題圖｜視覺中國

這世界上已經沒有什么是手機廠商不能干的了。

3月25日，在今年的博鰲亞洲論壇上，vivo執行副總裁、首席運營官、中央研究院院長胡柏山宣布vivo“成立了機器人Lab，布局機器人賽道”。這家蟬聯四年中國市場手機份額第一的廠商，不僅要把AI代表的數字世界和機器人代表的物理世界連接起來，而且還把機器人放到了“手機的未來”這樣重要的戰略地位。

但是等一下。機器人，手機，未來？這有點兒遠了吧。

誠然，手機確實是當下最智能的生產力工具。機器人也承載了人們對于未來生產力發展的想象。不過，在造手機和造機器人之間，似乎并沒有什么必然聯系。

造手機的為什么要造機器人？甚至，手機廠商能造好機器人嗎？

然而，胡柏山卻認為手機廠商在機器人領域有巨大的發揮空間。甚至，讓機器人引爆市場，成為消費級產品的關鍵就在手機廠商手中。

尷尬：紅利與瓶頸同時到來

按照胡柏山的觀點，人工智能代表數字世界，機器人代表物理世界，這兩個世界之間有巨大的鴻溝。打個比方來說，就是要把《流浪地球》里的MOSS，具象化變成《終結者》里的T800，還有很長的路要走。當然，我們就算離MOSS也還很遠。

這確實是當下機器人產業的尷尬之處。

目前的機器人，更像是一具靈活的軀體。無論是工業還是服務業，機器人產品對外部世界的感知仍然受限于特定的工作環境，需要人的頻繁調教。實際上，即便當下最炙手可熱的機器人，也僅處于小腦剛發育，大腦不成熟的階段。

一言以蔽之，現階段的機器人們，最大的問題是“不太通人性”。具體表現有二：

一是人話聽不懂，情緒價值也給不到。

比如，在商場和機場這些嘈雜環境中，服務機器人語音識別準確率會下降至75%以下，而老年用戶因口音或方言導致的識別失敗率高達40%。在新聞報道中，用戶花了重金購回機器人，卻因為口音問題無法交流的例子比比皆是。

即便過了“語言關”，無法理解“把咖啡送到三樓會議室2號桌”這樣的連續目的性句子也是家常便飯。用這樣的識別精度去辨認人類感情就更難了。比如，日本軟銀Pepper機器人雖宣稱支持情感交互，但實際的表情識別準確率僅65%。一些大學的實驗室準確度或許在80%以上，但實測成績也會打較大折扣。

二是環境復雜了會“犯迷糊”。

工業機器人領域的情況要好些。因為工業機器人的位置普遍固定，物料也是按照規范擺放。但是，如果遇到物料散亂的場景，識別準確率也會大幅下降到60%到70%。

服務機器人這邊就不容樂觀了。因為要進入的環境不可控因素太多，人流或者復雜地形（即便對人類來說并不復雜）都會頻繁導致動作規劃偏差，嘈雜的環境會降低語音識別度，遮擋或者光線變換會降低視覺識別度。拜此所賜，我們能看到大量的機器人翻車搞笑視頻，這情緒價值倒是拉滿了。

所以有人說，目前的人形機器人還是“大玩具”也有一定道理。

求解：機器人究竟卡在哪兒了？

可以說，現在的機器人處于“能看”的階段，距離“能用”還有較大的距離，遑論滿足人們的期待了。

那機器人究竟卡在哪兒了？原因有很多，但最關鍵的是多模態感知技術的瓶頸。

須知，機器人與人類在感知方面幾乎是在兩個完全不同的世界。如果把看、聽、摸這些都算是“信號”的話。從單項能力來看，機器人通過傳感器能感知的比人類神經和細胞感知的要快得多，遠得多，廣得多。激光雷達能掃描200米遠，MEME麥克風能接收的聲波范圍是人類的5倍，電容式傳感器的微小壓力精度是人類的10倍。

同時，不幸（或許也是萬幸）的是，機器人即便能感知信號，也沒有神經網絡。因此，在整合信號形成認知，然后再根據認知做出決策方面，機器人的能力與人類大腦相去甚遠。因此，即便有的機器人已經能唱跳武打，卻仍然需要配一個人類“保姆”外加遙控器。

