作者 ｜ 陸
郵箱 ｜ xiaoyu@pingwest.com

在博鰲亞洲論壇舉辦前夕，OpenClaw 引發(fā)了一場(chǎng)全球養(yǎng)蝦狂歡，AI 在屏幕那端自主執(zhí)行指令的畫(huà)面，讓不少人在此前沒(méi)有接觸過(guò) AI 的用戶認(rèn)為科幻照進(jìn)了現(xiàn)實(shí)。

在這個(gè)背景下，vivo 總裁、首席運(yùn)營(yíng)官兼中央研究院院長(zhǎng)胡柏山提出了一個(gè)不太一樣的問(wèn)題：AI 現(xiàn)在能干很多事，但它對(duì)真實(shí)世界的感知，幾乎為零。他在演講里用了一個(gè)比喻：“沒(méi)有感知能力，AI 就像是困在黑屋子里的大師，算力再?gòu)?qiáng)，也看不見(jiàn)咫尺之外的世界?！?/b>

vivo 總裁、首席運(yùn)營(yíng)官兼中央研究院院長(zhǎng)胡柏山 圖源：vivo

這句話是這次博鰲 vivo 傳遞的核心信號(hào)的起點(diǎn)，也是理解 vivo 接下來(lái)所有動(dòng)作的前提。

1

演唱會(huì)神器、旅拍神器——但這只是開(kāi)始

在很長(zhǎng)一段時(shí)間里，vivo 給外界留下的強(qiáng)烈印象有幾個(gè)關(guān)鍵場(chǎng)景：在演唱會(huì)上配合增距鏡輕松拍到臺(tái)上歌手清晰的表情；旅行途中的隨手拍，顏色和光影都舒服得像膠片。這些標(biāo)簽不是沒(méi)有道理，vivo 在影像上耕耘了很多年，這是真實(shí)的產(chǎn)品積累換來(lái)的口碑。

但在本屆博鰲論壇期間，胡柏山聊的東西，已經(jīng)超越了“出片好不好”的范疇。

他在演講里放了兩個(gè)故事。

一個(gè)是寶哥，九年前意外失明，去年帶著導(dǎo)盲犬阿爾法，靠一臺(tái) vivo 手機(jī)環(huán)游中國(guó)。vivo 的 AI 功能幫他“看見(jiàn)”了每一個(gè)人的樣子。在南澳的漁船上，手機(jī)告訴他：“面前是你的朋友章喜德，他雙臂交叉，面帶微笑，穿著一件深色長(zhǎng)袖?！?/p>

另一個(gè)是諾子，因視覺(jué)神經(jīng)損傷失明的美院學(xué)生，最大的愿望是去冰島感受世界的盡頭。去年她如愿了，站在冰河湖旁，手機(jī)幫她描述：“湖面漂浮著冰塊，游客在拍照，遠(yuǎn)處有海鳥(niǎo)飛過(guò)?！?/p>

如果這兩個(gè)故事放在發(fā)布會(huì) PPT 里，很容易被當(dāng)成情感包裝。但放在胡柏山對(duì)影像的整體判斷里，它們指向的是同一件事：影像技術(shù)真正的上限，不是把照片拍得更好看，而是讓機(jī)器能夠真正“讀懂”它所看到的物理世界。

這種落差本身就是個(gè)有意思的信號(hào)：一家長(zhǎng)期憑“影像手機(jī)”圈粉的公司，現(xiàn)在想用“影像”講一個(gè)完全不同的故事。

1

AI 有一個(gè)沒(méi)人愿意承認(rèn)的短板

過(guò)去這兩年，AI 的進(jìn)展快得有點(diǎn)讓人應(yīng)接不暇。寫(xiě)作、代碼、繪圖、視頻，一個(gè)接一個(gè)地被攻克，而最近爆火的“龍蝦”甚至可以接管你的電腦幫你完成一些復(fù)雜繁瑣的工作，于是用戶慢慢形成了一種印象：AI 好像什么都會(huì)了。

