统性能提升，用户对系统角色的认知也在发生转变，通过系统识别出的情绪趋势提示，用户得以更早察觉宠物的应激反应、孤独信号或健康隐患，从而调整互动频率与照护方式。这种人宠双向感知的交互体验，让Traini不再是一个被动响应的工具，而成为融入日常陪伴的智能入口，建立起宠物行为与人类理解之间的情感连接。

曾有一位用户在狗狗生命临近结束时，通过Traini理解宠物最后的情绪，获得了情感支持。这一真实故事，也成为产品价值被验证的有力印证。Traini因此在心理学、计算机科学等多个领域的专业用户群体中获得了高度认可，他们不仅看到了产品在情绪识别和行为理解方面的潜力，也希望参与推动平台能力的持续升级。对孙邻家来说，这不仅仅是对产品设计的肯定，更是对其产品理念的回响。技术与情感并不冲突，AI正在让“理解”成为人与宠物之间更深的连接。

从C端数据飞轮到B端赋能

打造以用户为中心的商业路径

孙邻家坚持“用户场景驱动”的产品理念，深知只有扎根真实需求，技术才能转化为具象且有价值的应用。因此，Traini从一开始就选择以C端切入，推出面向宠物主的智能应用，聚焦狗语翻译、视频行为分析和健康养护建议等应用场景，为宠物主人提供行为洞察和风险提示，并非医疗诊断。

这一路径并非仅是产品推广策略，而是构建数据飞轮的起点。借助此前搭建的“使用即训练”机制，用户交互中产生的真实数据源源不断反馈至模型端，在模型迭代的同时，持续提升产品体验和用户粘性，形成数据与体验相互增强的正向循环，推动Traini不断增强个性化识别与情绪理解的能力，从而实现更自然的交互体验。

随着模型性能提升，Traini的商业布局逐步由C端扩展至B端。孙邻家洞察到，在宠物食品、保险、硬件等相关行业中，AI所能提供的智能识别与个性化服务正成为推动数字化转型的关键力量。这些行业的痛点在于缺乏对宠物行为、健康和情绪的深刻理解，导致产品推荐或服务响应难以做到真正“个体化”。而Traini所积累的真实交互数据和模型能力，正好填补了这一缺口。

基于已有的数据资产和算法能力，Traini团队构建了标准化的API与SDK，向企业客户输出AI算法支持，赋能其开发更符合市场需求的智能化产品与服务。合作内容涵盖个性化营养推荐、健康风险预警、行为趋势识别等多个模块，帮助企业更深入理解用户需求，实现更精细化的产品运营与服务设计。

从本地理解开始

Traini的全球化方法论

作为一名扎根硅谷的华人创业者，孙邻家深知，真正成功的全球化产品，不仅要满足本地需求，还必须具备跨地域的可复制性。在这一思维的指导下，孙邻家致力于通过本地化数据与文化适配的战略，将Traini从一款本地化的宠物AI产品，发展成一个面向全球市场的智能平台。

然而，全球化从来不是一套模型打天下。要让一个AI产品真正在不同文化中“听懂宠物、服务人类”，需要直面各地在语言习惯、养宠方式乃至情感表达上的深层差异。如果忽视这些差异，技术的准确率再高，也很难转化为真实的用户信任与情感价值。

这在产品适配过程中尤为明显。以不同市场的调研为例，美国用户偏好饲养大型犬，互动方式更直接开放；而亚洲用户更倾向于小型犬，更关注陪伴细节与情绪回应。这些行为模式和交互习惯的差异，不仅影响用户需求的表达方式，也决定了宠物行为数据的分布与表现，对模型训练的效果与泛化能力构成了直接挑战。孙邻家常说：“每只狗的行为也有‘方言’。”这不仅是一种观察，更是一种策略提醒：如何在保持技术通用性的同时，实现文化层面的本地理解。

为此，Traini制定了“两步走”的全球化模型策略。第一步，以英文数据为基础训练标准模型，以满足多数用户的通用需求；第二步，再基于各地区本地数据进行持续增强，优化模型在文化维度的表现力。

在具体落地上，团队搭建了分层的数据采集与标注体系，系统性收集不同国家和地区的语言风格、互动方式与宠物类型分布。在算法架构上，引入“犬种特征嵌入机制”，将不同犬种的行为参数与认知特征编码为结构化向量，融入语音、图像与动作等多模态系统，提升模型对情绪与行为细节的感知能力。与此同时，Traini还邀请本地宠物行为学专家深度参与标注流程和交互验证，确保模型训练具备现实感知力与文化适应性。

如今，Traini已在多个国家完成产品的本地化适配与模型迁移，逐步构建出具备文化适应性与情感共鸣力的交互体系。从犬种行为差异、语言习惯到情感表达方式，这一过程中沉淀的方法论，为Traini拓展国际市场提供了重要支撑。

对全球企业家的启示

深度解读 | 全球首部华人企业家发展白皮书（东南亚篇）

深度解读 | 全球首部华人企业家发展白皮书（北美篇）

# 推荐阅读 #

NUS蝉联QS世界大学排名亚洲第1、全球第8！

招生简章 | 新加坡国立大学2026级EMBA高级工商管理硕士学位课程