质朴发言：AI Native 硬件：端侧 AI 革新将至｜Z 沙龙第 7 期

质朴发言：AI Native 硬件：端侧 AI 革新将至｜Z 沙龙第 7 期 质朴发言：AI Native 硬件：端侧 AI 革新将至｜Z 沙龙第 7 期 Modified April 9, 2024 投资人回答： 建议较大，国人做形态性的创新很难，历史上国人在形态创新上面，新形态品类的创新里面基本上没有成功的先例。所有成功的公司基本都属于在现有品类上增强这一类。 因为今天这个地方肯定是相对新品类的，Xreal、Rokid 等等，其实在整个全球市场市占率不错。 而这个品类其实就是已经被别人发明了，或者至少有人做出了原型。换个角度想，即使是 Hinton，他也不是最开始提出人工智能人，而谁把他发扬光大了？这个很重要。 这个我就想说，品类从无到有，这个事情中国团队做的少一点，但是我觉得更重要的是谁能把它做大。所以这个逻辑就回到了如果我们在讨论谁能做大，我更 care 谁能做大。 从 0 到 1 做的事情的难度非常大，比如说迪斯尼最近推出的乐园巡游机器人，非常酷炫。我认为在那种表现力的角度来讲，从那种表现力的角度来讲，应该是独一无二的。 但像这种团队在中国其实挺难的，为了做这个，不光是一群机器人的 research，还有很多迪斯尼的动画师参与设计。这能力可能对于中国创业团队，哪怕大厂，都是很难的。 背景补充 Disney Robot 迪士尼团队自主研发了一套强化学习系统，使得机器人能够在行走过程中保持动态平衡，使机器人能够更自如地移动和适应复杂环境。为了让机器人更人性化，迪士尼还邀请了动画师将动画角色用动作表现情感的方式应用到了机器人身上，使其能用肢体语言和表情来表达喜怒哀乐等情绪。 从结果来看，中国很多公司，包括大疆、石头、云鲸等，实际上是在那个品类已经出现了，玩家已经定义了产品，你是在这个产品的基础上 significantly 做工程上的增强； 例如大疆的第一代产品就比当时市场上其他的，像那个英国的那个消费级无人机自选业务，无人机要做得更加稳定、更加好，它并不是说这个从 0 到 1 的创新品。 所以中国的很多公司因为执行力、工程能力做得好而成功的。开创全新品类的公司其实不多。绘本阅读机就是一个全新品类的事情，之前的确无人做过，我是很 respect 的。 创业者回应： 人才这个事情有不一样的看法，我认为中国现在一定是有这样的产品经理和设计师的。原因在于这是一个历史的发展阶段，我们在之前要先解决吃饱，再解决吃好的问题。 别人那里有成熟的方案，你没有必要去创新，你只有等到跟他站在同样的一个竞争维度的时候，你才有创新的动力和激励去做这些事情。 而且这个伴随着中国科教兴国的整个的战略，现在我们有那么多高素质的人了，所以这个可以生长起来，它真正生长起来是哪些人会成为这些呢？ 就是在现有的素质教育的过程中，那些非常跳脱的，能不断做创新的人，然后他在学习、生活、工作当中都能够不断的去做创新的人。 这样的产品经理和设计师，我认为中国是有的已经生长出来了，因为这个时间点到了。就是接下来就在这波年轻人里。 从历史上看，之前中国公司很多人是在做效率工具，如清洁、航拍，只把某一种效率的能力做得更好，其实它是缺乏一些 creative，缺乏一些娱乐性，缺乏一些情感性的。 这种创新的为历史上中国的公司做的并不好，我认为下一代创业者，90、00 后的创业者可能在这方面会有更多的天赋。 