但有一件事，目前的 AI 其實(shí)做得很差：那就是感知真實(shí)世界。

不是“看不見(jiàn)”，現(xiàn)在的大模型基本都有視覺(jué)能力，你把一張照片發(fā)給它，它能告訴你圖里有什么。但“讀懂一張圖”和“感知物理世界”之間，差著一個(gè)本質(zhì)的臺(tái)階。前者是被動(dòng)接收，后者是主動(dòng)理解——理解光線、空間、位置關(guān)系，甚至理解一個(gè)人當(dāng)下的狀態(tài)和情緒。

用胡柏山的說(shuō)法來(lái)理解這個(gè)差距，會(huì)更直白一些：當(dāng)今的 AI 是“數(shù)字世界里的大師”，它在那個(gè)世界里能創(chuàng)作、能推理、能給人提建議。但它沒(méi)有辦法直接作用于物理世界，更沒(méi)有辦法改變它。它就像一個(gè)博覽群書(shū)、足不出戶的人——知識(shí)量驚人，但沒(méi)有真正“出過(guò)門(mén)”。

這個(gè)短板，目前沒(méi)有哪家公司完全解決了。但它是一道必須過(guò)的關(guān)：如果 AI 永遠(yuǎn)只活在屏幕里，所謂的“通用人工智能”就始終是一句空話。

讓 AI 真正走進(jìn)物理世界，需要一套感知系統(tǒng)。而感知系統(tǒng)的核心，是影像。

1

影像在做的事，不單單“記錄”，更是“感知”

在會(huì)上，胡柏山提到了一件內(nèi)部的事：vivo 今年正式成立了一個(gè)新的一條“長(zhǎng)技術(shù)賽道”：感知賽道。

vivo 總裁、首席運(yùn)營(yíng)官兼中央研究院院長(zhǎng)胡柏山 圖源：vivo

這個(gè)措辭值得停留一下。在 vivo 的內(nèi)部語(yǔ)言里，“長(zhǎng)賽道”往往意味著天花板足夠高、值得持續(xù)十年投入的方向。比如影像就是一條已經(jīng)被驗(yàn)證的長(zhǎng)賽道?，F(xiàn)在感知被提升到同等級(jí)別，說(shuō)明 vivo 的判斷是：這條路至少要走十年，而且它的意義不止于手機(jī)。

影像技術(shù)在過(guò)去幾年里一直是手機(jī)廠商的核心戰(zhàn)場(chǎng)，但幾乎所有人的敘事框架都停在同一個(gè)層面：主攝傳感器更大、進(jìn)光量更多、長(zhǎng)焦對(duì)焦更快速、夜景更亮。這些進(jìn)步是真實(shí)的，只是它們的目的地一直是“拍出更好的照片”。

vivo 現(xiàn)在想改變的，是這個(gè)目的地本身。

感知系統(tǒng)做的事情不是“拍下來(lái)”，而是“讀明白”：讀懂光影，讀懂空間，讀懂場(chǎng)景里發(fā)生了什么，甚至讀懂人的情緒狀態(tài)。

這件事的重要性在于：這恰好是 AI 走出數(shù)字世界、落地物理世界所缺少的那一環(huán)。圖像感知加上聲音感知，構(gòu)成了 AI 理解物理世界的基本能力。沒(méi)有這套感知能力，AI 再聰明，也只是屏幕后面那個(gè)很會(huì)打字的助手。

胡柏山表示：未來(lái)模型會(huì)越來(lái)越同質(zhì)化，開(kāi)源的速度越來(lái)越快，大家之間的差距越來(lái)越小。但感知系統(tǒng)不一樣，因?yàn)樗杉氖钦鎸?shí)物理世界的場(chǎng)景數(shù)據(jù)，而每個(gè)品牌的用戶群體不同、使用場(chǎng)景不同，積累下來(lái)的場(chǎng)景數(shù)據(jù)就會(huì)不同，這個(gè)差異是不可復(fù)制的。

他舉了特斯拉 FSD 的例子：特斯拉的輔助駕駛模型可以公開(kāi)，但它的道路數(shù)據(jù)不會(huì)公開(kāi)。模型有可能被追上，而場(chǎng)景數(shù)據(jù)才是真正的護(hù)城河。

把影像從“記錄工具”升級(jí)為“感知系統(tǒng)”，這也讓 vivo 在影像上的長(zhǎng)期投入，有了一個(gè)新的解釋框架——不只是為了讓照片更好看，而是在為 AI 打地基。

