大模型卷算力，vivo 悄悄押注了「看懂世界」

當算力開始同質(zhì)化，感知才是真正的護城河。

作者｜張勇毅

編輯｜靖宇

失明九年的寶哥，把手機舉向南澳漁船上的陌生人。

他什么都看不見。但耳機里傳來了 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?！?/p>

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

vivo 總裁胡柏山 ｜ 圖片來源：vivo

在這個用戶使用場景中，手機替他看見了世界。不是「拍了一張照片」，而是真正地看見——識別出了一個人，讀出了他的姿勢、表情和穿著，然后把這一切翻譯成寶哥能接收的信號。這是一臺手機在做的事，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？

OpenClaw 火了，機器人打醉拳、翻跟斗上了春晚，人們開始說「科幻走進了現(xiàn)實」。但胡柏山不這么看。在他眼里，這兩件事之間有一道真實的鴻溝——具身智能機器人活在物理世界，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」了一個名字：感知。

今年博鰲論壇，胡柏山上臺拋出了一個在 AI 滿天飛的 2026 博鰲現(xiàn)場，一個頗為獨特判斷——

vivo 總裁胡柏山在博鰲 2026 年會現(xiàn)場演講 ｜ 圖片來源：vivo

算力會被同質(zhì)化，感知才是護城河。真正能讓一個智能設備『懂你』的，是它對這個世界的感知能力。

這句話背后，是 vivo 近千人的 AI 團隊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

先說一個容易被忽略的事實：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。我們所有關于「理解世界」的能力，絕大多數(shù)建立在「先看見」這個前提上。

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，是結構上缺了一環(huán)。

這里有一個很多人會提的反駁：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」？

這個反駁看起來很有力。但有一個關鍵的區(qū)別——那是「你主動上傳、然后等待云端處理」的過程，延遲是秒級的，而且每一次感知都需要一次網(wǎng)絡往返。胡柏山說的感知，是另一種形態(tài)：端側(cè)實時的、主動的、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一樣。感知應該是實時發(fā)生的，不是「發(fā)送—等待—接收」的任務。

胡柏山在采訪中說了一句話，我覺得最準確地定義了這個問題：

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

這不是詩意，是一個工程問題的精確描述。大模型再強，如果缺乏對當前物理世界的實時感知，它的「聰明」就只能在被動觸發(fā)的那一刻才得以釋放，其余時間，它對你身邊發(fā)生的一切一無所知。

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

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

面對不同物理場景積累下來的，是不同的場景數(shù)據(jù)。做家庭機器人的積累室內(nèi)環(huán)境數(shù)據(jù)，做手機影像的積累億萬用戶在真實生活里留下的視覺信號。誰的場景數(shù)據(jù)更豐富、更準確，誰的智能體驗就更好。這是胡柏山對「感知護城河」的具體解釋，也是為什么他認為這條賽道「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，感覺有點像公關稿里的比喻。但仔細想了想，這其實是一個挺精準的工程判斷。

影像技術的本質(zhì)，是完成物理世界的數(shù)字化投射——通過光學系統(tǒng)、成像處理和空間計算，把光影、空間、表情、動作全部轉(zhuǎn)化成 AI 可以處理的數(shù)字信號。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)里領先幅度比較大，關鍵原因在于：算法是大模型算法，但模組是針對這套算法定制做過硬件開發(fā)的。軟硬結合，才是真正難被復制的部分?！赣布系溺R頭、模組、馬達，容易被復制；但算法與認知強相關，對手很難快速跟上?！?/p>

這個邏輯，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」。胡柏山描述了一個具體的使用場景，我覺得比任何功能說明都講得清楚：

博鰲現(xiàn)場攝影師使用 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，它會根據(jù)拍攝對象、光線和距離，自動彈出「它認為最佳的呈現(xiàn)效果」，用戶點一下就完成了。