2、讨论：端侧硬件能耗、存储算力，在 AI 硬件上的一些基础上的一些平衡 创业者分享： 我们认为 AR 眼镜可能具有隐性优势，因为它具备佩戴舒适和第一人称视角的特点；与 VR 不同，有 Always on 的潜力，可以模拟人类感官器官，从人类视角理解感知世界。 目前 AR 设备面临诸多挑战，如光学元件、算力、电池等问题。高通平台是目前穿戴设备较好的平台，但其 AI 模型能力和算力有限，电池容量也受限。 眼镜的舒适度考虑下，电池容量只有 200 毫安，相比手表和手机较小。未来端云结合或端边人结合的架构将是解决方案，将轻量级甚至完整的算力放在端上，与大模型配合。 AR 硬件需要摄像头和显示屏来实现输入输出，这才是更接近感知世界能力的模型。因此，AI 的融合应是 AR 设备的发展方向。 3、AR 使用体验分享 某硬件团队员工： 最近一直在使用 Rokid 的 AR 设备，感觉不错。在观看《繁花》的过程中，我对比了之前使用过的 VR 设备。 由于自己有过制作 VR 的经验，我觉得 VR 设备相对笨重，佩戴起来非常热。相比之下，AR 技术带来了更好的体验，尤其是在观看电视台播出的剧集时。 然而，AR 技术仍有待进一步发展。今年，我认为最大的挑战在于如何将 AR 设备打造得更轻便，使其成为一副真正的眼镜，同时解决近视问题。 我们希望这样的设备重量能控制在三四十克左右，以免过重影响佩戴舒适度。这样的重量限制也会对硬件设计和使用时间产生一定的影响。 4、科研人员分享 最近，我们团队在边缘计算领域有了一些新想法，关于模型在端边云结构中的通用性与专业性。我们认为模型可能不需要在边缘侧具备全面的知识，而是可以更专注于特定领域的知识。 例如，刘老师团队开源的基于 MOE 的 LLM 应用和我师弟的项目，都是在训练和推理过程中只激活部分神经元，以加快计算速度。 这样的做法旨在提高边缘侧的计算效率，因为如果处理速度慢，使用传感器收集实时数据就失去意义了。在 AVP 等场景中，如果所有数据都发送到云端，通信可能会成为问题。我 们还考虑到，模型可能因为学习过多而变得不够精确。因此，我们思考是否应该进行模型剪枝，类似于 GMV 的做法，主要是为了提高速度。剪枝不仅能加快处理速度，还可能使模型在特定场景下表现更佳。 这些设计思路受到了 Dyna Bert 的工作启发。我们认为，尽管大公司可能认为加大模型规模可以解决“幻觉”问题； 但我们科研人员更倾向于停用不重要的部分，以优化性能。对于资源有限的创业团队来说，这是一种实际的方法。 背景补充 Dyna Bert 基于 Transformer 模型的动态自适应模型，根据任务需求调整模型的宽度深度，将原始大模型缩小为合适的小模型，以在性能、效率和可解释性等取得平衡。 四、当前可见的AI硬件产品吐槽，AI native 硬件杀手级场景会在什么地方？ 1、讨论：VR 究竟能成吗、什么时候能成？ 投资人分享：关键因素包括：1、芯片公司足够重视；2、技术上续航和体验达成平衡；3、消费者接受心理 首先高通需要推出 R1 级别的芯片，苹果已有 R1 芯片，但还不够，VR 在中国市场的接受度取决于消费者心理。如游戏主机在中国销量不佳，消费者难以被说服购买。 随着创新者的出现，这个问题有望解决。目前，PICO 等 VR 设备因无法高效办公而难以让大家找到借口去买。 苹果实现了良好整合，但头戴设备仍不适合要交流的办公场景。市场的打开需解决技术上续航和产品体验的平衡问题，以及消费者心理接受度问题，什么时候消费者能接受？ 要么是往办公场景走，要么是消费者能够接受“我就买个游戏机”，然后这样的情绪在市场中散播开后，这个事就成了。 类似地，词典笔 30 年前就已存在，但直到 2018 年才流行。