分体式AR“主机”接连推出，苹果会跟进吗？

一个有着30年开发历史的“新产品”，一代代推进关键技术，经历过充分的产品验证和选型试错，如果预想中的大规模使用场景迟迟未能实现，那证明这条路线可能存在某些根本性的障碍。

VST沉浸式头显，也许一开始就是错的。

 

一、先驱索尼

 

早在32年前的1992年，索尼就研发出了Sony Visortron，作为一种头戴式显示器（HMD），它搭载了早期的液晶显示器（LCD），图像质量在当时也算出类拔萃。 Sony Visortron可以作为电视“接收器”使用，它也强调“大屏”，拥有沉浸式观看体验，等效画幅约为在1.2米远处观看“33英寸电视”。 

Sony Visortron的产品定位和预想使用场景，与今天的VST头显类似，在当时就有日本航空公司采购，设想以“头戴私人影院”方式让乘客们消磨枯燥的长途旅行时光。 

Sony Visortron为萌芽中的“虚拟现实”概念提供了一个现实范例。随后开发者开始瞄准家庭场景，并且与今天的VR头显一样，在最具有商业潜力的游戏应用上尝试，甚至开始研发体感运动游戏所必需的全身追踪技术。然而，这些都是徒劳，厂商再怎么努力也无法让消费者对这类产品产生真正兴趣。 

比如著名的游戏机厂商SEGA在1993年研发的“Sega VR”最终流产。作为在20世纪90年代初开发的一款最终未发布的虚拟现实头戴设备，Sega VR仅在一些贸易展览和博览会上进行了公开展示，先是发布被推迟，在遇到开发问题后被彻底取消。在取消之前，至少有四款使用该硬件的游戏正在开发中。

从上世纪90年代开始，索尼就不断在HMD设备上推陈出新，比如1996年发布的Sony Glasstron系列，首款产品PLM-50拥有更加沉浸和便携的视频观看体验。

1998年，索尼又推出了第二代产品Sony Glasstron Lite系列，产品外观更加时尚小巧，升级到等效52英寸屏幕的画幅，还可以与当时索尼最新的DVD播放器和家用游戏机连接使用。

1999年，索尼推出了LDI-100B，该设备开始被应用于医疗可视化以及设计和建筑等领域，并且与虚拟现实可视化场景中的基本追踪技术结合使用。与当时昂贵的商业头戴式显示器相比，索尼提供了一种更具成本效益且更加轻便的HMD解决方案。 

随后，索尼又在3D显示和“摄像头透视”等产品特性上寻得灵感。经过持续不断的方案改进，2012年，索尼推出了HMZ-T1系列，达到了等效150英寸屏幕的画幅效果，紧接着又推出了第二代产品HMZ-T2，开始了早期的透视技术的研发。Sony HMZ-T2 Prototype-SR的正面中央有一个凸出摄像头，能够将所拍摄的现实世界的视频传输到头戴式显示器中，达成了现实意义上的混合现实体验。

二、VST头显的极致演绎和边缘物种OST分体式设备

 

VST路线的虚拟现实，30多年来的迭代有一条清晰的路径：

• 超密集像素的OLED屏幕取代了LCD，空间分辨率越来越高；

• 光学透镜模组趋向复杂精密，近眼显示综合效果更加“干净”和“舒适”；

• 混合现实所必需的摄像头透视VST，关键的传感和画面延迟、畸变矫正算法、实时处理算力不断突破极限。

然而，塞进去的东西越多，追求的性能越极致，体积、重量、成本就越难平衡。

苹果的Vision Pro几乎触及了VST头显的光学、显示、传感器、算法算力、人机交互几乎所有关键特性的天花板，它的市场表现却让人失望。依靠摄像头来透视现实世界的混合现实在市场中遇冷，究竟是技术发展还不到位，硬件极限还远远未被挖掘，还是要归因于内容生态迟缓且碎片化，没有像PC那样形成标准体系？ 

经历30年的发展和试错，强如苹果Vision Pro在全球刷屏，内容和应用生态还无法支持，销售也没有后劲。你很难不反思，VST产品路线的底层困难并未被完全洞察，或者，索尼、苹果这些大公司的产品路线，根本就是错的？

