和 vivo 总裁聊了聊，发现我对影像的理解太浅了。

这两天差评君受 vivo 邀请来到了位于海南的博鳌亚洲论坛年会。

说起来我们还是第一次来参加这种大型的国际对话活动，差友们把排面打在公屏上。

关于博鳌亚洲论坛，给没听过的差友介绍一下，这其实是一个国际组织来的，他们每年都会在博鳌这个小镇举办一次年会——亚洲各国的政商大佬们和专家们聚在这里，坐着一起聊经济、谈合作，商量怎么把亚洲发展得更好。

所以每年面对不同的全球性挑战，以及科技发展趋势，博鳌亚洲论坛都会有一些新的议题。

那对于我们科技媒体来说，当然还是更加关心年会上的科技议题了。

在这方面，vivo 每年都会在博鳌论坛上给大家带来创新产品，分享科技战略，比如去年他们就展示了 MR 头显、6G 等领域的新技术，并宣布进军机器人赛道。

而今年 vivo 又展示了新的战略规划，其中让我印象最深刻的还是 vivo 总裁胡柏山在会上的讲话 :

AI 想要真正从虚拟世界走进现实，就必须要能够做到主动感知和理解我们所在的这个世界，而想要建立起这种能看懂物理世界的感知能力，影像是一切的基石。

差评君翻译下来，就是别管是能打醉拳、翻跟斗的机器人，还是 OpenClaw 引发的养虾热潮，AI 跟世界交互才刚刚开始。

" 不儿，这真的是因为蓝厂在影像上已经建立起优势，才这么说的吗？"

带着这个疑问，差评君在会后的媒体群访环节跟胡柏山聊了聊，总算是把这话题给聊透了，那咱们今天就顺着他的话，唠唠 vivo 的 " 影像 + AI " 大棋。

现场大家问了胡柏山很多问题，但总结下来，最核心的就两点：

第一，在咱们消费者这里，率先实现 AI 落地的肯定是手机，而手机的未来，是从现在的 Smart Phone（智能手机）变成 Agent Phone（智能体手机）。

虽然现在各种 AI 硬件层出不穷，什么 AI 眼镜、AI 录音笔等等，但没有哪个设备能比手机更加普及，并且离人更近——你想想，手机 24 小时不离身，还能联动周边的一系列生态，天生就是做 AI 落地的载体。

当然，目前手机的处理器算力和内存带宽来说，想要跑大参数的模型还是有瓶颈的，所以 vivo 选择聚焦端侧 AI，先让 AI 在手机上流畅地跑起来，用端侧 Agent 解决用户的场景痛点，把体验值拉升起来。

说到这点，差评君也在现场问了胡柏山对于之前 AI 手机的隐私权限风险怎么看，他的回答也蛮直接了当的，就是用户的隐私权限和数据应该归用户自己来管理，所以手机必须得做好端侧 AI，关键数据都跑在本地，大程度降低在云端泄露的风险。

还有对于手机 AI 如何调用第三方应用能力的问题，他表示还是需要通过像 MCP 这种统一的协议来做，在标准的接口范围内，把事情做的有边界。

第二，即便现在 Al 是行业的 " 流量密码 "，但是对于 vivo 来说，影像依旧是不变主角。Al 和影像不是谁替代谁，而是要融合起来，一起驱动智能生态的。

有点迷？那先来听听胡柏山透出的猛料，比如：

MR 头显的下一代要开始商业化；他们要把感知这条赛道做起来，把视觉和听觉这些感知能力整合到一起；以及 vivo 已经明确做聚焦室内场景的家用机器人了……等等等等，每一句话都透露了 vivo 接下来的大动作是围绕 " 影像 + AI " 的布局来的。

不管是演讲还是群访，蓝厂都在反复强调一个逻辑就是：没有影像，AI 在物理世界里就是 " 睁眼瞎 "。

怎么理解这句话呢？我给大家拆解一下。

首先，大家应该都知道，AI 其实是没有感知能力的，它懂语言，但它看不懂我们的世界。

对于大多数 AI 来说，你扔给它的照片本质上只是符号和统计规律，而告诉它这些信息都代表了什么的，在过去是成千上万的人工标注员，他们通过手工框选贴标签，告诉 AI 图片中的水杯、桌子、车辆、宠物猫狗长什么样。

不过这两年不一样了，AI 自动化标注起来了，那些低端、机械化的标注活儿，AI 自己就能搞定，只剩一些复杂的高端标注还需要人来做。行业趋势也从 " 靠人力堆数据 " 变成了 " AI + 精细化人工 "。

于是，现在你扔给 AI 一张图片，它基本可以给你描述清楚当中都有哪些东西，但是这并不代表它看见的东西，就是你所看见的。

因为它看到的其实是一张贴满了标签的二维平面，而不是你所认知的物理空间。

打个比方，你看到一瓶放在桌面上的水，你脑子里会知道它有重量，它要放在桌子上，它是否会滚动，它掉下来会是什么个运动状态——你之所以会这么想，并不是因为你识别出了这瓶水和桌子，而是因为你是知道这个物理世界是怎么运行的。

但是 AI 不会这样，它只会知道水瓶和桌子，以及水瓶应该是在桌子的上面而不是下面。

因为如此，去年 " AI 教母 " 李飞飞提出了空间智能这个概念，用 " 世界模型 " 让 AI 看懂物理世界，理解物体之间的空间关系、物理约束以及运动规律等等。

