谈谈 Vision Pro 的长期意义：十年内数字内容将重塑物理空间｜Z Talk

过去几年，我一直研究 XR（VR/AR/MR 的统称）领域，致力于从一个严肃、务实的角度探讨行业发展。

我的第一次分享是在 2021 年底的《从游戏机、计算机、智能手机的过去五十年 看 VR 和 AR 的未来五十年》，当时的背景是 Facebook 改名为 Meta，字节收购 Pico，元宇宙概念异常火爆，当时分享的主要目的是想告诉大家，XR 不是一个速成的行业，它的发展以数十年为单位计。

第二次分享是在 2022 年底的《我眼中的 VR、AR 和 Metaverse：三维信息技术革命》，当时的背景是 Quest2 销量断崖式下跌，Pico4 销量大幅低于预期，当时分享的主要目的是想告诉大家 XR 的革命性意义，无论外界多么唱衰，都不能低估 XR 未来的巨大潜力。

过去几年的发展，逐步验证了一些我的判断。一方面，从 Meta 收购 Oculus 开始的 2014 年到今天，数不清的元年已经过去，我们还没有迎来 XR 的大爆发。另一方面，科技巨头仍然不断加码入场，XR 行业的全球累计投入已经接近千亿美金。2023 年，Meta 在 Reality Labs 全年投入 180 亿美金，2024 年大概率还会超过这个数字。而更让全球瞩目的是，苹果终于入场，发布了首款可穿戴空间计算设备 Vision Pro。

打开苹果官网的 Vision 页面，第一句话就是「Welcome to the era of spatial computing」，欢迎来到空间计算时代。

苹果入场，Vision Pro 会对行业带来怎样的影响？行业未来可能会向什么方向发展？这将是我今天分享的重点。

XR 过去十年的意义

研究未来，就不能不研究过去。我们不能孤立地看某一款设备，而是应该从行业整体的高度来看待行业的发展。就好像 iPhone 并不是横空出世，在此之前也有这样和那样的设备分别从不同的角度验证了移动设备的价值。而对于一个已经花了近千亿美金的 XR 行业，总结前人的经验显得更加重要。

XR 行业和智能手机、智能手表、个人电脑等行业有个最大的不同，就是头戴式计算设备目前很缺乏产品验证的历史。电脑上市前，我们已经有近一百年时间验证了打字机的价值，也有小几十年时间验证了电视机的价值。智能手机上市前，我们验证了电话、验证了手机、验证了 PDA、验证了 MP3、验证了 Game Boy。而头戴式计算设备对于重量、技术的苛刻要求，导致虽然在科幻小说中的提及率很高，但真正大规模从概念走向商品，也就近十年的事。所以研究 XR行业的产品，只要集中看过去十年即可。

过去十年，大量的设备面市，有 Oculus Rift/Quest, HTC Vive, Valve Index, HoloLens, Magic Leap, Google Glass 等等。站在当时看，这些设备都各有优劣，但最后真正集各家大成，构建了正向生态的只有 Oculus（后被 Meta 收购），代表产品是销量突破 1000 万台的 Meta Quest 2。

过去十年发布的部分 XR 设备

与普遍认知提到的沉浸感一词所不同的是，在千万级用户的层面，过去十年真正验证成功的只有一件事，就是三维交互的价值。简单来说，就是由头手追踪构成的三维交互，可以完成键盘、鼠标、手柄、触屏构成的二维交互所不能完成的事，所以有了 VR 的 FPS，模拟真实的架枪、瞄准，有了音乐动作游戏 Beat Saber，模拟刀剑切割方块，还有社交产品 VRChat，进行全身动捕，还有 Gorilla Tag，模拟双手运动。此刻，全球大约有接近 1000 万的VR月活用户。

有人说 Quest 2 是游戏机，说这些用户是游戏机用户，这是相对片面的看法，其实 Quest 生态里也有不少娱乐应用和行业应用。而且我更愿意认为，这些用户本质上是三维交互的用户。

