當(dāng)算力開始同質(zhì)化，感知才是真正的護(hù)城河。

作者｜張勇毅

編輯｜靖宇

失明九年的寶哥，把手機(jī)舉向南澳漁船上的陌生人。

他什么都看不見。但耳機(jī)里傳來了 AI 的聲音：「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。」

這是 vivo 總裁、首席運(yùn)營官，vivo 中央研究院院長胡柏山在今年博鰲現(xiàn)場(chǎng)的演講中提到的一個(gè)故事。

vivo 總裁胡柏山 ｜ 圖片來源：vivo

在這個(gè)用戶使用場(chǎng)景中，手機(jī)替他看見了世界。不是「拍了一張照片」，而是真正地看見——識(shí)別出了一個(gè)人，讀出了他的姿勢(shì)、表情和穿著，然后把這一切翻譯成寶哥能接收的信號(hào)。這是一臺(tái)手機(jī)在做的事，2025 年，在一艘普通的漁船上。

這件事讓我重新想了一個(gè)問題：AI 發(fā)展這么多年，為什么感知物理世界的能力還這么初級(jí)？

OpenClaw 火了，機(jī)器人打醉拳、翻跟斗上了春晚，人們開始說「科幻走進(jìn)了現(xiàn)實(shí)」。但胡柏山不這么看。在他眼里，這兩件事之間有一道真實(shí)的鴻溝——具身智能機(jī)器人活在物理世界，OpenClaw 這類 AI 活在數(shù)字世界，而連接兩者的那座橋，目前幾乎還不存在。

他給這座橋「起」了一個(gè)名字：感知。

今年博鰲論壇，胡柏山上臺(tái)拋出了一個(gè)在 AI 滿天飛的 2026 博鰲現(xiàn)場(chǎng)，一個(gè)頗為獨(dú)特判斷——

vivo 總裁胡柏山在博鰲 2026 年會(huì)現(xiàn)場(chǎng)演講 ｜ 圖片來源：vivo

算力會(huì)被同質(zhì)化，感知才是護(hù)城河。真正能讓一個(gè)智能設(shè)備『懂你』的，是它對(duì)這個(gè)世界的感知能力。

這句話背后，是 vivo 近千人的 AI 團(tuán)隊(duì)在十年探索中得來的階段性判斷。

01

AI 的真正盲區(qū)，不在算力，在感知

先說一個(gè)容易被忽略的事實(shí)：人類 60% 到 70% 的感知來自視覺，10% 到 20% 來自聽覺，剩下才是觸覺、溫度這些。我們所有關(guān)于「理解世界」的能力，絕大多數(shù)建立在「先看見」這個(gè)前提上。

現(xiàn)在的大模型，用的是互聯(lián)網(wǎng)上積累了幾十年的數(shù)字資產(chǎn)——文字、圖片、視頻。它能寫代碼、能生成方案、能回答幾乎所有你能用語言描述的問題。但有一件事它做不到：感知此刻正在你面前發(fā)生的事情。

這不是算力不夠，是結(jié)構(gòu)上缺了一環(huán)。

這里有一個(gè)很多人會(huì)提的反駁：GPT-4o 不是已經(jīng)有了多模態(tài)能力嗎？把照片發(fā)給它，它不就「看見了」？

這個(gè)反駁看起來很有力。但有一個(gè)關(guān)鍵的區(qū)別——那是「你主動(dòng)上傳、然后等待云端處理」的過程，延遲是秒級(jí)的，而且每一次感知都需要一次網(wǎng)絡(luò)往返。胡柏山說的感知，是另一種形態(tài)：端側(cè)實(shí)時(shí)的、主動(dòng)的、持續(xù)的。

就像你不需要拍照給大腦看、大腦才能處理視覺信號(hào)一樣。感知應(yīng)該是實(shí)時(shí)發(fā)生的，不是「發(fā)送—等待—接收」的任務(wù)。

