一个做了近十年车载 HUD 的创业者，把早期的儿童桌面产品拿给自己的孩子体验，得到的回答却是：“我不用。”
这个“用户痛点”，是徐俊峰设计这款产品时没有想到的。
过去十年，他创办的 FUTURUS 一直在解决复杂硬件如何从技术方案走向稳定量产的问题：把数字画面投射到汽车前方视野，通过空间计算让导航和道路建立关系，再将光学、算法、环境数据和整车系统稳定协同。
如今，随着大模型能力快速跃迁，一个新的问题开始出现：AI 如何从对话框走向现实世界，真正进入人们的日常生活？在徐俊峰看来，下一阶段的关键在于为 AI 找到合适的“物理入口”。而这一判断的形成，还要从他 10 年前的一次选择说起。
2015 年，在通讯与消费电子行业工作近十年的徐俊峰决定创业，选择的方向是此前从未涉足的汽车座舱。
这场跨界选择并非凭空发生，徐俊峰早年在南京大学接受数学与物理训练，随后进入富士康等国际科技企业，从事微波、声学、光学及复杂硬件相关的研发与管理。长期的工程经历，让他判断新技术时不仅关注概念本身，也格外在意供应链、工程条件和产业成熟度。
2015 年，正是中国新能源汽车产业开始快速增长的节点。徐俊峰判断，汽车的电动化和智能化浪潮，将带来下一波大的产业链机会，尤其是汽车座舱内的显示、计算和交互方式升级，必然会催生对新技术、新供应商的需求。
于是，他选择从服务于视觉体验的车载抬头显示（HUD，Head-Up Display）切入。这项技术最早源自民用航空，通过投影，让飞行员不必频繁低头查看仪表。进入汽车座舱后，它又从 W-HUD（只能简单投射仪表信息），逐渐发展到融合定位、车身姿态和环境感知数据的 AR-HUD，让虚拟信息能与真实道路融合，提升驾驶体验及安全性。
2016 年，徐俊峰创办未来黑科技（FUTURUS）。经过 10 年的技术研发，FUTURUS 积累了 600＋项 HUD 国际国内专利，成为近四年 HUD 专利申请量最多的中国企业。工程验证方面，FUTURUS 的 HUD 系列产品，累计交付超过 120 万台，搭载于蔚来、理想、领克、极氪等品牌的 9 系高端旗舰车型。
图 | FUTURUS 产品在最新款蔚来旗舰车型 ES9 演示效果（来源：FUTURUS）
但在徐俊峰看来，车载 HUD 从来不是公司的技术边界。围绕汽车显示，未来黑科技沉淀的是一套以空间光学、增强现实、空间计算以及空间交互为核心的底层能力。
如今，AI 浪潮又让徐俊峰重新思考这套底层能力的价值。它们不仅可以服务于显示和交互，也可能成为 AI 感知、理解并进入物理世界的空间入口。
徐俊峰认为，今天的 AI 已经具备强大推理能力，但依然缺乏对一个“具体的人”的立体理解。它需要走出纯数字世界，通过稳定的物理终端去熟悉人的日常习惯与环境。汽车是一个极佳的起点，但绝非终点。未来的手机、电脑、车载屏幕乃至环境中的各类硬件，都将成为智能体感知物理世界的接口。
顺着“空间入口”这个思路，未来黑科技做了一款与 HUD 形态截然不同的产品——“爱视可”（EyesCare）空间光学读写台。
硬件上，它复用了车载 HUD 同源的空间光学能力，将原本要近距离阅读的书本与屏幕画面，拉远至 2—10 米外的视觉虚像，希望减轻孩子长时间近距离用眼的负担；与此同时，阅读、书写、网课和数字内容被汇集在同一个桌面场景中，为未来更自然的智能交互留下接口。
图｜“爱视可”（EyesCare）空间光学读写台。（来源：FUTURUS）
从汽车挡风玻璃到儿童书桌，两种产品相距甚远，但徐俊峰认为：产品研发应该从第一性原理出发，先回到人的真实需求，再判断技术该以什么样的形态进入现实生活。