随着开发者的理解日益深刻，三维交互带来了全新的产品设计思路。在《绝地求生》和《和平精英》的玩法里，传统的跳伞环节是在手机和电脑上通对地图手动选点完成，而在 VR 游戏《Contractors:Showdown》（Contractors 吃鸡玩法的新作，年内上线）里，你将会真的从万米高空中的军用运输机里往下跳。而在路途中查看地图时，传统交互是弹出一个地图窗口，而这里你将会真的掏出一台军用手持 GPS。

过去十年，还有很多没有验证成功的事。首先就是三维显示，包括大家曾经看好的 VR 视频，因为显示技术的原因，除了画面大，实际消费者感受到的分辨率和显示效果是弱于传统平面显示器的。然后是 MR 混合现实，Magic Leap 和 HoloLens 这两款投入了几十亿美金的设备，也因为显示和算力等综合技术路线的原因，从最早面向 toC 消费者到后期转向 toB，非常艰难地生存着。最后是 AR 眼镜 Google Glass，虽然引发了巨大的社会讨论，但也只是昙花一现。这些方案本身并非一无是处，放在当年都有天才的洞察之处，但或多或少因为技术上或产品上的缺点和局限而陷入了困境。

Vision Pro 发布的意义

2024 年 2 月 2 日，Vision Pro 正式上市。我仍然想强调一下的是，Vision Pro 不是突然发布的，苹果为此已经准备了 9 年。苹果 2015 年就已经挖来了前 Dolby 的高管 Mike RockWell，组建团队进行 XR 设备的开发，并且苹果的开发也并非一帆风顺，传言还在 2019 年大幅更改了产品原型。

接下来我们分析 Vision Pro，我想说，这里面并不仅仅是技术层面的问题，也不仅仅是工程层面的问题，还包括从产品层面，从生态层面等不同角度综合理解 XR。理解 XR 有一个典型的误区，就是简单地把计算设备这件事当成是硬件的事或者科技的事，研究设备也仅仅只是从参数出发，甚至有人评价 Vision Pro 是苹果的极致堆料，我完全不赞同这个结论和这种分析方式。其实围绕平台级计算设备的设计是一件相当整体的事，这里面包括硬件，包括 OS，包括第一方应用，也包括第三方生态，这不是割裂的几部分，而是一个有机的整体。况且，我们研究的是下一代计算平台，这一次没有后视镜，也没人给你现成的答案，是需要通过独立思考，吸取前人的经验教训，形成一整条产品主线，一整套底层的产品设计理念来指导我们的研究。

接下来我要讲的所有的进展，我认为会起源于 Vision Pro，但不止于 Vision Pro。一方面，各家厂商肯定会快速学习。另一方面，Vision Pro 上市后，也会根据消费者、开发者的反馈，更进一步。所以希望大家能够动态地、辩证地看待 Vision Pro 的设计，而不是仅仅把目光局限、固化在某一家某一代的设备上。

第一点也是最重要的就是 Vision Pro 带来的全新的、高质量的三维显示。

在谈三维显示之前，我想从用户的角度讲讲使用二维平面显示设备的心路历程。我们大部分人都是从 90 年代开始接触电脑、电子游戏机等设备的。我们使用电视和显示器，最早是 320X240 的分辨率，再然后是 640X480，1024X768，1080P，4K，在我的记忆中，每一个时期的显示效果都觉得还不错，以至于现在还能回过头玩一些像素风的老游戏。再看手机也是，iPhone4 有了视网膜屏很好，但是之前也不错。总体二维平面显示给我们的感觉就是分辨率差点我们也能接受，好点当然更好，好到一定程度（视网膜屏）再往后体验提升就不明显了。一句话总结，过去 20 多年平面显示器的分辨率提升带给用户的体验提升是渐进的，是一种量变。

然后我们来看三维显示。三维显示里分辨率的单位用 PPD（Pixel Per Degree），意思是视野的每一度里面有多少像素。光看参数，其实很难得出有效结论，更要结合用户实际体感。

Quest2 的分辨率是 20PPD，就是指每一度里面有 20 个像素。20PPD，用户会明确分辨出现实和虚拟世界的差异，再加上机器性能的限制，一体机通过卡通渲染带给用户视觉冲击也相对有限，用户会觉得挺有趣，但并不会很震撼。我对这个阶段的显示效果定义为立体感。