胡柏山在采訪中說了一句話，我覺得最準(zhǔn)確地定義了這個(gè)問題：

沒有感知能力，AI 就像是困在黑屋子里的大師，算力再強(qiáng)，也看不見咫尺之外的世界。

這不是詩意，是一個(gè)工程問題的精確描述。大模型再強(qiáng)，如果缺乏對(duì)當(dāng)前物理世界的實(shí)時(shí)感知，它的「聰明」就只能在被動(dòng)觸發(fā)的那一刻才得以釋放，其余時(shí)間，它對(duì)你身邊發(fā)生的一切一無所知。

這是為什么 vivo 今年在內(nèi)部正式成立了一級(jí)技術(shù)支撐賽道—「感知賽道」——把視覺、聽覺、觸覺等多模態(tài)感知，通過傳感器結(jié)合感知大模型，統(tǒng)一轉(zhuǎn)化為設(shè)備可以理解的物理世界信號(hào)。

更關(guān)鍵的判斷在后面——大模型之間的差異，未來可能沒有那么大；但感知數(shù)據(jù)，是有真實(shí)差異化的。

面對(duì)不同物理場(chǎng)景積累下來的，是不同的場(chǎng)景數(shù)據(jù)。做家庭機(jī)器人的積累室內(nèi)環(huán)境數(shù)據(jù)，做手機(jī)影像的積累億萬用戶在真實(shí)生活里留下的視覺信號(hào)。誰的場(chǎng)景數(shù)據(jù)更豐富、更準(zhǔn)確，誰的智能體驗(yàn)就更好。這是胡柏山對(duì)「感知護(hù)城河」的具體解釋，也是為什么他認(rèn)為這條賽道「五年、十年甚至更長」都值得持續(xù)押注。

但判斷是判斷。vivo 手里有什么？準(zhǔn)備怎么做？

02

影像，就是AI的眼睛

我第一次聽到「沒有影像，AI 是失明的天才」這句話，感覺有點(diǎn)像公關(guān)稿里的比喻。但仔細(xì)想了想，這其實(shí)是一個(gè)挺精準(zhǔn)的工程判斷。

影像技術(shù)的本質(zhì)，是完成物理世界的數(shù)字化投射——通過光學(xué)系統(tǒng)、成像處理和空間計(jì)算，把光影、空間、表情、動(dòng)作全部轉(zhuǎn)化成 AI 可以處理的數(shù)字信號(hào)。vivo 做了快十年的影像大模型算法，積累的正是這套轉(zhuǎn)化能力。

有意思的是，vivo 的影像領(lǐng)先，和大多數(shù)人想象的路徑不太一樣。胡柏山說，他們的影像目前在行業(yè)里領(lǐng)先幅度比較大，關(guān)鍵原因在于：算法是大模型算法，但模組是針對(duì)這套算法定制做過硬件開發(fā)的。軟硬結(jié)合，才是真正難被復(fù)制的部分。「硬件上的鏡頭、模組、馬達(dá)，容易被復(fù)制；但算法與認(rèn)知強(qiáng)相關(guān)，對(duì)手很難快速跟上。」

這個(gè)邏輯，同樣適用于感知賽道。

所以，接下來發(fā)布的 vivo X300 Ultra 和 X300s，搭載了第一代「影像 Agent」。胡柏山描述了一個(gè)具體的使用場(chǎng)景，我覺得比任何功能說明都講得清楚：

博鰲現(xiàn)場(chǎng)攝影師使用 X300Ultra 攝影 ｜ 圖片來源：vivo

過去拍照，長焦和微距在不同模式下呈現(xiàn)效果差異很大，用戶要提前手動(dòng)切換——但大多數(shù)人根本不知道要提前選。影像 Agent 上線后，它會(huì)根據(jù)拍攝對(duì)象、光線和距離，自動(dòng)彈出「它認(rèn)為最佳的呈現(xiàn)效果」，用戶點(diǎn)一下就完成了。

隨便都能出片。人人都是攝影師。

這聽起來像一個(gè)聰明的相機(jī)助手。但胡柏山想說的比這大——這是手機(jī)從被動(dòng)工具向「數(shù)字伙伴」進(jìn)化的第一步。

按他的規(guī)劃，不同產(chǎn)品線對(duì)應(yīng)不同的 Agent 能力。折疊旗艦 X Fold 系列主打辦公和出行——開會(huì)時(shí)默默記錄，出差時(shí)主動(dòng)規(guī)劃航班和酒店；iQOO 系列聚焦游戲 Agent，自動(dòng)優(yōu)化性能，抓住高光時(shí)刻；相冊(cè) Agent 在 X300 Ultra 上已經(jīng)初步落地，能快速編輯剪輯。采訪時(shí)他隨口說了一句：「本來回去要做兩小時(shí)，結(jié)果二十分鐘就搞定了。」

