從“邊罵邊用”到頭部玩家，未來智能完成了艱難的蛻變，團隊深刻總結(jié)出“5+X”法則。

　　正是憑借在垂直場景的深度耕耘、對藍牙底層協(xié)議的優(yōu)化，以及基于“viaim大腦”的硬件重構(gòu)理念，未來智能在巨頭環(huán)伺中構(gòu)筑起差異化的“護城河”，同時也吸引了資本的目光，該公司已完成包括啟明創(chuàng)投領(lǐng)投的Pre A+輪在內(nèi)的多輪融資。

　　近期，在世界人工智能大會(WAIC 2025)現(xiàn)場，觀察者網(wǎng)與未來智能CTO王松進行了深度對話。

　　這場對話，探討了未來智能如何從場景出發(fā)，以AI+硬件的深度融合，在激烈的競爭中開辟屬于自己的航道，并堅定看好AI耳機在未來人機交互中的關(guān)鍵地位。

　　展望未來五年，王松也給出了鮮明判斷：智能眼鏡受限于供應(yīng)鏈成熟度、人體工學(xué)設(shè)計以及開放式耳機在噪音場景的固有短板，短期內(nèi)無法取代具備深度降噪等核心能力的耳機。

　　以下是對話實錄：

　　觀察者網(wǎng)：眾所周知，硬件是AI落地的重要載體。今天，我們邀請到了國內(nèi)AI會議耳機頭部企業(yè)未來智能的CTO王松，請他與我們共同探討AI終端的未來發(fā)展趨勢。

　　王松：大家好，我來自未來智能。這是我第二次創(chuàng)業(yè)，對我而言，這是一次全新開始。我此前的技術(shù)背景主要集中在軟件領(lǐng)域，這次創(chuàng)業(yè)則讓我踏入了硬件領(lǐng)域，這與我之前的經(jīng)歷形成了鮮明對比。因此，我非常榮幸能受邀與大家分享我的創(chuàng)業(yè)歷程以及行業(yè)最新進展。

　　觀察者網(wǎng)：你們團隊中許多成員都來自軟件領(lǐng)域，之前與科大訊飛也有一定聯(lián)系，為何選擇獨立創(chuàng)業(yè)并進入AI硬件領(lǐng)域?

　　王松：我們團隊最初在科大訊飛內(nèi)部，最開始做的是一個名為靈犀的語音助手，這是一款純軟件的語音助手，始于2013年。當時，科大訊飛在國內(nèi)語音領(lǐng)域處于領(lǐng)先地位，而Siri自2011年推出后，我們2013年開始做軟件語音助手，也算是較早的嘗試。

　　在此期間，我們嘗試了通用語音助手，也涉足了多個垂直領(lǐng)域的語音助手，包括點歌、導(dǎo)航，甚至撥打電話等功能，與現(xiàn)在車機中的云助手相似。當時，已有部分用戶在汽車中使用我們的產(chǎn)品，盡管那時汽車行業(yè)尚未像如今的電動車那樣發(fā)達。在這個過程中，我們形成了一個判斷：未來人機交互的主要方式將是語音交互，我們對此深信不疑。

　　ChatGPT的出現(xiàn)進一步堅定了我們的想法。基于這一判斷，再加上當時科大訊飛已在一些垂直領(lǐng)域，如翻譯機、錄音筆等產(chǎn)品上嘗試用AI賦能硬件，雖然當時還未涉足耳機領(lǐng)域，但我們認為可以嘗試將AI與耳機結(jié)合。此外，耳機本身與語音有著天然的強關(guān)聯(lián)，不易被手機替代，甚至我認為它永遠不會被手機取代，或許未來會被眼鏡替代，但那是另一個話題。綜合以上三點，我們最終選擇了AI與耳機結(jié)合的賽道。

　　觀察者網(wǎng)：AI可以跟很多硬件結(jié)合，但你們率先選擇耳機，是不是最看好耳機這個賽道?