人眼的极限是 60PPD。而 Vision Pro 是 40PPD，一定程度已经接近人眼极限。同时，Vision Pro 采用的是 OLED 屏幕，这意味着更丰富的色彩和亮度。此时将会发生一个巨大的质变。用户可能无法区分现实和虚拟。举个例子，苹果的官方网站上有苹果 iPhone15 手机的三维模型，如果你下载下来，旁边再放一部真实的 iPhone15，乍一看，你有可能无法区分哪个是真的哪个是假的。再举个例子，Vision Pro 主界面里有一个 Environment 的环境背景，其中一个场景是当你望向湖面波光粼粼，你一度会认为自己真的身处湖边。我对这个阶段的显示效果定义为真实感。

图源：Apple

人类历史上还没有出现过一种显示技术会达到这种程度。

在此之前，我们对一台显示器或者电视最常用的夸奖就是显示效果很好，画面很大，画质很好。在此之后，我们会怎样去描述显示效果呢？当数字生成的虚拟物体从视觉上已经和真实物体相似，我们还会说画面很好吗？也许画面、画质这个概念都会消失。

去年 6 月刚开完 Vision Pro 发布会时，很多人都在嘲笑 Vision Pro 的外观设计，600 多克的重量，还拖着一个长线的充电宝。我觉得这恰恰说明了苹果在这代设备上的核心思路，为了保证跨越时代的显示标准能够被消费者看到，才对重量、体积和外形设计进行了巨大的妥协，这是产品设计上的一个巨大的取舍。

Vision Pro 产品图

毫不夸张地说，三维显示技术的突破将完全改变 XR 行业的底层逻辑。很多之前从来没有考虑的应用逻辑和以前曾经失败的尝试都可以重新开始设计和考虑了。

我们先来谈第一个影响和对应的一大类应用：虚拟屏幕替代实体屏幕。

我首先想到了 iPad 发布会。iPad 发布会上，乔布斯提出了一个问题，市场上是否会容纳一种新型的设备，这是第三类设备，介于智能手机和笔记本电脑之间。这个设备在做一些重要任务时的表现能显著超过手机和电脑才能被市场接受，他接着举例，比如上网，查看邮件，观看欣赏照片视频，听音乐，玩游戏，读电子书。在这些应用上，第三类设备可以提供比笔记本电脑和智能手机更好的使用体验，否则没有存在意义。

通过历史，我们可以站在更高的一个维度去看待这个问题，你会发现过去五十年，人类不断地制造各种设备，智能手机、Pad、电脑、电视、投影仪。这一系列设备，可以被认为是一系列从小到大、比例不一的屏幕，从横屏到竖屏，从 4:3 到 16:9 到 21:9，各种各样。而这一系列设备又被用来适应我们所处的不同环境，完成不同的任务。

一揽子设备的历史验证了人类需要各种不同的屏幕去应对不同场景的需求。

根据实际的用户体验，在 20PPD 的清晰度下通过 VR 里生成的虚拟大屏观影大致等于 720P 的真实平面显示器。因此，在习惯了接受 1080P 的主流平面显示器下，用户对于之前 VR 的大屏幕显示并不感冒。但是在 40PPD 下，虚拟屏幕的显示质量已经几乎相当于 4K 显示器的效果。这意味着虚拟屏幕头一次可以和实体平面显示器正面 PK。另一方面，Vision Pro 采用的是 OLED 屏幕，这意味着丰富的色彩和高亮度。于是，无数个、无限大小、自由形状、近似真实色彩的屏幕突然出现你身边的三维空间中。

图源：Apple

所以有时我在想 Vision Pro 的定价真的算贵吗？如果拿显示设备做对比，一台4K 投影仪一万块钱，一台 SONY 的 4K 旗舰电视接近四万块钱。一个几十平的影音室不算房价只算设备和装修需要几十万。而 Vision Pro 是两万五。