这是因为市场最终接受了这项技术。 最初，词典笔用的是山寨手机芯片运行本地神经网络模型，该技术在 2016 至 2017 年就已实现。但直到 2018 年，产品体验和消费者认知才达到成熟，市场接受度才上升。 这一过程中做产品的团队并没有太多改变，只是体验和消费者认知到位，使得家长认为孩子需要这个东西。可以说有很强的外部因素。 大厂员工分享： 我不认同，词典笔是个相对垂类的、历史的市场，演练过程才是这样的。但对于 VR 来说，它是有关键节点的，在发生了某个变化之后导致它可以推向大众的。就是重量。 总体看认为 VR 的成熟点在 15 20 年。我觉得这里有两个节点： • 第一个节点叫做说这个头显演进到一个重量上，我能够持续佩戴 8 小时的一个节点，在这个时候它可以有 PC 的场景。相当于不用买显示屏了，它是 PC 一个更大的一个屏幕。那这个场景我说足够了，我一天也只需要用 8 小时，也不需要室外场景，笔记本怎么用它就怎么用，这是第一步 • 第二个步骤就是它更轻了，之后我带着它出去变成替代手机，变成一个全天显示的场景了，这个更远了，但由于现在各种Micro LED 的技术，成熟时间也很难去判断。 所以核心是在这两个情境下，他会完成，但是具体说是哪一波，那我觉得这个波到底是多长的时间呢？ 能不能明确？答案可能不取决于市场热度有多高，而是基础科学发展的自然结果。VR 要到 50 克，那就得看基础科学。 投资人回应“15 20 年才能成熟”的观点： 我认为刚刚提的 VR 在 15 20 年成熟的时间框架比较合理。有可能真的就是这样，只是我们今天的线性思维其实很难去想象 15 年、 20 年后的事情。 甚至 AGI 都可能在十年内实现，但 VR 技术可能在十五年内还未成熟。回想过去谷歌 2014 年开发 Glass 产品时，其二十几克的设计目标就是为了实现全天候佩戴。 大厂员工： Google Glass 体验一般。尽管 AVP 提供的完整体验很厚，在办公场景中效率很高，解决了透光率和视野全包围的问题（目前通过 VST 技术解决），但形态上超越阈值了。 苹果通过 AVP 展示了在体验上可以达到极致，接下来的挑战是如何减轻重量，但目前看，AVP 仍然比 PICO 等设备重得多。 背景补充 VST 技术 VST 技术用内置的摄像头或传感器捕捉现实世界的视频并将其显示在头显中。用户通过头显屏幕看现实世界的视频，同时可以叠加虚拟元素，常用于 VR 头显。在遮挡效果、FOV、虚实匹配、配准、亮度匹配等方面相比其他技术路径更优，但在延迟和功耗方面有差距。 投资人分享： 要实现 8 小时舒适佩戴，设备重量需从 650 克降至约 50 克或 30 克。电池约重 200 克，光学机构件约两三百克，这些部件的重量不随摩尔定律减少。 另一种方案是分体式设计，整体重量可与 Mac 电脑相当，但头戴部分需足够轻。这样的设计可能受欢迎，因为它能提供比 Mac 更大的屏幕。 技术瓶颈在于如何将光学处理部件的重量从一两百克降低到三分之一或四分之一，短期几乎是不可能实现的。 这是个长达 20 年到50 年的挑战。目前无明确的技术路径，任何声称 5 年内能实现的都应该被怀疑。如自动驾驶技术总被认为 5 年内可实现，但技术发展需要更长时间。 预测15 20 年是合理的，对于 AGI 的实现也是如此。有人认为 AGI 可能在 15 年内实现但也有人质疑。即使技术未能如期实现，也不影响 AGI 在其他方面结合并发挥作用。 2、讨论：定制化 AR 芯片 or 等技术成熟后组合创新 投资人分享： 芯片想要解决 AR 领域的问题，换句话说就是更好的感知能力。