　　王松：這也要從我們團隊經(jīng)歷說起。2017至2018年，我們在科大訊飛內(nèi)部開始著手耳機項目，當時產(chǎn)品名為莫比斯耳機，如今仍可檢索到相關(guān)信息。該項目并不成功，原因在于當時整個供應(yīng)鏈尚未成熟。我們試圖在耳機中集成過多功能，甚至加入了心率傳感器，但受限于當時的技術(shù)條件，導(dǎo)致產(chǎn)品整體不夠成熟。直至2019年，我們才正式開啟iFLYBUDS系列的研發(fā)工作。從那時起，我們便開始積累相關(guān)技術(shù)經(jīng)驗。2019年，我們著手研發(fā)第一代耳機，但實話實說，當時的產(chǎn)品也并不成功，用戶在使用過程中確實提出了很多批評。由于第一代耳機存在諸多基礎(chǔ)性問題，比如藍牙連接不穩(wěn)定、單邊耳機無聲等，用戶體驗并不好。究其原因，我們在耳機研發(fā)方面經(jīng)驗不足，導(dǎo)致這些問題頻發(fā)。然而，耳機所搭載的AI功能卻受到了用戶青睞，因為它切實解決了用戶的一大痛點，讓用戶對其愛不釋手。

　　用戶在使用過程中，確實是邊用邊罵。因此，從產(chǎn)品本身的角度來看是不成功的。但從驗證使用場景角度來看，它卻非常成功，讓我們清晰地看到了未來的發(fā)展方向。當時，很多用戶在開會時使用這款耳機進行會議錄音，通過第一代產(chǎn)品的驗證，“辦公會議”這一使用場景已經(jīng)變得非常清晰。因此，我們在后續(xù)的產(chǎn)品研發(fā)中，針對這一場景不斷發(fā)現(xiàn)問題并加以改進。

　　觀察者網(wǎng)：當時產(chǎn)品可能并不理想，用戶反饋對你們后續(xù)改進有哪些深刻的影響嗎?

　　王松：用戶在使用過程中反饋了許多問題，尤其是在開會時使用耳機進行錄音和記錄。在這個過程中，出現(xiàn)了諸如數(shù)據(jù)丟包、藍牙與手機之間的數(shù)據(jù)傳輸鏈路等問題。基于這些反饋，我們判斷這是核心的技術(shù)挑戰(zhàn)，因為其他耳機廠商通常不會遇到這種情況，只有我們在嘗試將耳機用于此類場景時才會碰到。因此，我們圍繞這一點進行了深入研究和改進。我們專注于藍牙技術(shù)，優(yōu)化藍牙底層通信協(xié)議，并與手機進行更好的配合，調(diào)整手機和藍牙耳機上的編碼解碼方式，以確保數(shù)據(jù)鏈路的高效和穩(wěn)定。通過這些努力，第二代產(chǎn)品在這些問題上取得了顯著改善，變得更加穩(wěn)定，基本解決了第一代產(chǎn)品中出現(xiàn)的丟包、斷聯(lián)、無聲等問題。

　　觀察者網(wǎng)：當時總結(jié)起來還是要先把耳機本身做好?

　　王松： 我們總結(jié)了一個重要的經(jīng)驗，稱之為“5+X”經(jīng)驗。未來硬件產(chǎn)品都遵循類似的邏輯，只是不同的硬件產(chǎn)品前面的“N”可能不同。對于耳機來說，這五個基礎(chǔ)要素是：音質(zhì)、續(xù)航、降噪、佩戴和設(shè)計，缺少任何一個，耳機都很難在市場上取得成功。后面的“X”是我們所說的AI功能。只有當這五個基礎(chǔ)要素具備后，耳機作為一個基礎(chǔ)產(chǎn)品才能好用。再加上后面的“X”功能，即AI功能的加持，用戶才更有可能買單。

　　觀察者網(wǎng)： 目前許多消費電子巨頭也在開發(fā)AI耳機，比如蘋果、小米等，他們都在將AI技術(shù)與硬件結(jié)合。而且從AI技術(shù)本身來看，很多技術(shù)都是開源的。如果企業(yè)都能輕易地將AI與硬件結(jié)合，那你們?nèi)绾螛?gòu)建自己的護城河?