更夸张的是，电视、显示器已经发展了几十年了，而 Vision Pro 还只是第一代。Vision Pro2 会怎样，Vision Pro3 会怎样？

传统平面显示设备走向没落的倒计时已然启动。

让我们再来看第二个突破，MR 的突破是一个组合的突破。

Vision Pro 重新定义 MR，可以从三个方面来理解。

第一，VST。VST 是实现 MR 的关键技术之一。

普及两个概念：VST (Video See-Through) 和 OST (Optical See-Through),分别指透过摄像头的视频技术看到现实世界和透过光学镜片直接看到现实世界。

OST 的优点非常明显，等于戴上眼镜透过镜片直接看外界，但是 OST 的缺点也非常明显，普遍会遇到在镜片上显示数字内容很难，会面临 FOV（Field Of View 视场角）小，色彩、亮度都不够的情况。另外，由于是同时接收光信号和数字信号，让用户感知到虚实融合也会更难。这里面的差距过于巨大，以至于完全解决至少需要下一代的显示技术。

VST 正好相反，显示数字内容天然容易，能高质量地实现大 FOV，丰富的色彩和自然的亮度。另外，由于 VST 最终都是转化为数字信号呈现，实现虚实融合也更容易。难点在于高分辨率，以及通过摄像头捕捉现实世界、生成视频、传输视频带来的延迟。显示分辨率的问题前面已经提过可以解决，为了解决延迟 Vision Pro 采用了一颗和 M2 芯片级别相同的芯片 R1 来解决这个问题，将延迟缩小到了 12 毫秒。

图源：Apple

过去的十年里，Meta 的 Quest 系列的 VST 相当长一段时间都是低分辨率、黑白、并且带有大量畸变。直到去年底的 Quest 3 才到了一个基本可用的状态。而 HoloLens 采用了 OST 方案，随之而来的缺点就是 FOV 小，色彩差，无法发挥三维显示的威力。

两相比较，VST 能同时做到显示优质的数字内容和现实世界。

《Battle Talent》游戏制作人、赛梦科技创始人刘瀚阳在研究MR时曾有一个观点：「清晰的 VST 本身就是 Killer App。」

大概在 Quest 3 上线一个月后，我们发现大量的 VR 游戏开始提供 MR 模式，而且还是最基础的 VST 模式，但用户的反馈已经出乎意料的不错。

而 Vision Pro 的 VST 效果会更好。

图源：Apple

第二，我想想讲讲空间计算的能力。

广义上我们可以认为空间计算包含一切，三维显示、三维交互、VR、AR、MR 都是它的子集。这里空间计算首先是和平面计算相对应的。平面计算设备处理文字、图片、语音、视频。平面计算机包含智能手机、笔记本、Pad、电脑。而空间计算则是处理空间中的数据，感知、理解空间中的各种实体和虚拟物体。头戴式显示器就是典型的空间计算机。

狭义上我认为空间计算就是指计算空间中的物体数据。在 Vision Pro 中，空间计算的应用刚刚开始。一个虚拟的物体放在物理空间中，要想和现实无缝融合，则需要空间计算。物理空间中的环境光照，遮挡，物理实体的形状，理论上来说，都会影响虚拟物体的表现。举个例子，一个虚拟的电影巨幕，如何像真实的巨幕， 那么地上一定需要实时呈现光线的折射倒影。一个虚拟方块扔到实体的桌上，如何有真实的交互，那么一定要提前识别桌子的高度和平面，同时做出反弹的交互。

通过空间计算，数字内容将在物理空间中更加逼真，也能够真正意义上做到和物理空间融合。

这里不得不说到为什么 Quest Pro（Meta 的首款 MR 设备）表现那么差，很多问题并不是想不到，而是因为 Quest Pro 没有自家的芯片，也没有专有 MR芯片，使用的是相当于高通几年前手机性能的 XR 芯片。这和 Vision Pro 能用上苹果的 M2 芯片是完全无法相比的。