以地平线为例，其在推出的低成本、低功耗芯片在智能机型产品中市占率其实非常高。 这些芯片应用于扫地机器人、智能割草机以及其他物联网智能产品中。与传统的ARM 处理器比，地平线芯片增加神经处理单元（NPU）算子和特定的算法，有边缘计算能力。 地平线芯片的算力是逐年线性增长的。当前的芯片提供 5 TOPS 的算力，而新一代产品可能提升至 10 15 TOPS。这种增长于 AI 应用是有益的，但很难在低成本设备上跑。 在消费级芯片中，手机芯片要几十甚至上百美元的成本，带来 20 30 TOPS 的算力，而 Mac 芯片是 C 端市场上最强的选择，甚至能运行如 llama 2 7B 这样的大型模型。从消费电子或消费级机器人的成本角度来看，如果公司单产品的算力预算在 10 20 美元之间，可能只能获得用于智能家居的芯片。 在 AR 领域，Vision Pro 推测使用了 M2 芯片，而 R1 芯片则是一种专为实时显示处理设计的处理器。国内也有创业公司正在开发类似的产品，但从商业模式来看，由于芯片产量有限，这种小批量生产的 AR 设备难以实现成本效益。 因此，目前大多数 AR 设备仍然依赖于高通的芯片，这些芯片也是从手机芯片衍生或优化的版本，这使得在成本上实现 AR 设备的普及仍然具有难度。 3、AI 硬件杀手型场景 讨论：硬件应用场景 摄像头案例 起码从刚才的讨论中，我们可以初步得出结论：下一个革命性的 AI 原生应用场景可能不会出现在 VR 领域。而智能摄像头其实是一个容易忽略的应用。 例如，大约 3 4 年前开始流行的使用 5 号电池、安装在门口的智能摄像头在北美市场表现出色，这些摄像头能检测到门口的活动并在有人时启动录制。 这推动了摄像头行业的一次重大变革，并促成了许多公司的涌现，Anker 就是其中之一，它在北美每年销售大量这类摄像头。 在有了这种观测模型之后，训练成本的降低将推动围绕摄像头的应用发展。无论是用于安全监控还是前几年国内市场推出的专门照顾婴儿的“婴儿监视器”，这些特定用途的摄像头都有很大的发展潜力。 未来两三年内，这些想法可能成真。应将重点放在几颗关键的星上。主要挑战之一可能是电池技术，特别是在能量密度方面能有 10%到 20%的提升，这是关键的技术突破。 投资人分享：AI native 的硬件产品有什么不同 我们今天探讨 AI 原生硬件的发展场景，是因为今天的 AI 与以往的 AI 有着显著的不同。这些差异体现在几个方面： • 文本和语音的互动方面：特别是自然语言的交互，这是与过去不同的一个重要方面；其次，是逻辑推理能力的增强；最后是 AI 相比原来能够更加创造性的生成一些内容，这是在大模型和新一代 AI 的泛化中大家所观察到的一个趋势 • 在硬件产品形态中应用：我们需要思考的是，如何将这些 AI 的新特性融入到硬件设计中。例如，如果真的使用自然语言模型来进行交互，会有哪些新的差异化体验出现？过去我们使用电脑和手机时，主要是通过打字来进行交互，而现在我们开始使用语音。但在很多场景下，我们仍然习惯于使用文本交流；比如在办公室里，我们可能更多地使用飞书等文本通讯工具，像 VR 头显这类的产品，它可能更适合于那些需要频繁使用语音交互的场景。 • 在家用场景下：比如使用智能音箱，你可以通过说话来进行互动，而不需要触摸屏幕或在安静的环境中说话。我们需要考虑如何将这些点融入到未来的硬件产品设计中。 创业者分享： 正如前面的投资人所提，手机、汽车和 PC 作为三大行业，并不适合创业公司涉足。