　　王松：我也常被投資者問及這個問題。從AI本身來看，大家對AI的共識是存在的。以目前流行的Agent為例，大家對Agent的共識是：大模型作為大腦，需要有記憶功能，并且能夠幫助用戶真正落地完成任務(wù)。但Agent如何應(yīng)用、在哪些場景中應(yīng)用，則是百花齊放的。因為每一家的Agent都不一樣，盡管底層的幾個關(guān)鍵點是共性的。回到AI耳機或AI硬件，邏輯也是一樣的。AI耳機必須具備基礎(chǔ)能力，比如識別、翻譯、合成以及大模型等。但將這些能力應(yīng)用到哪些場景中，每個耳機廠商的做法都不一樣。以我們的耳機為例，主打場景，至少在國內(nèi)甚至全球范圍內(nèi)都沒有競爭對手，因為我們對這些垂直場景的理解是最深的。

　　我們既沒有護城河，又擁有很深的護城河。說沒有護城河，是因為對于全球任何一家公司來說，現(xiàn)在的技術(shù)都是共通的。大模型這種高深的技術(shù)，中國也能迅速趕上，OpenAI前幾年處于領(lǐng)先地位，但如今也被趕超了。作為一家創(chuàng)業(yè)公司，我認為所謂的技術(shù)護城河是不存在的。但我們的護城河又很深，對特定場景的理解，可能大公司不愿意涉足，因為它們太小眾;而對于小公司來說，想要進入又很難，尤其是涉及硬件和對場景的深度理解。我們在藍牙協(xié)議層、通訊層做了很多優(yōu)化工作，要做好這一點其實非常困難。所以，我認為我們的護城河很深。對于AI加硬件，我認為還是要從場景出發(fā)，基于場景去做硬件。

　　觀察者網(wǎng)：深耕這些垂直場景，是不是會給你們積累更多經(jīng)驗和數(shù)據(jù)，從而為AI在垂直領(lǐng)域的應(yīng)用帶來優(yōu)勢?

　　王松：是的。雖然現(xiàn)在大模型能力很強，但它所具備的數(shù)據(jù)大多是公開的公域數(shù)據(jù)，大模型并不具備私域數(shù)據(jù)。這也是為什么大家都在做垂直領(lǐng)域的大模型。無論是金融、法律還是醫(yī)療領(lǐng)域，這些垂直領(lǐng)域的私域數(shù)據(jù)加上大模型的能力，可以打造一定的數(shù)據(jù)壁壘。未來，數(shù)據(jù)從一定層面上來講是一家公司的核心資產(chǎn)。底層技術(shù)其實都相通，基于這些數(shù)據(jù)再加上大模型，我們?nèi)绾握{(diào)優(yōu)、如何為用戶提供更個性化的服務(wù)，這是我們未來需要考慮的問題。

　　觀察者網(wǎng)：目前你們產(chǎn)品底層AI能力是如何構(gòu)建的?現(xiàn)在很多硬件產(chǎn)品都采用端云協(xié)同的路線，你們是如何做的?

　　王松：我們的底層路線也類似，今年5月的發(fā)布會上提出了“一腦多端”的戰(zhàn)略。我們的產(chǎn)品包括耳機和PC端使用的一個硬件產(chǎn)品Kit，這兩個產(chǎn)品可以聯(lián)動，大腦就是viaim大腦，可以簡單理解為背后的大模型。不同的硬件接入到這個大模型中，端側(cè)收集的數(shù)據(jù)，就像我們剛才提到的私域數(shù)據(jù)，進入大腦。大腦為各個端的硬件提供統(tǒng)一服務(wù)，不同端之間也會聯(lián)動。

　　比如耳機和Kit，以及未來我們將推出的其他形態(tài)的硬件，它們之間會有許多協(xié)同配合。我舉個例子，現(xiàn)在智能眼鏡很火，但它具備耳機功能，其實是一種開放式耳機。不過，目前眼鏡的續(xù)航、重量、佩戴舒適度等方面還達不到普通眼鏡的標準。所以，是否可以將眼鏡的部分功能，比如開放式耳機功能，與我們的耳機匹配起來?這樣眼鏡本身可以做到更輕，佩戴起來也不會那么難受。我們會從用戶場景和體驗出發(fā)，優(yōu)化硬件端的佩戴體驗。

　　觀察者網(wǎng)：是否可以理解為，不應(yīng)該將所有功能集中在一個終端上，未來將是多終端的發(fā)展趨勢?

