拼大腦，沒有護(hù)城河押注「感知」一切交給時(shí)間

今年春節(jié)，OpenClaw 火了。短短兩個(gè)月不到，它又冷下去了——又一場 AI 應(yīng)用層面的熱鬧。

熱鬧散了，沒人知道下一個(gè) OpenClaw 是誰，也沒人知道這些東西究竟在解決什么問題。

用影像旗艦手機(jī)拍下一張夜景當(dāng)中的人臉，細(xì)節(jié)清晰到能看見眼眶里的水光。但手機(jī)可能并不清楚，主角剛才是否哭泣，也就無法理解這張佳作的情緒背景；再用長焦技能把數(shù)百米外的一個(gè)路人拉到面前，細(xì)節(jié)纖毫畢現(xiàn)。但你問手機(jī)：這個(gè)人是著急趕路，還是在找什么東西？手機(jī)仍然不知道。

今天的 agent 能寫代碼、能操控網(wǎng)頁、能把一份 PDF 整理成會(huì)議紀(jì)要。這些它都做得不錯(cuò)。但這些事情有一個(gè)共同點(diǎn)：處理的全是人類已經(jīng)事先轉(zhuǎn)好格式的信息。文件、數(shù)據(jù)庫、網(wǎng)頁，都是數(shù)字化過的世界。一旦面對(duì)物理世界，一扇門、一段動(dòng)作、一個(gè)表情，它們是失明的。

從今天的大模型，到能真正讀懂物理世界的所謂「具身智能」，中間有一道鴻溝，現(xiàn)在沒有人說得清楚怎么填。

這道鴻溝，是胡柏山在博鰲亞洲論壇上花了最多時(shí)間講的一件事。

胡柏山是 vivo 總裁兼首席運(yùn)營官。在博鰲亞洲論壇，他告訴愛范兒，自己有一個(gè)很直接的判斷：「在明確的物理大模型沒有出來之前，要有好的體驗(yàn)，就要把物理世界的信息轉(zhuǎn)化到數(shù)字世界?！?/p>

他相信，這件事，不僅手機(jī)可以做，而且應(yīng)該用手機(jī)去做。甚至在未來十年里，其它設(shè)備都很難替代。

過去兩年，幾乎所有手機(jī)廠商都在說「AI 手機(jī)」。大模型接入、智能助手升級(jí)、端側(cè)算力提升，這些能力以肉眼可見的速度在普及。

去年 DeepSeek 橫空出世，今年 OpenClaw 引爆討論，各家都在搶著把最新的模型能力塞進(jìn)自己的產(chǎn)品。

這場軍備競賽，有一個(gè)必然的結(jié)局：大模型的高度商品化、同質(zhì)化、可替代化。

拼模型能力，沒有護(hù)城河。

你比友商快三個(gè)月上線某大模型，以及大模型驅(qū)動(dòng)的 agent 功能；友商六個(gè)月后跟上，用的模型和 agent 能力都比你更強(qiáng)。時(shí)間上的領(lǐng)先、花費(fèi)的金錢和精力，卷出的工時(shí)和損耗的員工健康，價(jià)值又是什么？

于是，真正的差異化只能在別處找。

vivo 給出的答案是「感知」。

感知，是 vivo 剛剛成立的新技術(shù)賽道。

中外互聯(lián)網(wǎng)公司和手機(jī)品牌紛紛加速進(jìn)軍「AI 手機(jī)」。行業(yè)一度以為模型能力會(huì)成為手機(jī)廠商的護(hù)城河。

在胡柏山看來，實(shí)際并非如此?！赶啾饶Ｐ投?，積累下來的場景數(shù)據(jù)才最有差異化?！咕o接著他補(bǔ)了一句：「當(dāng)然，該做還是要做，要做就找適合我們的，可以做慢一點(diǎn)，晚一點(diǎn)也 ok。」

當(dāng)被問及「如果不看好大語言模型，vivo 會(huì)否發(fā)力世界模型」時(shí)，他的回答更加保守卻又直接：「世界模型也很大。我們還是找適合我們的技術(shù)路徑。我們先把手機(jī)模型搞好，小模型搞好?！?/p>