1

手機(jī)下一步變成什么？一個(gè)有記憶、懂你的 Agent

理解了 vivo 為什么把影像當(dāng)成感知的關(guān)鍵能力，再來(lái)看 vivo 對(duì)手機(jī)下一階段的判斷，就不會(huì)覺(jué)得突兀了。

vivo 的判斷是：手機(jī)從 Smartphone 進(jìn)化為 Agent Phone，是確定性的趨勢(shì)，只是現(xiàn)階段受制于端側(cè)算力和帶寬，進(jìn)展需要一步一步來(lái)。

Agent Phone 這個(gè)詞現(xiàn)在很多公司都在說(shuō)，但大家的理解深淺不一。vivo 對(duì)它的定義，落腳點(diǎn)在“個(gè)性”和“知識(shí)圖譜”這兩件事上——每一個(gè)用戶的 Agent，應(yīng)該是專屬的，而不是把同一個(gè)基準(zhǔn)模板套在所有用戶身上。

這不是一個(gè)新鮮的理想，但實(shí)現(xiàn)路徑有講究。vivo 的方式是從影像入手：第一批是相機(jī) Agent 和相冊(cè) Agent。拍照的時(shí)候用，整理照片的時(shí)候用，它不需要一直在后臺(tái)持續(xù)運(yùn)行，所以對(duì)硬件的壓力在可控范圍內(nèi)。

相機(jī) Agent 在 X300s 和 X300 Ultra 上已經(jīng)有了初步落地。具體來(lái)說(shuō)，過(guò)去用戶拍照需要手動(dòng)切換人像模式、長(zhǎng)焦模式、微距模式，大部分人其實(shí)并不知道什么時(shí)候該用哪個(gè)。現(xiàn)在相機(jī)會(huì)根據(jù)拍攝對(duì)象的光線、距離、類型，自動(dòng)識(shí)別場(chǎng)景，彈出它認(rèn)為最合適的成像建議。

這更像是一個(gè)起點(diǎn)的聲明，而不是終點(diǎn)的交付。

往后看，vivo 的規(guī)劃里還有更多種類的 Agent：無(wú)論是辦公的、出行的、游戲的，其實(shí)邏輯都一樣——通過(guò)模型把過(guò)去需要用戶手動(dòng)設(shè)置或者根本做不到的事情，交給手機(jī)自動(dòng)完成。

不過(guò) vivo 對(duì)這個(gè)階段的預(yù)期是克制的。胡柏山認(rèn)為：2026 年能做好的，就是這些對(duì)算力要求相對(duì)可控的 Agent，真正做到對(duì)周邊環(huán)境實(shí)時(shí)感知的能力，需要系統(tǒng)架構(gòu)做更大的調(diào)整，這是 2026 年之后的事。

Agent Phone 是短期路徑，是把手機(jī)從工具升級(jí)成“伙伴”的第一步。

1

長(zhǎng)期的答案：影像 × AI，升級(jí)為感知中樞

vivo 這兩年推出或者宣布的新方向不少：去年我們見(jiàn)到了 vivo Vision MR 頭顯的發(fā)布，傳說(shuō)中用來(lái)“對(duì)抗”大疆 Pocket 的云臺(tái)相機(jī)也有望在今年底到來(lái)，而具身機(jī)器人實(shí)驗(yàn)室也已經(jīng)成立。vivo 的這些動(dòng)作，讓外界有一種很自然的疑問(wèn)：這家公司是不是攤子鋪得太大了？

胡柏山對(duì)這個(gè)問(wèn)題的回答，分了三個(gè)層次：記錄世界、感知世界、改變世界。

“記錄是被動(dòng)的，它等待你的指令；感知是主動(dòng)的，它替你觀察環(huán)境的亮度、空間的縱深，甚至人際的距離；行動(dòng)則是終極的，它基于理解，替你解決問(wèn)題。”

現(xiàn)在的手機(jī)大部分還在“記錄”階段，往“感知”升級(jí)是近期的方向，而“行動(dòng)”才能真正自主地作用于物理世界，這是 vivo 押注的遠(yuǎn)期目標(biāo)。