　　王松：我認為未來5到10年內(nèi)需要多終端的配合，耳機肯定需要視覺能力的配合。但目前眼鏡的供應(yīng)鏈還不成熟，只能主打某一場景，無法像手機那樣通用。所以，我判斷未來至少在5年內(nèi)，穿戴式硬件仍將聚焦于某一場景。但5到10年后，隨著技術(shù)、供應(yīng)鏈的成熟，可能會出現(xiàn)下一代通用的計算平臺，像現(xiàn)在的手機一樣，適用于任何場景。

　　觀察者網(wǎng)：是否可以理解為，眼鏡供應(yīng)鏈現(xiàn)階段還不成熟，所以讓眼鏡做它擅長的事情，耳機做耳機擅長的事情?

　　王松：很多人問我，未來眼鏡是否會替代耳機?我認為在未來5年內(nèi)，這種情況不會發(fā)生。耳機目前具備的一些功能，如降噪功能，是眼鏡目前無法實現(xiàn)的。例如，在地鐵或飛機上，開放式耳機由于其特性，很難讓用戶清晰地聽到聲音。因此，在這些場景下，耳機仍然具有不可替代性。然而，5年之后，隨著供應(yīng)鏈和技術(shù)的成熟，眼鏡可能會通過人體工學(xué)設(shè)計等方式整合耳機功能，從而替代耳機。但至少在短期內(nèi)，我認為這種情況不會出現(xiàn)。

　　觀察者網(wǎng)：如何理解viaim大腦的技術(shù)架構(gòu)?與純軟件方案本質(zhì)上有哪些差異?

　　王松：作為一家硬件公司，在設(shè)計大腦架構(gòu)時，我們更多地從硬件層面出發(fā)。以耳機為例，上一代耳機在硬件結(jié)構(gòu)和算法設(shè)計上，并未考慮AI功能。傳統(tǒng)耳機主要為人耳聽音設(shè)計，只要通話清晰即可。例如，在嘈雜環(huán)境中打電話，只要對方能聽清聲音就行。但AI耳機不同，它是人類與AI交互的入口。以我佩戴的AI耳機為例，它只需讓AI聽清、聽懂我的話，人耳是否能聽清并不重要。從數(shù)據(jù)鏈路、協(xié)議到藍牙協(xié)議層面，都需要做出改變以適應(yīng)AI耳機。以ENC算法為例，它會影響語音識別算法的準確性。如果識別算法不準確，轉(zhuǎn)錄的文字不準確，輸入到大模型中的數(shù)據(jù)也會不準確，從而導(dǎo)致生成的答案不準確。因此，在設(shè)計大腦架構(gòu)時，我們從硬件層面出發(fā)，優(yōu)先考慮讓AI能夠聽懂。我們也希望國內(nèi)大廠能推動國際藍牙聯(lián)盟從底層協(xié)議層面做出改變，因為當前的藍牙協(xié)議已不適應(yīng)AI耳機發(fā)展。

　　觀察者網(wǎng)：說到藍牙協(xié)議，國內(nèi)很多企業(yè)正在組成了星閃聯(lián)盟，你們有與他們接觸嗎?

　　王松：華為的星閃協(xié)議本質(zhì)上是從2.4G鏈路出發(fā)，優(yōu)化藍牙和Wi-Fi(兩者均為2.4G協(xié)議)的傳輸效率，但并未從大模型層面思考問題。具體來說，藍牙耳機工作時有兩種狀態(tài)：通話狀態(tài)(HFP)和聽歌狀態(tài)(HDP)。我認為還應(yīng)增加第三種協(xié)議，即AI語音協(xié)議。這種協(xié)議從語音數(shù)據(jù)進入耳機開始就不一樣，其數(shù)據(jù)收集方式就應(yīng)與通話和聽歌不同，是從協(xié)議底層開始改變。星閃協(xié)議并未從這一層面出發(fā)，而是側(cè)重于優(yōu)化數(shù)據(jù)鏈路本身的傳輸效率，因此與我們的需求有所不同。

　　觀察者網(wǎng)：星閃協(xié)議與藍牙協(xié)議可以說各有優(yōu)勢?

　　王松：是的，它們各有優(yōu)勢。

　　觀察者網(wǎng)：AI會議耳機可能會涉及一些敏感場景，如商務(wù)辦公可能會涉及商業(yè)機密。在具體應(yīng)用場景中，你們?nèi)绾翁幚硇逝c隱私安全的問題?