當(dāng)今 AI / 互聯(lián)網(wǎng)科技巨頭大打人才爭奪戰(zhàn)，頂級(jí)研究精英如 NBA 巨星般搶手，轉(zhuǎn)會(huì)費(fèi)一再突破新高。但胡柏山并不認(rèn)為 vivo 應(yīng)該為這團(tuán)火再添柴。他告訴愛范兒，先想清楚思路，看清方向，定好技術(shù)平臺(tái)，再發(fā)力，完全不遲。

在這個(gè)所有人都在比拼模型能力和 AI 人才儲(chǔ)備的時(shí)間點(diǎn)上，掌門人直接把 vivo 的優(yōu)劣勢與行動(dòng)綱領(lǐng)展開在媒體面前。這種坦誠令人印象深刻：vivo 的穩(wěn)健、謹(jǐn)慎， 究竟有何用意？

胡柏山在博鰲亞洲論壇峰會(huì)接受媒體采訪

胡柏山回應(yīng)稱，vivo 從不回避競爭。相比模型、算力，未來最大的差異化是來自于場景數(shù)據(jù)。

場景數(shù)據(jù)，是跟著使用行為逐漸積累的，不能批發(fā)，不能抄近路——影像數(shù)據(jù)尤其如此。經(jīng)過十年光學(xué)硬件積累、用真實(shí)場景訓(xùn)練出來的感知判斷，沒有捷徑。

而這些積累與判斷，構(gòu)成了 vivo 接下來押注的「感知」的底層。這些東西，其他人（無論友商還是互聯(lián)網(wǎng)/AI 公司）想要，也只能自己去積累。

這就回到了剛才那道鴻溝。大模型的訓(xùn)練數(shù)據(jù)是互聯(lián)網(wǎng)信息，而這些信息已經(jīng)被數(shù)字化。但現(xiàn)實(shí)世界里大多數(shù)有價(jià)值的信息，還沒被數(shù)字化。那些無法或很難被轉(zhuǎn)化，或者轉(zhuǎn)化起來成本極高的數(shù)據(jù)，成為了 AI 走向現(xiàn)實(shí)世界的障礙。

光線、空間、人臉、動(dòng)作、情緒，這些東西存在于物理世界，需要被感知、被轉(zhuǎn)化，才能成為模型可以處理的輸入。誰的感知做得好，誰就控制了大模型進(jìn)入現(xiàn)實(shí)世界的那扇門。

現(xiàn)在，沒有人知道這扇門后面是什么，也沒有人知道最后會(huì)是誰站在那里。

感知不只是「更好的相機(jī)」，這一點(diǎn) vivo 很清楚。

胡柏山說，相機(jī)是記錄工具，它等你按下快門。但感知是另一件事：持續(xù)觀察、理解正在發(fā)生什么，把這些信息轉(zhuǎn)化成設(shè)備可以直接使用的輸入。7×24 小時(shí)，不需要你觸發(fā)。

從「記錄」到「感知」，中間隔著一個(gè)系統(tǒng)架構(gòu)的重建。

胡柏山給這件事起了個(gè)名字：「感知一體」。字面意思，是感知到的信息和設(shè)備的決策系統(tǒng)要即時(shí)打通。這一點(diǎn)，現(xiàn)在還做不到。

難點(diǎn)在于，原始的感知場景數(shù)據(jù)，比如一段視頻、一張圖、麥克風(fēng)收到的聲音，體量巨大，格式混亂，里面大部分是噪聲。把這些原始信號(hào)轉(zhuǎn)化成手機(jī)真正「讀得懂」的結(jié)構(gòu)化信息，需要一整套專門的處理鏈路。

「怎么把場景數(shù)據(jù)轉(zhuǎn)換成手機(jī)能夠讀懂的數(shù)據(jù)，是最難的。這個(gè)領(lǐng)域開源資源少，需要自主探索，」他說。