从目标来说，vivo 跟李飞飞所追求的是一样的，都是最终实现 AI 对于物理世界的感知——只不过 vivo 打算走一条更符合自身情况的路子，用影像来当 AI 在物理世界的感知器官。

为啥是影像呢？

咱们从数据采集方式来看，录音只有声音；传感器只有距离、亮度等信息，没有语义。只有影像能够把前面这两项给囊括进来，把三维的现实世界，给你变成 AI 能读懂的结构化信息。

而且过去这么多年手机厂商影像的飞速进步，带来了海量的技术和场景数据积淀，比如对于光线的计算、前后景分割、人像分割、拍摄视角识别、场景识别等等积累，对于 AI 感知物理世界都有所帮助——

因为之前有研究表明，拍摄角度不同、光线差异、或者是有人从镜头前方走过等情况，都会降低 AI 的识别准确度。

就像 vivo X300 Ultra 和 X300s 这回的影像 Agent，之所以能自动推荐拍摄参数，核心就是手机影像能精准识别拍摄对象、光线条件，再结合 AI 算法，帮我们省去手动调节的麻烦。

另外，我还刷到过有文章说，AI 之所以无法很好地理解物理世界，有一个很大的原因是真实数据不足所造成的训练缺口。

因为过去传统的方式是，用实验室捕捉到的数据来训练 AI，这些地方的灯光固定、实验者会穿特定着装，跟现实场景相去甚远。

而商业级和通用的影像训练资料很多是非标数据，也就是没有打上力学标签，会导致 AI 无法准确识别某个动作的力度。

从这点来说，手机影像的优势在于它更贴近普通人的日常生活，数据基本就是我们每天随手拍的场景。

比如清晨的阳光、路边的小吃、家里的宠物等等，你拍越多真实的日常场景喂给 AI ，AI 对于我们普通人的生活就理解得越精细，甚至可以在手机上复制一个你的数字生命。

而且由于 AI 是跑在端侧的，你也不用担心云端的隐私泄露问题。

而对于未来影像和 AI 的结合，胡柏山认为影像应该是具备多模态感知能力的智能感官，他原话是这么说的：

" 它不仅要识别 " 这是一只猫 "，更要理解：猫在沙发上跳跃的可能轨迹、下一秒可能打翻水杯的关联、以及它此刻慵懒的情绪。"

在 vivo 看来，AI 的感知能力应该是主动的，可以帮你观察环境亮度、空间的纵深、甚至人际的距离，如果未来的 AI 想要能和人进行很好的互动，那么前面这些就是必须要具备的。

举个很实在的例子：未来手机看到你在逛超市，就能推送优惠信息；看到你在开会，就能自动开启会议 Agent，帮你做会议纪要。这些场景，没有影像主动的实时感知，AI 根本无从下手。

聊到这里，咱们总算是把影像和 AI 感知能力之间的联系给唠明白了，而在听完博鳌的分享后，我也是回过味来了——

你们还记得不，2023 年胡柏山就透露过 vivo 会切入机器人赛道，并且还说：" 最适合做机器人的就是手机行业，甚至没有之一。"

现在来看，这些行业巨头看到的东西，跟我们普通人还是不太一样，当年胡柏山敢说这话，是因为影像积累的视觉感知能力，正是机器人 " 看懂世界 " 的关键，

而 vivo 要做的，就是把这种能力，延伸到手机之外的生态产品上。

他们的战略很清晰，就是以影像 + AI 为核心，构建感知系统，一边重塑手机，让手机变成更智能的 " 随身助理；一边布局 MR 头显、家庭机器人等生态设备，让感知能力覆盖更多场景。

胡柏山在群访现场剧透，机器人 LAB 现在还在梳理路径，会聚焦年轻人的生活场景，比如照顾宠物、收纳衣物，先从简单的场景入手，逐步迭代，不追求一步到位。

而且他们很清醒地认为，大模型未来会越来越同质化，真正的差异化在于场景数据——因为不同品牌聚焦的场景不同，积累的数据就不同，而影像正是获取这些差异化数据的核心。

就像特斯拉的 FSD 虽然开源部分技术了，但是最核心的代码和数据并没有公开，所以其他家也做不到跟特斯拉一样的体验，而 vivo 更聚焦场景数据，这也会成为自己的核心竞争力。

在这波 AI 的大浪潮里，每一家头部厂商都在为未来布局，但 vivo 没有盲目地跟风追 AI 热点，而是选择了在自己原有的影像长板基础上，去为 AI 打造感知能力，让 AI 在未来可以真正走进我们现实的生活中。

我们总说人类是 " 视觉动物 "，其实我们创造的智能体，未来也会是 " 视觉动物 " —— vivo 接下来想做的，就是好好打磨 AI 的这双 " 眼睛 "，用影像来给 AI 落地铺路架桥。

虽然目前我们还没看到最终的成果，但蓝厂是打算先从手机 - MR 头显 - 机器人的发展路径入手，用 " 沿途下蛋 " 的方式，不断产出阶段性的成果，这也让我们看到了未来更多的可能性。

撰文：粿条

编辑：米罗

美编：素描

图片、资料来源：

vivo

为什么 AI 能看到世界，却不懂世界？——一凡

它知道你在搬重物，但不知道你會受傷：想讓 AI 讀懂物理世界究竟多困難？—— Min

部分图片为 AI 生成