　　王松：隱私問題確實是許多用戶，包括我們自身都非常關(guān)心的。隨著智能設(shè)備時代的到來，大家對隱私關(guān)注度越來越高，無論在海外還是國內(nèi)。未來，穿戴設(shè)備可能會處于“始終在線”的狀態(tài)，例如我們的耳機可能會24小時在線，持續(xù)收集周圍的聲音和視覺數(shù)據(jù)。以智能眼鏡為例，其拍攝功能可能在無意識、不知情的情況下侵犯他人隱私。

　　從隱私保護角度來看，我們主要從兩個層面考慮。首先是技術(shù)層面，我們采用了端到端的加密保護措施。從語音數(shù)據(jù)進入耳機的那一刻起，就會進行加密處理，一直到手機端、云端，再返回耳機，整個鏈路都進行了加密。這是技術(shù)層面的保障，我們也在使用業(yè)內(nèi)先進的加密算法。其次是制度和人性層面。許多用戶會問，使用我們的耳機錄制會議后，員工是否會查看會議數(shù)據(jù)，這是一個很自然的問題。但我們認為，用戶對品牌的信任至關(guān)重要。例如，大家在使用騰訊會議或飛書會議時，通常不會擔心騰訊或飛書的員工會查看會議記錄。這是因為用戶對這些大廠已經(jīng)建立了某種信任，相信它們會在制度層面杜絕此類事件的發(fā)生。對于我們來說，我們也需要不斷強化用戶的認知，建立用戶對我們品牌的信任。從公司成立的第一天起，我們就立下規(guī)矩：員工不得觸碰用戶數(shù)據(jù)，這是一條紅線。

　　觀察者網(wǎng)：未來你們是否會側(cè)重端側(cè)AI能力，將更多隱私權(quán)交給用戶?

　　王松：我們最近上線了全離線功能，數(shù)據(jù)都在用戶手機上，只要斷網(wǎng)，用戶依然能使用這些功能。手機算力比耳機強很多，至少強100到1000倍。因此，全離線功能可以讓用戶在不聯(lián)網(wǎng)的情況下依然使用AI能力。未來我們會將更多能力離線化，甚至在耳機上也會有一些離線功能，但耳機算力有限，可能需要5年左右才能運行一些小模型。從端到端的加密措施、企業(yè)制度、品牌認知建立以及全離線能力等多維度保護用戶隱私，這非常重要。

　　觀察者網(wǎng)：除了耳機，你們未來是否會進入其他硬件賽道?

　　王松：一定會。我們目前的產(chǎn)品不僅包括耳機，還有PC端的Kit。我們選擇耳機的初衷是基于語音交互的考慮。未來除了耳機，用戶在辦公場景中可能更多地在辦公桌前，不一定佩戴耳機。因此我們會從場景出發(fā)，思考如何將語音交互融入辦公過程。我們會基于這一思路決定開發(fā)哪些硬件。目前，我們已經(jīng)在研發(fā)一些新硬件產(chǎn)品。下半年或明年可能會推出新品，這些產(chǎn)品將圍繞我們的viaim大腦和辦公會議生態(tài)，讓用戶辦公更加輕松。

　　觀察者網(wǎng)：除了耳機，您最看好那個AI跟哪個硬件結(jié)合?

　　王松：我個人比較看好眼鏡的未來。不過，我們現(xiàn)在沒有做眼鏡的原因，是因為目前的供應(yīng)鏈還不成熟，用戶教育也有一定難度。盡管AI眼鏡概念很火，但每年的出貨量其實并不多，可以說是叫好不叫座，所以我們在這一塊相對比較謹慎。但我個人是比較看好眼鏡形態(tài)。眼鏡本身具備視覺和顯示能力，也有聽覺能力，是一個相對比較完整的形態(tài)。

　　觀察者網(wǎng)：現(xiàn)在很多眼鏡是不是處于缺少內(nèi)容和原生應(yīng)用的狀態(tài)?您認為眼鏡的理想狀態(tài)應(yīng)該是什么樣的?