這也是為什么 vivo 在內(nèi)部把感知設(shè)為一級(jí)技術(shù)賽道。

「一級(jí)」意味著感知不再是影像部門下面的一個(gè)子方向，它會(huì)統(tǒng)攬包括視、聽、嗅、觸等多種感官種類，和感知方向。

不過，vivo 的感知研究與研發(fā)工作仍處在初期階段。胡柏山用 vivo 的通信研究院做了一個(gè)類比：大約 200 人的團(tuán)隊(duì)，從 4G 開始持續(xù)投入，走過 5G，現(xiàn)在在做 6G，已經(jīng)十幾年了。

對(duì)于感知賽道，他的預(yù)期是相似的節(jié)奏：小團(tuán)隊(duì)作戰(zhàn)，先構(gòu)建認(rèn)知。認(rèn)知清晰了，開始加油門；等待軟硬件生態(tài)成熟了后，油門再往下踩。「有一種漸進(jìn)式加速、螺旋上升的感覺。我們拒絕一腳油門一腳剎車。」

胡柏山不希望 vivo 做感知計(jì)算，以及做任何事情，出現(xiàn)拍腦門、砸大錢的做法。他認(rèn)為，感知是一個(gè)天花板很高，但今天沒人能說清楚正確的技術(shù)演進(jìn)路線是什么的東西。「我們準(zhǔn)備好用五年、十年的周期來持續(xù)投入。但我們對(duì)這件事的認(rèn)知獲取，要循序漸進(jìn)。認(rèn)知沒到，砸錢都是爛尾工程?！?/p>

感知賽道是一個(gè)判斷，但判斷要落地，需要現(xiàn)成的積累。

vivo 的底牌是十年影像。具體看，這十年沉淀的東西有兩層。

第一層是硬件。與蔡司的合作，如今已經(jīng)走到了聯(lián)合研發(fā)的深水階段，傳感器尺寸這一輪 X300 Ultra 的主攝升到了 1/1.12 英寸，和索尼的合作在往提升半導(dǎo)體轉(zhuǎn)化效率的方向走——他提到了感官技術(shù)方面的「雪崩效應(yīng)」，一種可以把感光元件的進(jìn)光轉(zhuǎn)化率，從 90% 推到 110% 以上甚至更高的新技術(shù)路徑。

在硬件層面，胡柏山的判斷和行業(yè)觀察者及媒體大致相同，傳感器尺寸已經(jīng)卷到了邊際收益遞減的階段，接下來更大的空間在轉(zhuǎn)化效率和外掛形態(tài)——在 X300 Ultra 上，vivo 已經(jīng)做了 200mm、400mm 定焦增距鏡，還有更多在路上。

第二層是算法和認(rèn)知。

vivo 三年前提出長焦大底，兩年后全行業(yè)跟上。但跟上硬件很容易，「為什么是那個(gè)時(shí)間點(diǎn)做這件事」，這個(gè)判斷很難。vivo 為什么選擇在那個(gè)時(shí)間點(diǎn)上做這件事，動(dòng)機(jī)來自于在影像上多年領(lǐng)跑的經(jīng)驗(yàn)所形成的認(rèn)知——沒有可以搬運(yùn)和復(fù)制的捷徑。

「算法跟認(rèn)知強(qiáng)相關(guān)——認(rèn)知知道要什么方向，算法匹配，這是需求和技術(shù)的有機(jī)結(jié)合，對(duì)手很難快速跟上。」

這個(gè)邏輯延伸到端側(cè) AI 上同樣成立。在 X300 Ultra 上，vivo 首次提出了一種「多 agent」理念，也即：

你舉起手機(jī)拍一張照片，有個(gè) agent 在判斷你在拍什么、用多遠(yuǎn)的焦段、在什么光線下——這個(gè)判斷，以前需要用戶自己去做。而另一個(gè) agent 在整理你的相冊(cè)，根據(jù)你過去的修圖習(xí)慣推薦或自動(dòng)添加濾鏡，又或者它能自動(dòng)把幾段素材剪成一條可以直接發(fā)的短視頻。

這不是那種統(tǒng)一的「超級(jí) agent」，比如 Gemini 或豆包手機(jī)助手那樣的，而是每個(gè)場景一個(gè)專項(xiàng) agent，既互通有無，又各干各的。