第三，我们再看 Vision Pro 上的数码旋钮 (Digital Crown)。这虽然是颗小小的旋钮，背后却蕴含着惊人的产品洞察。

我们知道，Quest 系列进入 MR 状态是通过双击两下头显实现的，双击后从 VR 进入完全可透视状态，再次双击又回到 VR 状态。这是一种二元切换的感觉。

苹果 Vision Pro 用的是数码旋钮，轻轻转动旋钮，对现实世界的透视可以从 0 到 100% 逐渐完成，0 的时候是完全看见外面，100% 的时候就是完全沉浸在虚拟空间里。虽然苹果严格禁止使用 VR/MR/AR 这几个词，也严禁说自己的设备是 VR 设备。但是我想说数码旋钮恰恰实现了从 VR 到 MR 的切换。Vision Pro 可以作为 VR 设备存在，当旋钮转到 100% 时，你就进入了 fully immersive（完全沉浸）的世界，那就是 VR 头显。当旋钮在 0 到 100% 范围内时，它就是个 MR 头显。

这里面精彩的是从 0 到 100% 之间的连续过渡。这里我想进一步谈谈我对于信息技术的理解：人类对于数字内容的需求是一个连续的过程。

Vision Pro Digital Crown

视频来源：Apple

这和前面描述人类需要各种各样的屏幕需求有相似之处，但是又略有不同，我希望我接下来的分析能说清楚而不至于混淆。

我们生活在现实世界，比起 100% 的完全沉浸的 VR，人在大多数时候对数字内容的需求并不需要到 100%，而是在保证和物理空间有感知、有交互的情况下，增加数字内容，让数字内容和物理空间之间有一个平衡。在办公室，你也许只需要眼前 60 度的范围内有数字内容，其他空间用来和周围同事沟通交流。在咖啡厅，你也许只需要眼前 30 度的范围内有数字内容，在嘈杂的人来人往中，既有对空间的感知保证安全，又可以舒适办公。在客厅里，你可以让正前方的数字人给你上一堂健身课，同时回应小孩父母跟你打招呼。最后，夜深人静的时候，你可以享受一个人在书房不被打扰的、完全的沉浸感，即 VR。

国际上研究 MR 有一个概念叫虚拟连续体，描述在完全虚拟（虚拟现实）及完全真实（现实）之间的连续性尺度。这是从学术研究的角度出发。

我觉得从用户需求角度理解， MR 则可以通俗理解为我们生活的物理空间中数字内容所占的比例，VR 和 AR 是不同比例的 MR。100% 是 VR，0% 是完全物理世界，0 到 100% 之间是 MR。

通过数码旋钮 Digital Crown，我们可以高度自由地控制数字内容和物理现实之间的边界。

Meta 在过去十年验证了三维交互的价值。Meta 的团队也对 Android 的性能进行了魔改使之能够适应 VR 的使用。但是从操作系统的交互层面上来说，Quest 系统还是单窗口的 Android 体验。典型的 Quest 应用操作逻辑是进入主界面，通过手柄射线选择一个应用，然后进入该应用。

而 visionOS 则是在参考 iOS 和 macOS 后全面迭代的全新操作系统。

如果说 Windows 是人类历史上第一个平面多窗口图形操作系统，visionOS 则是人类历史上第一个空间（三维）操作系统。

第一个特点是多窗口和多物体。

你可以自由地将多个窗口和物体放在 360 度空间中的任意位置，并任意放大、缩小、层叠。你可以分别放置超大的全景照片、超长的文档、浏览器、媒体播放器，甚至是虚拟物体。如果你阅读开发文档的话，你也会发现苹果将空间中的元素分成了三类，分别是 Windows、Volumes和Spaces。

图源: Apple

所以我觉得 visionOS 也可以称为史上第一个空间多窗口多物体操作系统。

第二个特点是手眼交互。

我这里想说的是 visionOS 其实做了一件非常重要但容易被忽略的事，就是 OS 层面的交互逻辑。Quest 没有 OS 层的大规模交互，因为它是单窗口，迅速进入应用的一套流程，并没有在空间中和多物体多窗口交互。苹果对 OS 层的设计显然要复杂很多，对空间中元素也做了充分的定义，不论是多物体还是多窗口，就必须就要有一种交互方式来处理，这种交互既要自然，又要高效。所以苹果应该是花了相当大力气来设计这套手眼交互逻辑。