　　王松：從兩個層面來講，一方面眼鏡的內(nèi)容生態(tài)需要建立，就像最初iPhone的崛起，先是有了硬件，大家覺得硬件好用，然后吸引了眾多開發(fā)者，形成了App Store生態(tài)，這是一個螺旋式上升的過程。未來眼鏡也會走類似的路線，前提是硬件一定要好用，先讓硬件普及，才會有更多開發(fā)者加入，生態(tài)才會逐漸建立起來。這是一個循序漸進的過程。未來兩三年后，隨著眼鏡技術(shù)的成熟，它會大幅改進耳機的局限性。耳機可能天生有缺陷，未來可能只是某個輔助或特定場景下的設(shè)備，而眼鏡可能會在更多場景中發(fā)揮主導(dǎo)作用。不排除未來還會有其他形態(tài)的硬件出現(xiàn)。比如之前失敗的AI Pin，它也做了一些很好的嘗試。還有前幾個月泄露的OpenAI與前蘋果設(shè)計總監(jiān)合作研發(fā)的胸前佩戴設(shè)備，也是一種可能的硬件形態(tài)。

　　觀察者網(wǎng)：在“一腦多終端”的戰(zhàn)略下，這些設(shè)備是不是可以協(xié)同起來?

　　王松：是的，我認為它們不是互相取代，而是協(xié)同。在技術(shù)不成熟的時候，每個設(shè)備在某個場景上都有獨特的優(yōu)勢，可以和其他設(shè)備協(xié)同。未來可能會有一個設(shè)備發(fā)展成像現(xiàn)在手機這樣的通用設(shè)備，但還需要很長時間。

　　觀察者網(wǎng)：眼鏡的發(fā)展不僅需要硬件成熟，也需要AI能力進一步提升。AI耳機的AI能力如果按照智能駕駛的L1到L5級劃分，現(xiàn)在可能處于哪種狀態(tài)?

　　王松：我認為現(xiàn)在最多只到L1級別。我和內(nèi)部的同事也在討論，之前OpenAI發(fā)布了一個從L1到L5的Agent定義，我認為耳機基本上可以套用那個邏輯。目前耳機還處于比較初級的L1級別，什么時候能到L2或者L3?有可能在未來兩三年內(nèi)會實現(xiàn)。

　　觀察者網(wǎng)：這還需要大模型算法等能力的進一步進化?

　　王松：大模型算法現(xiàn)在可能已經(jīng)接近極限了，因為某些Agent已經(jīng)發(fā)展得相對比較好了。但如何將這些Agent與耳機結(jié)合，是一個需要探索的點。

　　觀察者網(wǎng)：你們在下半年或未來幾年將著重發(fā)力哪些方面?

　　王松：首先是AI硬件，其作為人類的“耳朵”和“眼睛”，如何更高效地將周圍數(shù)據(jù)傳輸至AI大腦，這是需要研究的第一點，無論是聽覺還是視覺數(shù)據(jù)。這些數(shù)據(jù)并非為人眼觀看，而是優(yōu)先讓AI理解并處理。其次，由于我們本身不研發(fā)大模型，因此在大模型層面更多依賴業(yè)內(nèi)巨頭的進展。但我們會在大模型基礎(chǔ)上進行開發(fā)，如剛才所討論的，將私域數(shù)據(jù)融入大模型體系，為用戶提供更優(yōu)質(zhì)、個性化的服務(wù)，這是我們需探索的方向，也是我們的優(yōu)勢所在，必須深耕垂直場景進行優(yōu)化。

　　觀察者網(wǎng)：未來智能在出海方面，目前海外市場的拓展情況如何?

　　王松：我們從去年開始在海外進行試點，在東南亞的新加坡進行試點，今年則拓展至北美、日本，并計劃下半年進入歐洲。目前，我們正在積極布局海外市場的線上線下渠道，海外市場是我們未來的主戰(zhàn)場。

　　觀察者網(wǎng)：海外與國內(nèi)市場的理想占比大概是多少?

　　王松：參考業(yè)內(nèi)一些成熟或成功的公司案例，海外市場的比例通常大于國內(nèi)市場。

　　觀察者網(wǎng)：海外市場也存在一些挑戰(zhàn)，比如涉及AI方面的法律法規(guī)?

　　王松：是的，海外對隱私保護特別關(guān)注，包括海外用戶在硬件、軟件使用習(xí)慣上與國內(nèi)用戶存在差異，甚至在模型層面也有一些需要適配和適應(yīng)當?shù)貤l款或習(xí)慣的地方。

　　觀察者網(wǎng)：好的，今天的對話就到這里，謝謝。