和vivo总裁聊了聊，我对影像的理解太浅了差评

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。