当前的大模型无疑是专家，也是大师。OpenAI的GPT系列、谷歌的Gemini、微软的Copilot，在语言理解、内容生成、逻辑推理上不断刷新上限。但胡柏山在演讲中提出了一个核心观点：没有感知能力，AI就像是困在黑屋子里的“大师”，算力再强，也看不见咫尺之外的世界。

这句话值得反复咀嚼。

算力层面的竞争，本质上是资本和工程能力的竞争。更大规模的参数、更多的训练数据、更先进的芯片，这些固然可以构筑短期的技术壁垒，但长期来看，算力一定会走向同质化。真正能让一个智能设备“懂你”的，是它对这个世界的感知能力。

而感知能力的关键，在于影像。

影像技术通过光学系统、成像处理、空间计算等全链路能力，完成了物理世界的数字化投射与三维场景重建。它是AI看懂物理世界、理解真实场景，进而感知情绪、预测行动的基础。

“在物理世界，没有影像，AI是失明的天才；没有AI，影像是沉默的记录。当两者相遇，天才有了眼睛，记录有了灵魂。”胡柏山认为，当前的大模型利用的是过去积累的数字资产，但这些资产并不能解决我们对当前物理世界认知的能力。

一个直观的对比是：当前的大模型能写出关于“猫”的百科式描述，却无法理解猫在沙发上跳跃的可能轨迹，无法预判它下一秒可能打翻水杯的关联，更无法感知它此刻慵懒的情绪。

原因很简单，AI没有“看见”。

这似乎也解释了为什么苹果要持续投入计算摄影和空间感知，为什么谷歌会在Gemini模型基础上，疯狂尝试“智能体视觉”，为什么微软和OpenAI正在探索将视觉能力作为下一代多模态模型的核心方向。因为他们可能也意识到了：AI下半场的决胜点，在于对物理世界的感知与理解。

而感知体系的建立，影像是最自然的入口。

胡柏山在演讲中分享的两个真实故事，让这个技术判断有了人性的温度。宝哥带着导盲犬阿尔法和一部vivo手机环游中国，“vivo看见”帮他记住了每个人的样子；诺子站在冰岛的冰河湖旁，手机里的AI为她描述湖面漂浮的冰块、拍照的游客和远处飞过的海鸟。

这是影像感知世界最美好的表达，也是为什么vivo要把影像拔高到决定AI未来的战略高度，因为只有看见世界，才能改变世界。

“影像＋AI”，vivo将构建完整感知体系

战略判断之后，就是落地路径。

基于“影像+AI”的双核驱动，vivo正在构建一套完整的感知体系。胡柏山在演讲中明确了两个方向：重塑手机，和智及万物。

先看第一个方向：重塑手机。

下周一即将发布的vivo X300 Ultra和X300s，将搭载具备场景识别能力的影像Agent，根据对环境的理解，为用户推荐最佳构图与个性化功能，让人人都能一键出大片。这意味着拍照不再是被动的记录，而是主动的感知与辅助。

这还只是起点。未来vivo折叠旗舰X Fold系列将重点布局办公、出行Agent，开会时默默记录，出差时主动规划航班、天气、酒店；性能旗舰iQOO系列则聚焦游戏Agent，自动优化性能、录制高光时刻。

胡柏山判断，手机将从现在的Smart Phone进化为Agent Phone。它不再是被动等待指令的工具，而是一个能看见、能思考、能行动的“数字伙伴”。从vivo目前透露的AI Agent规划，我们可以看到vivo正在用AI放大手机的差异化体验，在未来，这些可以记住每一个用户个性化特征和习惯的Agent，会和留住记忆的影像一起，组成每个人专属的“数字DNA”。

“要把手机变成增量市场，手机整个体验必须要有很大的突破和变化才行。所以，从Smart phone变成Agent phone，就是要把存量市场变成增量市场，但是在增量市场里面我们还是要继续把影像、游戏作为长板。”胡柏山说道。

再看第二个方向：智及万物。

去年，vivo成立了机器人Lab。很多人好奇：一家手机厂商为什么要做机器人和混合现实头显？胡柏山的回答是：回归本原——视觉是所有智能设备最自然的第一感知方式。