作為一個(gè)經(jīng)常要在采訪后馬上趕稿的人，這里不得不說，確實(shí)讓我心動(dòng)了一下。

技術(shù)路徑上，vivo 的選擇是聚焦端側(cè)。原因不復(fù)雜：端側(cè)能做到云端做不到的事——實(shí)時(shí)感知周邊環(huán)境，不依賴網(wǎng)絡(luò)往返，隱私數(shù)據(jù)留在本地。但端側(cè)有硬件瓶頸，算力和帶寬雙重限制。

為此，vivo 兩年前就開始和合作伙伴一起定制專用算力芯片，計(jì)劃在后續(xù)旗艦產(chǎn)品中上線。旗艦機(jī)配專用芯片、端側(cè)能力全開；中端靠 SoC 加云側(cè)補(bǔ)充；其他產(chǎn)品以云側(cè)為主。分級(jí)是真實(shí)的，不是隨便說說的。

關(guān)于數(shù)據(jù)和隱私，胡柏山說了一句讓我印象深的話：「懂用戶、知人心，但不越邊界——這是技術(shù)的倫理，更是 vivo 不可逾越的底線。」

這里有一個(gè)具體的設(shè)計(jì)選擇值得說：vivo 做的 Agent，所有關(guān)鍵用戶數(shù)據(jù)存在本地，換手機(jī)時(shí)，這些數(shù)據(jù)可以整體遷移——「用戶不需要和手機(jī)重新建立認(rèn)知」。這跟 OpenClaw 這類產(chǎn)品有一個(gè)本質(zhì)區(qū)別，云端 AI 的數(shù)據(jù)用完就散，你的手機(jī) Agent 卻在積累真正屬于你的東西。

他把這個(gè)東西叫「數(shù)字 DNA」——影像留住的是記憶，Agent 學(xué)習(xí)的是習(xí)慣，兩者融合形成的是一份獨(dú)一無二的「?jìng)€(gè)人資產(chǎn)」。聽起來有點(diǎn)科幻，但底層邏輯是實(shí)在的。

手機(jī)這條線，走得相對(duì)清晰。但 vivo 押的不只是手機(jī)。

03

從手機(jī)到機(jī)器人：這條路有多難走

去年，vivo 成立了機(jī)器人 Lab。

很多人的第一反應(yīng)是：手機(jī)公司做機(jī)器人，是不是有點(diǎn)想多了？

這個(gè)質(zhì)疑乍看挺有道理的。家電廠商做機(jī)器人有協(xié)同邏輯，互聯(lián)網(wǎng)公司做機(jī)器人有數(shù)據(jù)邏輯，手機(jī)公司做機(jī)器人，憑什么？

胡柏山的回答是：「這是回歸本原。視覺是所有智能設(shè)備最自然的第一感知方式。」手機(jī)做了多年影像，本質(zhì)上積累的就是這套感知能力——只是現(xiàn)在要把它延伸到另一個(gè)形態(tài)上。

但他說得也很清楚：機(jī)器人不是手機(jī)的迭代，是從零開始。2026 年，vivo 機(jī)器人 Lab 最重要的任務(wù)，是把整條路徑想清楚——目標(biāo)用戶是誰，解決什么場(chǎng)景問題，關(guān)鍵技術(shù)什么時(shí)候能成熟到可以落地。

方向上，vivo 準(zhǔn)備先聚焦年輕用戶。策略上，他們不打算上來就做「全場(chǎng)景通用機(jī)器人」，而是「沿途下蛋」——先把容錯(cuò)率高、技術(shù)上能搞定的場(chǎng)景做到六七十分，比如寵物喂養(yǎng)或收納整理，然后讓能力自然泛化。