这种思考方式贯穿了整场采访。面对一个问题，徐俊峰习惯不断向下拆解，把技术、商业、用户，甚至自己的性格和判断都拆成不同变量，再重新寻找它们之间的关系。也正是这种习惯，让他既把问题想得足够远，又会不断回到现实条件，寻找当下可行的落点。
在这场对话中，我们从他过去的选择谈起，也试图理解，一个长期把目光放在未来的人，今天如何判断下一代 AI 应该从哪里进入真实世界。
以下是 DeepTech 和徐俊峰的对话：
先看二十年，再回答今天
DeepTech：从求学、进入企业做研发和管理，到后来创业，哪些经历对你判断技术和产品的方式影响最大？
徐俊峰：在我看来，一个人最后会变成什么样，很难简单归因于某一段经历。
如果粗略地分，我认为至少有两类东西在影响一个人的决策。一类是 doing，就是“你能做什么”，比如智力、空间能力、对情绪的控制，这些更接近能力和禀赋；另一类是 being，即“你是一个什么样的人”，比如乐观还是悲观、有没有责任感，这些更接近人格和性格。
这些特性的底层差异很早就存在，后天经历会让它们逐渐成熟，个人也会在其中不断修正认知。
我自己就是这样。二十多岁时，我就读于南京大学理科强化班，主要学数学和物理，也接触过生物、天体物理、化学、计算机和电子等学科。是很典型的纯理科背景，没有特别具体的工程技能，但我很喜欢动手折腾，对 DIY 和电子产品也一直很感兴趣。
大概在 2005 年，还在读研究生时，我就想过自己做一台虚拟现实显示器。这个想法和当时的学业、工作都没有太大关系，更多是出于兴趣。后来进入企业，真正做了工程和产品，我才逐渐意识到，一项技术在逻辑上成立，距离它成为真正可用、可以量产的产品，中间还有很长的路要走。
所以回头看这二十年，我觉得自己其实一直没怎么变。或者说，一些底层判断和兴趣相对稳定，变化更多发生在方法论上。年轻时更多凭兴趣和直觉，后来会更加在意一个对未来的判断，怎么慢慢变成当下可以走的路。
DeepTech：你原本在手机行业深耕多年，为什么 2015 年前后真正创业时，把落点放在了汽车？
徐俊峰：在手机行业，当 iPhone 横空出世的时候，我还很年轻，没有资金和产业资源，我不可能复制同样的机会。
但我亲眼见证了 iPhone 如何改变产品、供应链和用户习惯。这段经历让我开始关注产业周期。一项新技术什么时候只是概念，什么时候可以形成完整产业，差别很大。
我创业早期其实想过做 AR 眼镜，觉得这是个很好的应用场景。但当时的技术条件和市场，决定了 AR 眼镜的重量和续航，很难由创业公司解决。
与此同时，2016 年前后，新能源汽车开始快速增长，我认为汽车的电动化和智能化会持续很长时间，并带来新的供应链机会。
从技术条件看，汽车很适合承载显示和交互系统。它有稳定能源，有足够空间放置传感器、计算设备和光学系统，挡风玻璃可以作为显示屏幕。对我们来说，新能源汽车既处在产业变化的早期，又能容纳当时已经具备工程基础的技术。
当然，我们进入智能座舱领域以后才发现，这个行业远比想象中复杂得多，难得多。
DeepTech：汽车开发周期很长。进入这个行业后，你怎样安排公司的创新节奏？
徐俊峰：一开始其实没有很成熟的方法。
最开始几年，我们很大一部分时间是在学习汽车产业，花了很多时间理解车厂开发、验证和量产产品的逻辑。当然走了不少弯路，但它也是必须交的学费。
等真正看明白这个行业后，我才开始把路线拆成几个阶段。
我定的开发节奏以三年为一个周期。对汽车这种行业来说，技术能做出来和产品能稳定量产，中间还有很长距离。因此，我们不是说每三年在实验室里做出一个样机，而是希望用三年完成一项技术从研发走到成熟，再量产和落地使用。
（来源：FUTURUS）
在这个过程中，我们会先把底层能力做扎实，再往下一层走。比如先把基础光学和关键部件做成熟，再加入增强现实和空间计算，再往后才是更复杂的智能交互。