这套交互第一个部分是手，毫无疑问，手是一种更加原生的交互方式。Quest 也一直在尝试。手势追踪是 XR 设备迈向大众的必经之路。但是难点是如何用手同时兼顾虚拟物体和虚拟窗口的交互，这是两种完全不同属性的元素但又出现在同一空间中。在这个基础上还要足够高效和自然、节省能量。苹果设计了一套非常简洁的手势交互逻辑，通过手指捏合、点击与手腕轻微移动来完成。

图源：Apple

第二个部分是眼。我们操作平面电脑进行交互的步骤是，眼睛先看上去，然后滑动鼠标，然后再按鼠标进行点击。我们操作 Quest 系列设备时，Meta 的方案是使用手柄射出一根射线，然后用射线指向按钮，通过按手柄按键进行交互。

苹果的眼动在这里起了一个「空间鼠标」的作用，不需要手腕和手臂移动。看到哪，哪里就会高亮，然后通过手指一捏表示选中。三步并做了两步。

图源：Apple

总体来说，我认为手眼交互是目前空间 OS 层面最低摩擦、最自然、最高效的方式。这也是 Quest 系列从来没有触及过的问题。

这是一种无比奇妙的感觉。你会觉得你有超能力。你甚至会拖拽、放缩窗口玩上一整个小时，就像小孩子在房间中随意堆满玩具一样。

另外，XR 社区的开发者都因为 Vision Pro 没有提供 6DoF（6 自由度，支持三维交互）的手柄而感到费解。我倾向于认为这只是个时间问题，当前这个阶段苹果和 Meta 的思路不同，Vision Pro 提供的手眼交互是在 OS 层为了多窗口多应用的交互，而 Quest 提供手柄交互和手势追踪是在单应用下的交互，苹果会先做 OS 层再做应用层。我这里有个猜测，随着版本的更新，第二步 Vision Pro 就会更新类似 Quest 里的裸手追踪，第三步，就会增加对手柄和各种控制器的支持，让我们拭目以待。

讲到这里，其实苹果的思路已经非常清楚了。Vision Pro 为什么会这么设计，为什么会选在这样一个时间点发布也非常清楚了。

苹果的第一步，大概率是想尝试让已有生态中的百万级的二维应用集体变为三维空间应用（苹果称为空间应用）。而这一切的基础，高度依赖一套能让虚拟和现实得以融合的底层技术基础（显示、VST、交互等）。而十年前，这套技术基础还不存在。

用户曾经熟悉的二维应用都能在三维空间中使用，而在这里，曾经的每一个应用将化为空间中的一个切面，一个窗口。三维给了二维应用更加自由的使用方式。这有效弥补了三维计算设备在初期应用的不足，要知道目前 Quest 商店正式上架的游戏和应用总数也就大几百个。

所以我们回过头再来理解苹果 Vision Pro 发布会上为什么会说兼容百万个 iPad 的应用，就不会感到奇怪了。这其实是在说，空间计算下的第一大类应用就是：向下兼容以前所有二维应用，然后通过空间操作系统让二维应用变得更好用。

再往下想一步，往后的数十年里，所有二维应用都会不同程度的三维空间化，从简单地兼容、移植到对无限屏幕、空间、三维交互进行优化，最终成为原生的三维空间应用。

苹果已经率先打了一个样，官方应用已经展示了从视频到空间视频（Spatial Video），从 FaceTime 到 Persona（3D 版 FaceTime），从 2D 版 Apple TV 到 3D 版的剧院式观影。

而第三方应用，很快大家应该就会使用到，比如 Zoom，TikTok，Office，Disney+ 等等。

这让我想起十几年前，各大互联网公司内部都会有一个部门叫无线业务部，今天，没有一个部门叫无线业务部，但每一个部门都做移动应用。移动互联网的今天，就是 XR 的明天。今天，Meta 的 XR 部门叫 Reality Labs，字节的 XR 部门叫 Pico，腾讯也有单独的 XR 部门，多年以后，互联网公司每一个部门都是 XR 部门但又不会叫 XR 部门。