因此，我们应当关注新兴品类，其中 AI Native 领域为创业者提供了巨大机遇。 我目前是围绕娱乐价值和情感陪伴的机器人开发，类似于音箱的升级版。正在探索媒体场景的具体位置，特别是将 AI 技术融入人的外设设备中。 除了手机配件，我们还可以考虑家庭场景，它是一个极佳的 ToC 端市场。汽车也可以视为半个家，未来可能发展成为一个移动的家。未来 Vision Pro 可能被放大成汽车大小，围绕乘客的是屏幕，苹果公司推出汽车后，外壳是个巨大的 Vision Pro，乘客周围是屏幕。该设计使光学问题不是关键，而是另一套系统。 作为硬件创业者，我们发现音箱的变种提供了一个小机会。特别是在大模型存在幻觉问题的背景下，寻找高容错性的应用场景变得尤为重要。 我们发现幼教场景是一个非常适合的领域，孩子们与 AI 聊天时不会太介意错误，他们可以与机器人愉快地交流。 投资人回答： 建议较大，国人做形态性的创新很难，历史上国人在形态创新上面，新形态品类的创新里面基本上没有成功的先例。所有成功的公司基本都属于在现有品类上增强这一类。 因为今天这个地方肯定是相对新品类的，Xreal、Rokid 等等，其实在整个全球市场市占率不错。 而这个品类其实就是已经被别人发明了，或者至少有人做出了原型。换个角度想，即使是 Hinton，他也不是最开始提出人工智能人，而谁把他发扬光大了？这个很重要。 这个我就想说，品类从无到有，这个事情中国团队做的少一点，但是我觉得更重要的是谁能把它做大。所以这个逻辑就回到了如果我们在讨论谁能做大，我更 care 谁能做大。 从 0 到 1 做的事情的难度非常大，比如说迪斯尼最近推出的乐园巡游机器人，非常酷炫。我认为在那种表现力的角度来讲，从那种表现力的角度来讲，应该是独一无二的。 但像这种团队在中国其实挺难的，为了做这个，不光是一群机器人的 research，还有很多迪斯尼的动画师参与设计。这能力可能对于中国创业团队，哪怕大厂，都是很难的。 背景补充 Disney Robot 迪士尼团队自主研发了一套强化学习系统，使得机器人能够在行走过程中保持动态平衡，使机器人能够更自如地移动和适应复杂环境。为了让机器人更人性化，迪士尼还邀请了动画师将动画角色用动作表现情感的方式应用到了机器人身上，使其能用肢体语言和表情来表达喜怒哀乐等情绪。 从结果来看，中国很多公司，包括大疆、石头、云鲸等，实际上是在那个品类已经出现了，玩家已经定义了产品，你是在这个产品的基础上 significantly 做工程上的增强； 例如大疆的第一代产品就比当时市场上其他的，像那个英国的那个消费级无人机自选业务，无人机要做得更加稳定、更加好，它并不是说这个从 0 到 1 的创新品。 所以中国的很多公司因为执行力、工程能力做得好而成功的。开创全新品类的公司其实不多。绘本阅读机就是一个全新品类的事情，之前的确无人做过，我是很 respect 的。 创业者回应： 人才这个事情有不一样的看法，我认为中国现在一定是有这样的产品经理和设计师的。原因在于这是一个历史的发展阶段，我们在之前要先解决吃饱，再解决吃好的问题。 别人那里有成熟的方案，你没有必要去创新，你只有等到跟他站在同样的一个竞争维度的时候，你才有创新的动力和激励去做这些事情。 而且这个伴随着中国科教兴国的整个的战略，现在我们有那么多高素质的人了，所以这个可以生长起来，它真正生长起来是哪些人会成为这些呢？ 就是在现有的素质教育的过程中，那些非常跳脱的，能不断做创新的人，然后他在学习、生活、工作当中都能够不断的去做创新的人。 这样的产品经理和设计师，我认为中国是有的已经生长出来了，因为这个时间点到了。