作者 ｜ 陸
郵箱 ｜ xiaoyu@pingwest.com

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

在這個背景下，vivo 總裁、首席運營官兼中央研究院院長胡柏山提出了一個不太一樣的問題：AI 現(xiàn)在能干很多事，但它對真實世界的感知，幾乎為零。他在演講里用了一個比喻：“沒有感知能力，AI 就像是困在黑屋子里的大師，算力再強，也看不見咫尺之外的世界?！?/b>

vivo 總裁、首席運營官兼中央研究院院長胡柏山 圖源：vivo

這句話是這次博鰲 vivo 傳遞的核心信號的起點，也是理解 vivo 接下來所有動作的前提。

1

演唱會神器、旅拍神器——但這只是開始

在很長一段時間里，vivo 給外界留下的強烈印象有幾個關(guān)鍵場景：在演唱會上配合增距鏡輕松拍到臺上歌手清晰的表情；旅行途中的隨手拍，顏色和光影都舒服得像膠片。這些標(biāo)簽不是沒有道理，vivo 在影像上耕耘了很多年，這是真實的產(chǎn)品積累換來的口碑。

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故事。

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

另一個是諾子，因視覺神經(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，手機幫她描述：“湖面漂浮著冰塊，游客在拍照，遠處有海鳥飛過。”

如果這兩個故事放在發(fā)布會 PPT 里，很容易被當(dāng)成情感包裝。但放在胡柏山對影像的整體判斷里，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有意思的信號：一家長期憑“影像手機”圈粉的公司，現(xiàn)在想用“影像”講一個完全不同的故事。

1

AI 有一個沒人愿意承認的短板

過去這兩年，AI 的進展快得有點讓人應(yīng)接不暇。寫作、代碼、繪圖、視頻，一個接一個地被攻克，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 好像什么都會了。

但有一件事，目前的 AI 其實做得很差：那就是感知真實世界。

不是“看不見”，現(xiàn)在的大模型基本都有視覺能力，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，差著一個本質(zhì)的臺階。前者是被動接收，后者是主動理解——理解光線、空間、位置關(guān)系，甚至理解一個人當(dāng)下的狀態(tài)和情緒。

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

這個短板，目前沒有哪家公司完全解決了。但它是一道必須過的關(guān)：如果 AI 永遠只活在屏幕里，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”

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

vivo 總裁、首席運營官兼中央研究院院長胡柏山 圖源：vivo

這個措辭值得停留一下。在 vivo 的內(nèi)部語言里，“長賽道”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)被驗證的長賽道?，F(xiàn)在感知被提升到同等級別，說明 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。

影像技術(shù)在過去幾年里一直是手機廠商的核心戰(zhàn)場，但幾乎所有人的敘事框架都停在同一個層面：主攝傳感器更大、進光量更多、長焦對焦更快速、夜景更亮。這些進步是真實的，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，是這個目的地本身。

感知系統(tǒng)做的事情不是“拍下來”，而是“讀明白”：讀懂光影，讀懂空間，讀懂場景里發(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。沒有這套感知能力，AI 再聰明，也只是屏幕后面那個很會打字的助手。

胡柏山表示：未來模型會越來越同質(zhì)化，開源的速度越來越快，大家之間的差距越來越小。但感知系統(tǒng)不一樣，因為它采集的是真實物理世界的場景數(shù)據(jù)，而每個品牌的用戶群體不同、使用場景不同，積累下來的場景數(shù)據(jù)就會不同，這個差異是不可復(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，但它的道路數(shù)據(jù)不會公開。模型有可能被追上，而場景數(shù)據(jù)才是真正的護城河。

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

1

手機下一步變成什么？一個有記憶、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，再來看 vivo 對手機下一階段的判斷，就不會覺得突兀了。

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

Agent Phone 這個詞現(xiàn)在很多公司都在說，但大家的理解深淺不一。vivo 對它的定義，落腳點在“個性”和“知識圖譜”這兩件事上——每一個用戶的 Agent，應(yīng)該是專屬的，而不是把同一個基準模板套在所有用戶身上。

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

相機 Agent 在 X300s 和 X300 Ultra 上已經(jīng)有了初步落地。具體來說，過去用戶拍照需要手動切換人像模式、長焦模式、微距模式，大部分人其實并不知道什么時候該用哪個。現(xiàn)在相機會根據(jù)拍攝對象的光線、距離、類型，自動識別場景，彈出它認為最合適的成像建議。

這更像是一個起點的聲明，而不是終點的交付。

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

不過 vivo 對這個階段的預(yù)期是克制的。胡柏山認為：2026 年能做好的，就是這些對算力要求相對可控的 Agent，真正做到對周邊環(huán)境實時感知的能力，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，是把手機從工具升級成“伙伴”的第一步。

1

長期的答案：影像 × AI，升級為感知中樞

vivo 這兩年推出或者宣布的新方向不少：去年我們見到了 vivo Vision MR 頭顯的發(fā)布，傳說中用來“對抗”大疆 Pocket 的云臺相機也有望在今年底到來，而具身機器人實驗室也已經(jīng)成立。vivo 的這些動作，讓外界有一種很自然的疑問：這家公司是不是攤子鋪得太大了？

胡柏山對這個問題的回答，分了三個層次：記錄世界、感知世界、改變世界。

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

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

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

圖源：vivo

去年 8 月，vivo 發(fā)布了 vivo Vision 探索版 MR 頭顯，已經(jīng)在國內(nèi) 20 多家體驗店和東南亞部分市場落地，用戶體驗超過 5 萬人。這款產(chǎn)品的定位是“探索”，有了實體載體，才能真正積累數(shù)據(jù)，驗證認知。

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

機器人方向則更早期。

vivo 去年成立了機器人 Lab，目前仍在實驗室階段，沒有原型機，沒有發(fā)布時間表。但胡柏山對這件事的思路很清晰：不做“全場景通用機器人”，而是聚焦年輕用戶的生活場景，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；先把一個場景做到能用，再逐步泛化。他用的詞是“沿途下蛋”。

他還專門解釋了手機和機器人的關(guān)系：手機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)機器人能力還不夠的階段，用戶可以通過手機遠程查看、遙控操作；隨著數(shù)據(jù)積累，機器人會越來越自主。這個路徑和自動駕駛的演進邏輯一樣——從輔助執(zhí)行到自主決策。

這套邏輯說通了之后，再看 vivo 的產(chǎn)品布局，會發(fā)現(xiàn)它比看起來要更有結(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，有一個細節(jié)讓我印象深刻。

當(dāng)胡柏山被問到：AI 時代，到底是 AI 唱主角，還是影像唱主角？

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

這個回答里有一種務(wù)實的底色。

vivo 講的故事很大：感知系統(tǒng)、數(shù)字 DNA、機器人；但在落到產(chǎn)品層面時一直很具體：今年做好相機和相冊 Agent、27 年后 MR 商用，更遠的是機器人。

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

點個“愛心”，再走 吧