Vision Pro 往后的一些预测

简单预测一些未来几年可能发生的事。

首先是短期 XR 产品的标准形态几乎已经完全确定。苹果 Vision Pro 的设计加上 XR 行业前十年的经验已经足以勾勒出一款真正意义上相对完美的中期 MR 头显方案。全行业资源将会迅速投入到这一款产品中来。

有业内人士因为初代 Vision Pro 没有手柄而认为 Quest 和 Vision Pro 会走两条路，我认为这两条路终究会合在一起。在开发者、用户的反馈下，Vision Pro 大概率会在未来一到两年内支持 6DoF 手柄和各种控制器。我认为 Vision Pro 的策略大概率是在立足于已有二维平面生态的基础上，逐步完成对三维空间生态的支持。同样 Meta 也一定会全力迅速学习 Vision Pro，我们应该会在不久的将来看到 Meta 的类 Vision Pro 产品。

如下是我看到的短期设备的可能标准：

硬件：30-40PPD 显示+VST+手眼交互+裸手追踪+6DoF 手柄（或其他控制器）

OS： 对标 visionOS

生态：苹果和安卓生态下的二维应用+三维原生应用

价格：1000-2000 美金

后续中期产品迭代的策略也非常清楚。通过更便宜的价格实现更高或同等规格的显示和性能，以及更轻薄的外形和重量。

Michael Abrash 提到的未来 VR 头显形态（现在看来更像 MR 头显）

图源：Connect 大会视频

再谈一下生态的发展，因为 Vision Pro 开创性的对二维应用的支持，可以想象后续的几年里，苹果和安卓阵营的开发者会有一整批加入进来，这是一批全新的开发者，会从不同的角度理解 MR。另一方面，性能的增加给了开发者更多的发挥空间，一定会出现数款现象级应用。

当然很多人听到这么说可能会跑步入场，我想说，倒也不用那么急，总体 XR 行业的增长还是在一个相对平稳的速度，因为硬件还是在早期，所以更重要的还是理解设备的特点，理解三维空间，理解 MR，一步一个脚印来。

再谈智能眼镜和 AI 眼镜

花开两朵，各表一枝。一直以来都有另一条路线。就是放弃高性能，不做大而重的头显，而是直接做眼镜形态的智能眼镜。这种形态的产品优势显而易见，就是可以保持长时间佩戴，并且可以带出街。

研究智能眼镜，让我们先研究眼镜。让我们回到一个根本的问题，就是人为什么要戴眼镜，并且是除了睡觉几乎醒着的时候都要戴。因为眼镜可以矫正视力，不戴眼镜你就看不清楚东西。我想要非常强调眼镜的这个基本功能，因为这个功能太过重要，重要到了让人习以为常，以至于大家都忘记了这个基本功能的存在。并且，眼镜通过过去两百年来的产品迭代，对外形对重量都形成了严格标准。比如近视眼镜低于 30 克，墨镜低于 40 克。当然还有一些人群和特殊场景对重量还有 20g 以下的需求。

一句话总结就是，30 克以内（也有人说是 40g）、符合日常审美、矫正视力的眼镜，才能让用户戴一整天。这也才能造就眼镜 Always On 的特性。

高于这个重量或者对外形的变化，都会对产品产生巨大负面影响。比如说，比起动辄几百克的头显，七八十克的眼镜已经很优秀了，但是由于比普通眼镜还是多了很多重量，你就无法要求普通消费者像正常眼镜一样佩戴一整天，消费者就无法做到 Always On。而基于 Always On 的后续产品设计都将失效。当然，在一些特殊行业特殊环境会有一些特殊的产品形态成立。

所以我们再来看看这条路线的产品历史，从 Google Glass 开始，由于外形怪异，所以没被大众接受。后来有了 Ray-Ban Stories 和 Spectacles，外形逐渐正常化。终于到了 Ray-Ban Meta，这一代几乎和一款普通墨镜有一模一样的重量和外形设计。翻看大量的用户评价，都会说到，这至少是款 Ray-Ban 的墨镜。就是这样，虽然我们讲音频、拍照、以及后期加入 AI 的智能功能，但消费者首先在意的是设计，是它是否 socially acceptable。