我比较喜欢三年的节奏。一年太短，容易被具体项目牵着走；十年又太虚，技术、市场需求面临太多不确定性。三年是个既能把目标定得远一点、又能验证和及时调整的尺度。
AI 不再缺智力，缺的是进入生活的方式
DeepTech：这一轮大模型的发展，为什么会让你重新思考原来的技术路线？
徐俊峰：其实十年前我们也讲 AI，但那个时候我们脑子里的“人工智能”，和今天已经完全不是一回事了。
上一轮深度学习当然很重要，它让机器在视觉识别、语音识别、推荐这些具体任务上取得了很大的进步，但在我看来，它仍然更像一套能力很强的工具。你给它相对明确的问题，它可以回答得非常好，但它很难真正理解一个人的意图，更谈不上和人长期、自然地相处。
这一轮大模型给我的感受很不一样。它已经表现出了比较完整的常识、语言能力、逻辑和推理能力。你不再需要把每一个问题都拆得非常清楚，它可以理解上下文，并在信息并不完整的时候推断你到底想解决什么问题。
这轮 AI 浪潮第一次让我觉得，它已经不是个单点能力，开始接近一种可以真正参与工作和生活的智能。
当然，它还有很多不完整的地方。比如很多理工科背景的人会说，大模型本质上还是一个函数，没有真正意义上的长期记忆。这种说法本身没有问题，但不能因此低估它已经达到的能力。
人的记忆其实也没有想象中那么精确。比如我们今天聊完，明天大概率不会记得每一个问题的原话和细节。但会留下几个关键词、一些重要判断，以及这次谈话大致给我的感受。之后需要的时候，大脑又会重新组织这些信息。
从产品和实际使用的角度看，这一轮 AI 已经跨过了一个很重要的门槛。过去我们是在想“机器能不能完成某项任务”，现在开始可以认真讨论“一个智能体能不能长期参与人的生活”。
DeepTech：你似乎并不认为，模型本身会长期成为最稀缺的能力。
徐俊峰：大模型能力的跃迁当然非常重要，没有这一步，后面的很多产品设想都没有基础。但当模型跨过“能用”门槛以后，接下来竞争的重点未必会是比哪家模型更聪明。
我的判断是，未来基础模型很可能会进入一个相对充分竞争的市场。如果有几家公司都能提供足够好的模型，那么模型就会越来越成为一种“大宗商品”。用户当然还会在乎性能，但大家普遍达到某个水平以后，成本、稳定性、响应速度和调用方式就会越来越重要。
尤其当 AI 真正进入大规模应用，token 会变成一种持续成本。这个时候，为了几个百分点的能力差异支付很高的溢价，不会是一件长期成立的事情。
对于普通消费者来说，今天模型的能力其实已经相当充裕了。一个人大多数日常需求，无非是找信息、买东西、安排出行、处理工作和安排生活，这些任务并不需要全知全能的超级模型。
对个人 AI 来说，知道全世界所有知识未必是最重要的。更重要的是它究竟有多了解这个具体的人。个人之外，企业场景对准确率、可靠性和复杂任务能力要求更高，但只要整个系统架构设计得够好，这也不成问题。
DeepTech：你所说的“进入生活”，和今天的聊天机器人有什么区别？
徐俊峰：今天很多 AI 仍然是你问一句，它回答一句。即使搜索能力越来越强，真正把事情做完的人，通常还是用户自己。
我把未来的能力粗略分成 3 层。第一层是进入数字世界。比如我要去一个地方，它不仅列出航班和酒店，还能调用相应服务，把机票、住宿和交通安排好。
第二层是进入物理世界。AI 需要获得现实环境的上下文。人在车里时，它知道车辆的位置、道路状况和周围环境；人在书桌前时，它知道使用者正在阅读、书写还是上课。它还要把这些信息与过去的交流联系起来。
第三层与人的状态有关。比如一个人今天情绪明显不好，AI 未必需要立即说很多话，但可以意识到这种变化，在适当的时候作出回应。今天的大模型在第一个层面已经很强，后两个层面仍然处于早期。