為了走到那一步，vivo 的規(guī)劃是以手機(jī)為起點(diǎn)，向外延伸出一整套以影像感知為核心的設(shè)備生態(tài)：手機(jī)作為感知源頭和個(gè)人化數(shù)據(jù)的積累中心；vivo Vision MR 頭顯作為空間計(jì)算的訓(xùn)練場(chǎng)，理解空間結(jié)構(gòu)和幾何關(guān)系；云臺(tái)相機(jī)、穿戴設(shè)備等生態(tài)終端作為移動(dòng)觸角；家庭機(jī)器人作為感知能力的最終落點(diǎn)：讓 AI 真正進(jìn)入物理世界，進(jìn)入家里。

圖源：vivo

去年 8 月，vivo 發(fā)布了 vivo Vision 探索版 MR 頭顯，已經(jīng)在國(guó)內(nèi) 20 多家體驗(yàn)店和東南亞部分市場(chǎng)落地，用戶體驗(yàn)超過(guò) 5 萬(wàn)人。這款產(chǎn)品的定位是“探索”，有了實(shí)體載體，才能真正積累數(shù)據(jù)，驗(yàn)證認(rèn)知。

胡柏山表示：vivo Vision 下一代要推進(jìn)商業(yè)化，目標(biāo)是 2027 年底或 2028 年初正式商用。

機(jī)器人方向則更早期。

vivo 去年成立了機(jī)器人 Lab，目前仍在實(shí)驗(yàn)室階段，沒(méi)有原型機(jī)，沒(méi)有發(fā)布時(shí)間表。但胡柏山對(duì)這件事的思路很清晰：不做“全場(chǎng)景通用機(jī)器人”，而是聚焦年輕用戶的生活場(chǎng)景，從單一高可行性的任務(wù)出發(fā)：比如寵物喂食，比如衣物收納；先把一個(gè)場(chǎng)景做到能用，再逐步泛化。他用的詞是“沿途下蛋”。

他還專門(mén)解釋了手機(jī)和機(jī)器人的關(guān)系：手機(jī)是最了解用戶的隨身助手，知道你的生活習(xí)慣、飲食偏好、寵物信息，并且這些數(shù)據(jù)全部在本地，不上云。

當(dāng)機(jī)器人能力還不夠的階段，用戶可以通過(guò)手機(jī)遠(yuǎn)程查看、遙控操作；隨著數(shù)據(jù)積累，機(jī)器人會(huì)越來(lái)越自主。這個(gè)路徑和自動(dòng)駕駛的演進(jìn)邏輯一樣——從輔助執(zhí)行到自主決策。

這套邏輯說(shuō)通了之后，再看 vivo 的產(chǎn)品布局，會(huì)發(fā)現(xiàn)它比看起來(lái)要更有結(jié)構(gòu)：影像技術(shù)是那根主軸，其他產(chǎn)品是主軸延伸出去的不同分支。

1

最后

在這次采訪里，有一個(gè)細(xì)節(jié)讓我印象深刻。

當(dāng)胡柏山被問(wèn)到：AI 時(shí)代，到底是 AI 唱主角，還是影像唱主角？

他的回答是：在存量市場(chǎng)里，影像是拉長(zhǎng)板的邏輯，繼續(xù)把有高卷入度的用戶留住。但要把存量市場(chǎng)變成增量市場(chǎng)，靠的是 Agent，讓換機(jī)周期縮短，讓更多人覺(jué)得舊手機(jī)不夠用了?！坝跋?AI 兩者其實(shí)并不沖突，只要東西好，手機(jī)就能成為生產(chǎn)力工具，用戶就會(huì)覺(jué)得值。”

這個(gè)回答里有一種務(wù)實(shí)的底色。

vivo 講的故事很大：感知系統(tǒng)、數(shù)字 DNA、機(jī)器人；但在落到產(chǎn)品層面時(shí)一直很具體：今年做好相機(jī)和相冊(cè) Agent、27 年后 MR 商用，更遠(yuǎn)的是機(jī)器人。

vivo 并沒(méi)有喊出“我們要改變世界”的宣言，只是交出了一張分階段的時(shí)間表，這條路究竟能走到哪，最終還是要依靠產(chǎn)品來(lái)交卷。

點(diǎn)個(gè)“愛(ài)心”，再走 吧