跟索尼在上世纪90年代时最初的设想类似，理想状态下，都认为机舱环境几乎是Apple Vision Pro这类VST头显的最佳使用场景，与在小桌板或者腿上打开电脑敲键盘，还要操心屏幕内容被邻座看见的体验相比，Apple Vision Pro提供的视线隔绝以及本身的超高清显示简直是革命性体验。Apple Vision Pro穿透视频超过人体可感知阈值的超低时延，也基本最小化了由此带来的眩晕和不适。

现实情况是，Apple Vision Pro并没有被看到在飞机旅行等场景中，得到大规模的普遍使用，因为只要使用频度和时间上来了，VST的摄像头透视不可避免就会令人晕动症发作，加之视觉辐辏冲突、高分辨率的超大FOV显示，很快就会让你感到眼睛不适，大脑疲劳。尝鲜几次很震撼，但基本不可能变成司空见惯的那种高频使用。

即使是最死忠的苹果粉，在家庭和其他消费场景的应用中，Vision Pro也很难避免“买回来不久就吃灰”的情况。

关键原因，可能就是之前研究文章《关于Apple Vision Pro的一些启发》所阐述的：

“ Apple Vision Pro 能否成为“空间显示器”，关键不在你采用了哪种先进面板，不在显示质量、分辨率，也不在刷新率，而是一个人体工学的问题，在于人类视觉的底层机制变成了阻碍。Vision Pro的R1再怎么强大，video数据流处理过程再怎么先进，画面延迟再低，用VST也无法解决运动状态下凝视画面，产生的耳蜗-前庭-眼球协调的问题。

只要看到的画面运动刷新和内耳检测到的旋转速度不一致，晕动症就或多或少会发生。解决方案似乎只有发展出真正的光学透视，天然的OST过程，光子打到视网膜转化为视觉神经信号传输到大脑，才能真正消灭延迟。  ”

面向未来的竞争高度不确定性，正确的产品形态是从试错得来的，而不是一开始就有标准答案。

VST一体式头显和OST的分体式设备，索尼和苹果持续几十年在不遗余力推进，后者是几乎被大公司过滤的简陋形态，但如果你仔细观察，充分体验过两种产品，不难发现，OST分体式设备有破坏性技术产品的种种征兆：

（1）一出现就带有明显的品质缺陷，无法被现有市场的主流产品客户认同，具有典型的灰天鹅特质。OST分体式设备的传感和人机交互处于“低维”，技术保守，并没有达到完全“混合现实”的那种高水准的虚实融合体验。

（2）由于无法被市场认同，所以很难在现有市场成功销售。其所应用的市场不可知，需要开发。消费级AR确实是目前被大公司看不上的边缘物种，中国只有Rokid、XREAL、雷鸟等几家在笨拙试错，市场规模也是肉眼可见的小，特别是相比VST一体机头显。

（3）开发出的市场初期规模不大，与现有的市场并不重合。

（4）产品利润率并不高，竞争可能还很激烈，企业创业失败的几率比较大。

Rokid AR Lite空间计算套装和XREAL最新发布的Beam Pro。两家都是采用BirdBath原理，只有20%左右透光的轻便AR眼镜被用作沉浸式大屏幕，进行3D显示。两家都是在空间中虚拟出一块“大屏”，做最基础的虚实融合，再搭配各自的AR“算力主机”，继承来自PC和手机的应用生态。

Rokid和XREAL的OST分体式设备，跟Apple Vision Pro在软硬件上完全不是一个档次的产物。Vision Pro豪华至极——4K分辨率的OLED硅基微显示屏，复杂的多模态传感器，分离传感器数据压缩延迟的专用芯片R1、桌面级的强大中央处理器M2、超级Pancake的定制光学模组，多年开发的画面矫正算法，推倒重来的全新体系的人机交互……

Vision Pro的硬件堆料做到了什么程度？仅传感器就配置了十几个，包括用于眼球追踪的红外相机，进行LiDAR SLAM的dToF雷达和深度相机，不同位置用于VST、超大范围精准手势识别或视觉SLAM（未确定）的高清摄像头。 