就是接下来就在这波年轻人里。 从历史上看，之前中国公司很多人是在做效率工具，如清洁、航拍，只把某一种效率的能力做得更好，其实它是缺乏一些 creative，缺乏一些娱乐性，缺乏一些情感性的。 这种创新的为历史上中国的公司做的并不好，我认为下一代创业者，90、00 后的创业者可能在这方面会有更多的天赋。 2、讨论：端侧硬件能耗、存储算力，在 AI 硬件上的一些基础上的一些平衡 创业者分享： 我们认为 AR 眼镜可能具有隐性优势，因为它具备佩戴舒适和第一人称视角的特点；与 VR 不同，有 Always on 的潜力，可以模拟人类感官器官，从人类视角理解感知世界。 目前 AR 设备面临诸多挑战，如光学元件、算力、电池等问题。高通平台是目前穿戴设备较好的平台，但其 AI 模型能力和算力有限，电池容量也受限。 眼镜的舒适度考虑下，电池容量只有 200 毫安，相比手表和手机较小。未来端云结合或端边人结合的架构将是解决方案，将轻量级甚至完整的算力放在端上，与大模型配合。 AR 硬件需要摄像头和显示屏来实现输入输出，这才是更接近感知世界能力的模型。因此，AI 的融合应是 AR 设备的发展方向。 3、AR 使用体验分享 某硬件团队员工： 最近一直在使用 Rokid 的 AR 设备，感觉不错。在观看《繁花》的过程中，我对比了之前使用过的 VR 设备。 由于自己有过制作 VR 的经验，我觉得 VR 设备相对笨重，佩戴起来非常热。相比之下，AR 技术带来了更好的体验，尤其是在观看电视台播出的剧集时。 然而，AR 技术仍有待进一步发展。今年，我认为最大的挑战在于如何将 AR 设备打造得更轻便，使其成为一副真正的眼镜，同时解决近视问题。 我们希望这样的设备重量能控制在三四十克左右，以免过重影响佩戴舒适度。这样的重量限制也会对硬件设计和使用时间产生一定的影响。 4、科研人员分享 最近，我们团队在边缘计算领域有了一些新想法，关于模型在端边云结构中的通用性与专业性。我们认为模型可能不需要在边缘侧具备全面的知识，而是可以更专注于特定领域的知识。 例如，刘老师团队开源的基于 MOE 的 LLM 应用和我师弟的项目，都是在训练和推理过程中只激活部分神经元，以加快计算速度。 这样的做法旨在提高边缘侧的计算效率，因为如果处理速度慢，使用传感器收集实时数据就失去意义了。在 AVP 等场景中，如果所有数据都发送到云端，通信可能会成为问题。我 们还考虑到，模型可能因为学习过多而变得不够精确。因此，我们思考是否应该进行模型剪枝，类似于 GMV 的做法，主要是为了提高速度。剪枝不仅能加快处理速度，还可能使模型在特定场景下表现更佳。 这些设计思路受到了 Dyna Bert 的工作启发。我们认为，尽管大公司可能认为加大模型规模可以解决“幻觉”问题； 但我们科研人员更倾向于停用不重要的部分，以优化性能。对于资源有限的创业团队来说，这是一种实际的方法。 背景补充 Dyna Bert 基于 Transformer 模型的动态自适应模型，根据任务需求调整模型的宽度深度，将原始大模型缩小为合适的小模型，以在性能、效率和可解释性等取得平衡。 四、当前可见的AI硬件产品吐槽，AI native 硬件杀手级场景会在什么地方？ 1、讨论：VR 究竟能成吗、什么时候能成？ 投资人分享：关键因素包括：1、芯片公司足够重视；2、技术上续航和体验达成平衡；3、消费者接受心理 首先高通需要推出 R1 级别的芯片，苹果已有 R1 芯片，但还不够，VR 在中国市场的接受度取决于消费者心理。如游戏主机在中国销量不佳，消费者难以被说服购买。 