而把這些所有的信號整合在一起的能力，就是多模態感知能力。

因此，機器人總看起來一副憨憨的樣子。而為了能讓機器人更像人類，包括OpenAI、DeepSeek、三星、蘋果和vivo，都開始研究提升機器人的多模態感知能力。可以說，這是一道機器人產業發展的必答題。

問題是，找到題目后，人們發現也不是“干就完了”那么簡單。因為，機器人本身是研發與制造業，現在又涉及了AI、感知技術和消費者需求洞察，不是純文也不是純理，而是一個“大綜合”。

“拔劍四顧心茫然”，能湊齊上面所有技術能力的企業，好像也只有手機廠商了。

卡位：手機廠商的優勢水到渠成

在今年的博鰲論壇上，vivo在宣布進軍機器人行業的同時，提出了“成為橋梁”的理念。

vivo執行副總裁、首席運營官、中央研究院院長胡柏山

什么是“成為橋梁”？事實上，vivo已經在手機領域演示過一次。作為當今智能化程度最高的生產力工具，手機本身就是數字世界和物理世界最大的橋梁。vivo是手機品牌中當之無愧的第一梯隊，連續四年蟬聯中國手機市場占有率第一的品牌。在登頂手機市場的過程中，vivo已經形成了一套理解需求，技術突破，滿足場景的成熟方法論。

如今，在機器人領域，只需將方法論平移即可。

從技術實力上看，vivo是目前少有的精于感知技術，還有AI能力，又深耕制造業的廠商。而這些技術恰是機器人領域所需要的：

一是感知技術，也就是混合現實能力。vivo研發的vivo看見、vivo聽說等功能，已經成功讓視障和聽障患者借助手機感知到世界真實的樣子。而在vivo的武器庫中，還有更多的技術儲備。

比如VCS仿生光譜技術能夠模仿人眼的光譜響應曲線，1英寸超大底傳感器能夠實現毫米級環境建模精度。而SLAM空間計算技術則能以每秒30幀的速度，以低于2%的低誤差實時生成三維地圖。有了這些技術，機器人看世界就能盡量像人眼一樣看色彩，辨方位。

二是AI能力。vivo藍心大模型高達92%的多模態識別準確率也是機器人所需要的。更重要的是，藍心大模型的AI訓練數據直接來源于5億用戶的真實交互場景，涵蓋了方言指令、嘈雜環境下的語音樣本以及家庭場景的視覺數據。謝天謝地，用戶不需要再過“語言關”了。

不僅如此，手機廠商的AI直接嵌入手機應用的各種場景，是直接服務用戶的AI，自然也最懂消費者。這使得vivo擁有讓機器人精準執行復雜指令的能力。比如“先點杯咖啡再送到三樓”。甚至，因為擁有眾多場景，還可以預判用戶的需求，先問一句“coffee or tea？”

上面的兩大能力結合，已經基本保證vivo出手的機器人會擁有發育健全的大腦。擁有比較高的技術上限。

在此之外，手機廠的供應鏈話語權優勢不可小覷。這意味著更精密的組裝，更快速地落地，更大規模的制造。同時，vivo強調，自己要聚焦于機器人的“眼睛和大腦”，主攻消費級市場，研發個人和家庭場景的機器人產品，回歸場景，解決痛點，迭代產品，而身子、手臂則是交給合作伙伴來完成。這也體現了vivo作為產業鏈鏈主企業的格局。

而所有這一切，都推向一個結果：手機廠商是把機器人產業帶入消費級產品時代的最佳選擇。

尾聲：未來還有多遠？

或許，3～5年后，我們會看到能力完全超越現有機器人的原型機。并且，在這個過程中，應該也會不斷有新的驚喜出現。

當然，這個過程注定不會過于順利，但卻值得我們為之期待。

而我們期待的，或許是繼手機和電腦之后的終極效率機器；或許是來自硅基世界的智能伙伴；又或許只是對科學幻想的印證……只要想到前方或許又是一個人類科技史上的“iPhone”時刻，這期待本身就已足夠有趣。

本內容為作者獨立觀點，不代表虎嗅立場。未經允許不得轉載，授權事宜請聯系 hezuo@huxiu.com

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4164512.html?f=wyxwapp