在Vision Pro身上，VST路线进行了彻底的硬件“暴力演绎”，未来的技术潜力几乎被榨干。但这真是用户想要的？索尼有几十年沉淀，苹果更表演出了极致，市场的反馈依然不乐观。

部分透光BirdBath原理的消费级AR眼镜和集成了传感sensor、算力芯片、电池的AR主机，组合在一起成为OST分体式设备。该思路是在当下技术条件下进行虚实融合时，在显示效果、成本、应用场景上进行的最大化妥协。

这样的“空间计算套装”，在移动轻办公和移动娱乐上是可以部分取代笔记本电脑、平板电脑、手机，如果硬件配置更高，功能还能进一步增强。以及，Rokid AR Lite和XREAL Beam Pro的“空间大屏”带来了场景、位置、身体姿态完全自由的虚拟3D大屏，几乎在任何场景都能获得巨幕观影、网页浏览、游戏娱乐的无碍畅快体验。

Rokid 和XREAL两家的不一样之处在于，Rokid AR Lite是用AR眼镜搭配一个可以进行“空间触控”交互操作的算力主机，重点在具备空间操作系统、人机交互上的低门槛和能够快速上手的特性，以及针对虚拟大屏的优化，比如简单拖拽就可当作“多联屏”使用，虚拟屏幕大小可调，还有巨幅画面显示运动防抖的特性。

XREAL跟Rokid一样，这一代AR眼镜基本不做硬件迭代，前几天发布的AR主机Beam Pro，重点在空间影像拍摄+3D显示中形成体验闭环，将有深度信息的空间影像的用户价值发挥到淋漓尽致。

XREAL Beam Pro相比Rokid AR Lite套装的Station 2主机，体积更大、更重，增加了一对间距较大的摄像头模拟双眼立体视觉，并且主机保留了实体显示屏，售价却出人意料地便宜。

XREAL Beam Pro针对空间操作系统的优化，人机交互体验在发布会上并未提及，乍一看就是一部不能打电话的“红米手机”。 

现在的消费级AR市场，在售价2万~3万重量600多克的一体机Vision Pro之外，还有售价三四千、AR眼镜只有70多克的OST分体式设备。空间计算除了走耗费人力物力铺就的大道，还有羊肠小径可以探索。 

从行业专家的口中得知，像Rokid和XREAL这样选择做AR主机，更多是出于现实考虑无奈的选择，手机大厂不开放硬件和系统权限，空间计算的整体系统、应用调用、跨设备人机交互是割裂且处处受限的，很难做针对性地深度优化。

但有趣的是，供应链和行业专家也在传，苹果或将推出光学透视的消费级AR眼镜，它可以连接自家iPhone充当“AR主机”，可能进行OST分体式设备形态的“试错”。 

OST路线的好处就是“穿透”，与外界的“连接”和“交流”是无延迟、信息充分透明的。相比VST全程以一个焦点凝视虚像，OST可以随意切换不同景深的自然景物，眼睛和大脑的疲劳能大大减轻。归根结底，消费者几乎不可能适应”以放大镜或者潜望镜为主要方式“去观察世界，VST的根本性障碍一直在那里。 

老调重弹也是预警：充满活力的技术驱动创业公司，在切换赛道时，是具备以小搏大的能力的。大公司傲慢、迟缓，不愿意左手搏右手，放弃已有巨大市场份额和利润的产品形态。在全新的产品形态还未体现出完全压倒性的竞争力时，会被内部掣肘、打击、否定，被不合适的流程和企业文化拖累。这时候创业公司的机会就来了。

就像《创新者的窘境》所描述的：

“ 就算经营最好的公司，尽管他们十分注意顾客需求和不断开发新技术，但都可能被破坏性创新所影响而导致失败，而覆灭的种子恰好是在领先企业全盛时埋下的。企业把自己的优点极大化后，没留余地让自己冒险。就是说他们仍然在追求“正确地做事”，而全然未意识到——它做的事可能已不正确了！最后在遇到破坏性技术变革和市场结构变化时，都成为一百分的输家。 ”

本文来自微信公众号：“AR研究媛”（ID:ar-supergirl），作者：研究媛