随着创新者的出现，这个问题有望解决。目前，PICO 等 VR 设备因无法高效办公而难以让大家找到借口去买。 苹果实现了良好整合，但头戴设备仍不适合要交流的办公场景。市场的打开需解决技术上续航和产品体验的平衡问题，以及消费者心理接受度问题，什么时候消费者能接受？ 要么是往办公场景走，要么是消费者能够接受“我就买个游戏机”，然后这样的情绪在市场中散播开后，这个事就成了。 类似地，词典笔 30 年前就已存在，但直到 2018 年才流行。这是因为市场最终接受了这项技术。 最初，词典笔用的是山寨手机芯片运行本地神经网络模型，该技术在 2016 至 2017 年就已实现。但直到 2018 年，产品体验和消费者认知才达到成熟，市场接受度才上升。 这一过程中做产品的团队并没有太多改变，只是体验和消费者认知到位，使得家长认为孩子需要这个东西。可以说有很强的外部因素。 大厂员工分享： 我不认同，词典笔是个相对垂类的、历史的市场，演练过程才是这样的。但对于 VR 来说，它是有关键节点的，在发生了某个变化之后导致它可以推向大众的。就是重量。 总体看认为 VR 的成熟点在 15 20 年。我觉得这里有两个节点： • 第一个节点叫做说这个头显演进到一个重量上，我能够持续佩戴 8 小时的一个节点，在这个时候它可以有 PC 的场景。相当于不用买显示屏了，它是 PC 一个更大的一个屏幕。那这个场景我说足够了，我一天也只需要用 8 小时，也不需要室外场景，笔记本怎么用它就怎么用，这是第一步 • 第二个步骤就是它更轻了，之后我带着它出去变成替代手机，变成一个全天显示的场景了，这个更远了，但由于现在各种Micro LED 的技术，成熟时间也很难去判断。 所以核心是在这两个情境下，他会完成，但是具体说是哪一波，那我觉得这个波到底是多长的时间呢？ 能不能明确？答案可能不取决于市场热度有多高，而是基础科学发展的自然结果。VR 要到 50 克，那就得看基础科学。 投资人回应“15 20 年才能成熟”的观点： 我认为刚刚提的 VR 在 15 20 年成熟的时间框架比较合理。有可能真的就是这样，只是我们今天的线性思维其实很难去想象 15 年、 20 年后的事情。 甚至 AGI 都可能在十年内实现，但 VR 技术可能在十五年内还未成熟。回想过去谷歌 2014 年开发 Glass 产品时，其二十几克的设计目标就是为了实现全天候佩戴。 大厂员工： Google Glass 体验一般。尽管 AVP 提供的完整体验很厚，在办公场景中效率很高，解决了透光率和视野全包围的问题（目前通过 VST 技术解决），但形态上超越阈值了。 苹果通过 AVP 展示了在体验上可以达到极致，接下来的挑战是如何减轻重量，但目前看，AVP 仍然比 PICO 等设备重得多。 背景补充 VST 技术 VST 技术用内置的摄像头或传感器捕捉现实世界的视频并将其显示在头显中。用户通过头显屏幕看现实世界的视频，同时可以叠加虚拟元素，常用于 VR 头显。在遮挡效果、FOV、虚实匹配、配准、亮度匹配等方面相比其他技术路径更优，但在延迟和功耗方面有差距。 投资人分享： 要实现 8 小时舒适佩戴，设备重量需从 650 克降至约 50 克或 30 克。电池约重 200 克，光学机构件约两三百克，这些部件的重量不随摩尔定律减少。 另一种方案是分体式设计，整体重量可与 Mac 电脑相当，但头戴部分需足够轻。这样的设计可能受欢迎，因为它能提供比 Mac 更大的屏幕。 技术瓶颈在于如何将光学处理部件的重量从一两百克降低到三分之一或四分之一，短期几乎是不可能实现的。 