胡柏山的理由很實(shí)際：現(xiàn)有的硬件算力撐不起一個(gè)什么都管的大 agent，手機(jī)AI的發(fā)展要結(jié)合硬件的能力上限來推進(jìn)。

這些工作仰仗 vivo 在端側(cè) AI 推理上的持續(xù)投入。據(jù)愛范兒了解，vivo 是手機(jī)廠商當(dāng)中目前在算力購買上花錢最多的——不僅是云端算力，接下來的押注方向，是在旗艦機(jī)上嵌入專用的算力芯片。

vivo 的節(jié)奏是：先把不要求實(shí)時(shí)響應(yīng)的 agent 做好，影像和相冊(cè)是當(dāng)前優(yōu)先級(jí)；全域感知是五到十年的目標(biāo)，always-on、全時(shí)段在線、所有感官打通，這是最終的方向。

今后十年的 vivo，會(huì)去往什么方向？

胡柏山給了一個(gè)大概的路線圖：手機(jī)是現(xiàn)在用戶的核心產(chǎn)品，往后至少 10 年也仍然不變；MR 需要三到四年；機(jī)器人是五年以上。

這三個(gè)方向不是各自獨(dú)立的押注，底層是同一套感知能力在不同形態(tài)上的延伸。

vivo 去年成立了機(jī)器人 Lab，聚焦「大腦和眼睛」。當(dāng)被問及目前進(jìn)展如何，胡柏山很直接地?cái)偱疲骸?025年把階段性目標(biāo)梳理地更加清楚，2026年進(jìn)入整個(gè)路徑的清晰規(guī)劃。」

但這對(duì)于 vivo 來說并不是問題。

在一個(gè)各家都在發(fā)布機(jī)器人樣機(jī)、爭相宣稱「具身智能元年」的節(jié)點(diǎn)，承認(rèn)自己還沒手搓出實(shí)物，是一種不多見的坦誠。胡柏山說「手搓一個(gè)機(jī)器人不是我們要干的。」

vivo 的機(jī)器人邏輯，和感知賽道的投入邏輯是一套：先想清楚目標(biāo)用戶是誰，再定義場景，再識(shí)別核心技術(shù)控制點(diǎn)，再等技術(shù)成熟度到位。

胡柏山告訴愛范兒，目前 vivo 還在論證第一步。他們傾向于服務(wù)年輕人，這也正是 vivo 從旗艦到年輕系列產(chǎn)品線一直希望搶占心智的群體。vivo 的第一代家庭機(jī)器人，可能的起點(diǎn)，是照顧寵物和疊衣服也說不定。

但這個(gè)場景，會(huì)不會(huì)太小？胡柏山認(rèn)為，不能一上來就做通用機(jī)器人，不可能剛一開始就把所有的場景都做好。如果你非要那么做，最終的結(jié)果也只能是每個(gè)場景都不及格。

誠然，今天的具身智能機(jī)器人，可能做預(yù)錄制的舞蹈能做到一百分，其他場景都沒有足夠的說服力。特別是在家務(wù)場景，「就說打雞蛋這件事，想要做到百分百成功率，人都不一定，機(jī)器人十年內(nèi)也做不到。」

胡柏山希望，vivo 的機(jī)器人能夠先把一件具體的事情做到 60-70 分，然后一代一代泛化，優(yōu)化現(xiàn)有的場景，再獲得新的能力。

喂好了寵物，場景數(shù)據(jù)就來了。場景數(shù)據(jù)夠了，機(jī)器人就知道這只狗每天幾點(diǎn)餓，進(jìn)而知道這家人幾點(diǎn)起床，進(jìn)而知道這家人的生活節(jié)律。不需要一步到位，因?yàn)槊恳徊蕉荚跒橄乱徊絺淞稀?strong>胡柏山管這叫「沿途下蛋」。