「一開始就做通用場(chǎng)景的機(jī)器人不現(xiàn)實(shí)，」胡柏山說，「場(chǎng)景數(shù)據(jù)是逐步積累的。比如機(jī)器人把雞蛋百分之百打成功，十年之內(nèi)都很難做到。但收納的容錯(cuò)性就高很多，夾緊一點(diǎn)或松一點(diǎn)都沒事。先聚焦這類場(chǎng)景，把體驗(yàn)做好再說。」

手機(jī)和機(jī)器人之間，他也給出了一個(gè)具體的協(xié)同設(shè)想：

一開始，機(jī)器人能力有限，干不好的事情由手機(jī)來遙控補(bǔ)位。就像駕駛一樣，一開始全靠人介入，場(chǎng)景數(shù)據(jù)積累多了，才慢慢可以自己來。「手機(jī)是最懂你的隨身助理，你所有的習(xí)慣、偏好都在里面。機(jī)器人剛開始能力不夠的事，由手機(jī)來幫它補(bǔ)——兩者之間數(shù)據(jù)是打通的。」

這是一條務(wù)實(shí)的路，不是一個(gè)大餅。

MR 頭顯那邊，已經(jīng)有了實(shí)物。2025 年 8 月，vivo Vision 混合現(xiàn)實(shí)頭顯探索版發(fā)布，國內(nèi) 28 家體驗(yàn)店上架，東南亞同步開放，體驗(yàn)人數(shù)超過五萬。胡柏山說，下一代的目標(biāo)是商業(yè)化，時(shí)間窗口是 2027 年下半年到 2028 年初。「這一代站在探索的角度，已經(jīng)達(dá)到了它的使命。下一步要搞清楚卡商業(yè)化脖子的那個(gè)技術(shù)環(huán)節(jié)，把它攻克掉。」

感知賽道的投入邏輯，他說得很直白：「我們所謂的長賽道，是指天花板比較高的。一開始是小團(tuán)隊(duì)先建立認(rèn)知，認(rèn)知到了才加油門，不希望一腳油門一腳剎車——那樣對(duì)組織傷害太大。我們公司這么多年公司組織架構(gòu)相對(duì)穩(wěn)定，就是因?yàn)槲覀兛刂坪昧送度氲暮侠硇裕菪缴仙皇遣ɡ耸角斑M(jìn)。」

這句話背后有一個(gè)判斷：感知賽道不會(huì)是短期爆發(fā)、快速見頂?shù)哪欠N，而是五年十年持續(xù)有價(jià)值的長坡厚雪。跟 vivo 做了十幾年的通信研究院邏輯一樣——先種因，認(rèn)知到位了再加速。

博鰲采訪結(jié)束的時(shí)候，我又想到了胡柏山故事中的那個(gè)寶哥。

他在南澳漁船上舉起手機(jī)，AI 告訴他面前的朋友在微笑。那個(gè)場(chǎng)景里，技術(shù)做的事情很簡單——把光信號(hào)轉(zhuǎn)化成語言信號(hào)。但對(duì)寶哥來說，那是他九年來第一次「看見」一個(gè)新朋友的樣子。

胡柏山說，「科技的高度，終須回歸人的尺度。」我越來越覺得這句話不是漂亮話，而是一個(gè)做產(chǎn)品的人經(jīng)過很長時(shí)間才想清楚的一件事。

算力會(huì)同質(zhì)化。模型會(huì)趨同。但那個(gè)決定「你的手機(jī)到底有多懂你」的東西——它對(duì)物理世界的感知深度，它積累的關(guān)于你這個(gè)人的場(chǎng)景數(shù)據(jù)——那個(gè)東西，是不一樣的。

也許這就是 vivo 押注的答案。

vivo 在博鰲 2026 現(xiàn)場(chǎng)展臺(tái) ｜ 圖片來源：vivo

也許還不是。

但至少有一件事是確定的：下一代智能終端的戰(zhàn)場(chǎng)，不會(huì)只在參數(shù)表上。

*頭圖來源：vivo博鰲

極客一問

你覺得，決定下一代 AI 終端體驗(yàn)上限的，是模型參數(shù)，還是感知物理世界的能力？