隨便都能出片。人人都是攝影師。

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

按他的規(guī)劃，不同產(chǎn)品線對應不同的 Agent 能力。折疊旗艦 X Fold 系列主打辦公和出行——開會時默默記錄，出差時主動規(guī)劃航班和酒店；iQOO 系列聚焦游戲 Agent，自動優(yōu)化性能，抓住高光時刻；相冊 Agent 在 X300 Ultra 上已經(jīng)初步落地，能快速編輯剪輯。采訪時他隨口說了一句：「本來回去要做兩小時，結果二十分鐘就搞定了?！?/p>

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

技術路徑上，vivo 的選擇是聚焦端側(cè)。原因不復雜：端側(cè)能做到云端做不到的事——實時感知周邊環(huán)境，不依賴網(wǎng)絡往返，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，計劃在后續(xù)旗艦產(chǎn)品中上線。旗艦機配專用芯片、端側(cè)能力全開；中端靠 SoC 加云側(cè)補充；其他產(chǎn)品以云側(cè)為主。分級是真實的，不是隨便說說的。

關于數(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——這是技術的倫理，更是 vivo 不可逾越的底線?！?/strong>

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

他把這個東西叫「數(shù)字 DNA」——影像留住的是記憶，Agent 學習的是習慣，兩者融合形成的是一份獨一無二的「個人資產(chǎn)」。聽起來有點科幻，但底層邏輯是實在的。

手機這條線，走得相對清晰。但 vivo 押的不只是手機。

03

從手機到機器人：這條路有多難走

去年，vivo 成立了機器人 Lab。

很多人的第一反應是：手機公司做機器人，是不是有點想多了？

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

胡柏山的回答是：「這是回歸本原。視覺是所有智能設備最自然的第一感知方式?！故謾C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形態(tài)上。

但他說得也很清楚：機器人不是手機的迭代，是從零開始。2026 年，vivo 機器人 Lab 最重要的任務，是把整條路徑想清楚——目標用戶是誰，解決什么場景問題，關鍵技術什么時候能成熟到可以落地。

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

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

手機和機器人之間，他也給出了一個具體的協(xié)同設想：

一開始，機器人能力有限，干不好的事情由手機來遙控補位。就像駕駛一樣，一開始全靠人介入，場景數(shù)據(jù)積累多了，才慢慢可以自己來?！甘謾C是最懂你的隨身助理，你所有的習慣、偏好都在里面。機器人剛開始能力不夠的事，由手機來幫它補——兩者之間數(shù)據(jù)是打通的?！?/p>

這是一條務實的路，不是一個大餅。

MR 頭顯那邊，已經(jīng)有了實物。2025 年 8 月，vivo Vision 混合現(xiàn)實頭顯探索版發(fā)布，國內(nèi) 28 家體驗店上架，東南亞同步開放，體驗人數(shù)超過五萬。胡柏山說，下一代的目標是商業(yè)化，時間窗口是 2027 年下半年到 2028 年初?！高@一代站在探索的角度，已經(jīng)達到了它的使命。下一步要搞清楚卡商業(yè)化脖子的那個技術環(huán)節(jié)，把它攻克掉?！?/p>

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。一開始是小團隊先建立認知，認知到了才加油門，不希望一腳油門一腳剎車——那樣對組織傷害太大。我們公司這么多年公司組織架構相對穩(wěn)定，就是因為我們控制好了投入的合理性，螺旋式上升，不是波浪式前進?！?/p>

這句話背后有一個判斷：感知賽道不會是短期爆發(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，認知到位了再加速。

博鰲采訪結束的時候，我又想到了胡柏山故事中的那個寶哥。

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

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，而是一個做產(chǎn)品的人經(jīng)過很長時間才想清楚的一件事。

算力會同質(zhì)化。模型會趨同。但那個決定「你的手機到底有多懂你」的東西——它對物理世界的感知深度，它積累的關于你這個人的場景數(shù)據(jù)——那個東西，是不一樣的。

也許這就是 vivo 押注的答案。

vivo 在博鰲 2026 現(xiàn)場展臺 ｜ 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，不會只在參數(shù)表上。

*頭圖來源：vivo博鰲

極客一問

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