这是个长达 20 年到50 年的挑战。目前无明确的技术路径，任何声称 5 年内能实现的都应该被怀疑。如自动驾驶技术总被认为 5 年内可实现，但技术发展需要更长时间。 预测15 20 年是合理的，对于 AGI 的实现也是如此。有人认为 AGI 可能在 15 年内实现但也有人质疑。即使技术未能如期实现，也不影响 AGI 在其他方面结合并发挥作用。 2、讨论：定制化 AR 芯片 or 等技术成熟后组合创新 投资人分享： 芯片想要解决 AR 领域的问题，换句话说就是更好的感知能力。以地平线为例，其在推出的低成本、低功耗芯片在智能机型产品中市占率其实非常高。 这些芯片应用于扫地机器人、智能割草机以及其他物联网智能产品中。与传统的ARM 处理器比，地平线芯片增加神经处理单元（NPU）算子和特定的算法，有边缘计算能力。 地平线芯片的算力是逐年线性增长的。当前的芯片提供 5 TOPS 的算力，而新一代产品可能提升至 10 15 TOPS。这种增长于 AI 应用是有益的，但很难在低成本设备上跑。 在消费级芯片中，手机芯片要几十甚至上百美元的成本，带来 20 30 TOPS 的算力，而 Mac 芯片是 C 端市场上最强的选择，甚至能运行如 llama 2 7B 这样的大型模型。从消费电子或消费级机器人的成本角度来看，如果公司单产品的算力预算在 10 20 美元之间，可能只能获得用于智能家居的芯片。 在 AR 领域，Vision Pro 推测使用了 M2 芯片，而 R1 芯片则是一种专为实时显示处理设计的处理器。国内也有创业公司正在开发类似的产品，但从商业模式来看，由于芯片产量有限，这种小批量生产的 AR 设备难以实现成本效益。 因此，目前大多数 AR 设备仍然依赖于高通的芯片，这些芯片也是从手机芯片衍生或优化的版本，这使得在成本上实现 AR 设备的普及仍然具有难度。 3、AI 硬件杀手型场景 讨论：硬件应用场景 摄像头案例 起码从刚才的讨论中，我们可以初步得出结论：下一个革命性的 AI 原生应用场景可能不会出现在 VR 领域。而智能摄像头其实是一个容易忽略的应用。 例如，大约 3 4 年前开始流行的使用 5 号电池、安装在门口的智能摄像头在北美市场表现出色，这些摄像头能检测到门口的活动并在有人时启动录制。 这推动了摄像头行业的一次重大变革，并促成了许多公司的涌现，Anker 就是其中之一，它在北美每年销售大量这类摄像头。 在有了这种观测模型之后，训练成本的降低将推动围绕摄像头的应用发展。无论是用于安全监控还是前几年国内市场推出的专门照顾婴儿的“婴儿监视器”，这些特定用途的摄像头都有很大的发展潜力。 未来两三年内，这些想法可能成真。应将重点放在几颗关键的星上。主要挑战之一可能是电池技术，特别是在能量密度方面能有 10%到 20%的提升，这是关键的技术突破。 投资人分享：AI native 的硬件产品有什么不同 我们今天探讨 AI 原生硬件的发展场景，是因为今天的 AI 与以往的 AI 有着显著的不同。这些差异体现在几个方面： • 文本和语音的互动方面：特别是自然语言的交互，这是与过去不同的一个重要方面；其次，是逻辑推理能力的增强；最后是 AI 相比原来能够更加创造性的生成一些内容，这是在大模型和新一代 AI 的泛化中大家所观察到的一个趋势 • 在硬件产品形态中应用：我们需要思考的是，如何将这些 AI 的新特性融入到硬件设计中。例如，如果真的使用自然语言模型来进行交互，会有哪些新的差异化体验出现？过去我们使用电脑和手机时，主要是通过打字来进行交互，而现在我们开始使用语音