Ray-Ban Meta

图源：Ray-Ban

除了智能化的功能外，Ray-Ban Meta 也在探索与 AI 的结合。这个探索刚刚开始，严格来说，目前还非常早期，摄像头拍摄图片后通过大模型理解再通过语音返回，算是万里长征第一步。

和 MR 头显相比，这一条路线往后会遇到更多挑战，因为在这样严苛的物理规格限制下，增加显示，增加性能都面临至少 10 倍难度的挑战。所以这条路线往下首先需要底层技术的革新。比如更好的光波导方案，更好的 Micro-LED 方案。同时大家也在寻求云计算来解决端侧性能不足的问题。

所以 Ray-Ban Meta 走成功了第一步，但是第二步和第三步的产品迭代，如何在科技、工程、产品需求之间找到平衡点，使智能眼镜进一步智能化，才是真正有挑战的地方。另外，随着 AI 能力的加强，是否存在一条道路能够弯道超车，出现超级有用的 AI 眼镜，也是值得关注的，让我们拭目以待。

真正的混合现实和重新定义的新现实

前面我讲的都是从产品、从行业层面的意义。更多通过看历史，看产品，自下而上地分析行业走向。

我这里想要站在未来角度，再深入探讨一下未来 XR 技术对现实世界的影响。

我们有超小体积超高分辨率的光学显示技术，我们有空间操作系统，我们有同时显示现实和虚拟的透视技术，我们有感知环境的计算能力。

我们再来谈一个已经持续了几十年的概念，MR（Mixed Reality）混合现实。先进的显示技术保证了可以生成以假乱真的数字物体，VST 透视技术保证了数字信息可以出现在现实世界中，空间操作系统确保了这些物体是可以交互的，空间计算能力确保数字信息可以和物理空间融合。

在这样一个标准下，这已经不是简单的信息分发，信息多少的问题，也不是多少虚拟屏幕替代多少实体屏幕的问题。而是我们面对的现实将同时充满由比特构成的数字物体和以原子构成的物理实体。在我们人类文明的几千年历史里，我们面对的始终都是物理世界，面对的始终是物理实体出现在物理空间里。哪怕经历了信息技术快速发展的过去 50 年，我们依然面对的是人们带着各种数码设备，设备里的芯片处理着各种数据帮助我们提升效率、改善生活质量。

我有次和朋友喝咖啡，半开玩笑地跟他说：「我们以前总是用互联网渗透率来讲一个行业发展的程度，但如果我们讲数字渗透率的话，讲数字内容对物理空间的渗透，现在桌上的手机大约也就渗透了 1%，还有 100 倍的增长空间。」

从 2024 年往后，一部分人将逐步开始适应一个新的世界，这个世界并不是 Metaverse，并不是大家争论的完全虚拟的世界，大家也并不会被虚拟世界隔绝，而是一个同时包含数字内容和物理空间的世界，比特将真正参与到构建我们的全新现实中来。

数字内容，将不再是屏幕中的数字、界面、画面、视频。而是一个真实存在于现实空间中，可以进行交互的数字实体。

古往今来，不乏有哲学家探讨虚拟现实和物理现实的意义。从柏拉图的洞穴之寓，到希拉里·普特南的缸中之脑，再到电影黑客帝国。我们总是把虚拟和现实二元对立来进行讨论。然而事实是，对于我们绝大多数人，我们并不需要从红色药丸和蓝色药丸之间进行选择。

真正需要我们接受的未来依然是现实世界。只是这个现实世界和之前有点不太一样。这个世界是由比特和原子共同构成。摆在我们面前的是，如何处理数字内容和物理空间的关系，如何建设一个由数字内容和物理实体共同构成的新现实世界。

「互联网+」将变为「数字+」，而「互联网+」后面的行业，将变成「数字+现实」。

百年后，又有哪些物理实体是必须存在的呢？又有哪些前所未有的数字内容会被创造出来呢？恐怕根本不需要一百年。十年内，世界就会变样。

也许我们最后会发现：原子和比特是一码事。