這個(gè)邏輯，和在手機(jī)端押注感知的邏輯，是統(tǒng)一的：先把影像 agent 做好，場景數(shù)據(jù)夠了，感知能力才往外延伸。

但在機(jī)器人的旁邊，手機(jī)扮演什么角色？「手機(jī)是最懂你的隨身數(shù)字助理。你的行為習(xí)慣、偏好、你喜歡養(yǎng)什么寵物，都在手機(jī)里?！购厣秸f，機(jī)器人早期做不好的事，手機(jī)可以遙控介入補(bǔ)足。

就像自動(dòng)駕駛的早期，人類一直在干預(yù)，干預(yù)產(chǎn)生數(shù)據(jù)，數(shù)據(jù)讓系統(tǒng)越來越好。「手機(jī)和機(jī)器人之間，場景數(shù)據(jù)是打通的?！?/p>

當(dāng)然，他也沒有把話說滿。感知這個(gè)賽道，其他人也在做。包括蘋果、谷歌等在內(nèi)都有自己的感知計(jì)算框架。vivo 在這個(gè)方向上的競爭空間，更多在手機(jī)端的小模型感知這個(gè)細(xì)分方向。這是除了蘋果以外的大廠，暫時(shí)沒有重點(diǎn)關(guān)注的地方。

今年，胡柏山給機(jī)器人 Lab 設(shè)的任務(wù)，是把路徑圖畫出來：目標(biāo)用戶、核心場景、關(guān)鍵技術(shù)節(jié)點(diǎn)、以及「技術(shù)成熟到可以商業(yè)化」的時(shí)間預(yù)期。

vivo 叫停了 AI 眼鏡項(xiàng)目。他算了一筆賬：一年幾十萬臺(tái)，不符合目標(biāo)體量；兩年內(nèi)又做不出差異化；技術(shù)平臺(tái)目前也撐不起 80 分以上的體驗(yàn)（超過 30g 戴在鼻子上會(huì)很累）——三個(gè)條件一個(gè)都沒過，砍掉沒毛病。

「三年后做也不著急，它不是關(guān)鍵品類?！?/p>

不過，這個(gè)決定放在今天的背景下，還是有點(diǎn)逆勢。2025 年 AI 眼鏡是行業(yè)里最熱的新品類之一，這個(gè)事實(shí)有目共睹。Ray-Ban Meta 賣爆，國內(nèi)跟進(jìn)者一茬接一茬。

創(chuàng)始人兼 CEO 沈煒在年會(huì)上表示，vivo 今年的策略是「少押注，押重注」。vivo 選擇給 AI 眼鏡按下暫停鍵，但將感知賽道的存在地位升級(jí)，其實(shí)是統(tǒng)一的邏輯和篩選標(biāo)準(zhǔn)的一體兩面：一個(gè)賽道的天花板夠不夠高、vivo 自身的差異化屬性夠不夠、技術(shù)平臺(tái)能不能支撐長期投入。

這種思路，與近期 OpenAI 等在內(nèi)的硅谷巨頭，摒棄「支線任務(wù)」，聚焦真正長板的思路不謀而合。

2026 年選定的道路，vivo 會(huì)走到哪，現(xiàn)在胡柏山也還給不出答案。感知一體化的技術(shù)難題還沒有解，端側(cè)專用芯片的落地有難度，機(jī)器人的路徑圖今年才剛開始畫。

胡柏山知道這些，也沒有回避。他說，認(rèn)知到了加油門，認(rèn)知沒到寧可慢。

手機(jī)行業(yè)正在經(jīng)歷一個(gè)奇怪的時(shí)刻：換機(jī)周期拉長到四十個(gè)月，中國市場年銷量從高峰期的五億多部跌到現(xiàn)在約 2.5 億部，存量市場的天花板清晰可見；但 AI 帶來的能力躍升，又讓所有人覺得什么地方似乎還藏著一點(diǎn)增量。

胡柏山的判斷是，從 Smartphone（智能手機(jī)）到 Agent Phone（智能體手機(jī)），才是把存量市場變成增量市場的機(jī)會(huì)。而感知，是這個(gè)機(jī)會(huì)里他認(rèn)為最難被復(fù)制的護(hù)城河。

接下來交給時(shí)間。