所以我现在关心的问题，不只是下一代模型还能聪明多少，而是 AI 怎样拥有“眼睛”，怎样了解环境，并逐渐积累与一个具体的人有关的长期信息。
DeepTech：这样的个人智能会更依赖终端侧吗？
徐俊峰：我认为它会是一个端侧和云端结合的系统。与个人密切相关的感知、记忆、习惯和实时交互，可以更多保留在端侧；需要庞大知识和复杂推理时，再调用云端模型。
我把它分成两个概念。一个是“数字化的我”（Cyber Me），长期积累一个人的工作、学习、生活和社交信息，逐渐形成对其习惯和行为方式的理解。另一个是“数字伙伴”（Cyber Mate），它不必复制一个人，但要足够了解他，可以交流，也可以替他完成一些事情。
这里还有一个重要问题，与个人有关的数据应该与底层模型逐渐解耦。今天使用这个模型，明天可以更换另一个模型，但过去几年甚至几十年积累的记忆、偏好和关系仍然能够保留。否则，每换一次模型，又相当于重新认识一个人。
汽车正在成为新的交互空间
DeepTech：沿着 HUD、增强现实再到 AI 继续发展，你想改变的似乎已经不只是显示？
徐俊峰：HUD 最初解决的是一个具体问题：减少驾驶者低头的频率，把重要信息放到前方视野。如果只做到这一点，它仍然是一块改变了位置的显示器。
过去人进入数字世界，通常要先看一块屏幕。看手机、电脑或者中控屏时，注意力会从现实环境转移到数字界面。我们做的空间显示，就是尝试把数字内容放回现实环境，使人不必在两个世界之间频繁切换。
比如我们的 ARHUD 产品，一条导航提示不只告诉你“前方右转”，它还准确与真实路口对应；系统识别到车辆、行人或建筑后，数字信息会跟这些现实景象建立空间关系。
图 | 人车交互场景（来源：FUTURUS）
AI 加入后，系统还要回答另一个问题：眼前这么多信息，哪一条此刻最值得呈现。汽车的摄像头、雷达、定位和车身系统提供环境数据，空间计算确定信息与真实道路的关系，光学系统再把结果稳定呈现在人的视野中。AI 可以结合驾驶状态和个人习惯，参与判断何时提示、提示什么，以及怎样减少无效打扰。
DeepTech：为什么视觉和空间显示适合承担这种交互？
徐俊峰：AI 要融入生活，首先不能持续打扰人。
视觉有一个很有意思的特点。人的视野里一直存在大量信息，但我们只会“关注”很小一部分。很多东西你其实“看见了”，却不需要一直关注它。
所以我觉得增强现实是比较接近自然的交互方式。信息就放在环境里，需要的时候你看一眼，不需要的时候就忽略它。它不一定每次都要你停下来、点击或者回答，这个过程也会产生反馈。比如系统给你一个提示，你有没有看、看了多久、之后有没有采取行动，这些行为就能反映这个信息对你有没有价值，可以用于机器学习了解你。
从这个角度看，增强现实不仅是一种显示技术，它还是 AI 理解人的一种交互方式。未来好的 AI，不应该是要求人不断适应机器，而应该尽量融入人本来就有的观察、判断和行动方式。
DeepTech：把这些能力真正接入整车，最难的部分是什么？
徐俊峰：这在表面上看似乎只是把几个模块连接起来，但它实际上牵涉一整套底层系统。
首先是空间光学。数字画面要稳定出现在真实空间中，驾驶者坐姿和视角发生变化时，成像质量也要保持一致。然后是空间计算，系统要知道道路、车辆、行人和建筑的位置，虚拟内容应该对应到什么位置。再往后是空间交互，它要同时处理语言、视线、行为和外部环境变化。
最容易被低估的是整车融合。环境感知、定位、车身姿态和计算平台分属不同控制模块，数据的时间、坐标和传输方式都可能不同。系统需要把它们打通并实时计算，再把结果稳定呈现在人的视野中。任何环节出现误差，最后的画面都会产生延迟、漂移或者抖动。
单独研究光学、算法或 AI 的公司很多，真正困难的是把它们接入汽车座舱，同时满足可靠性、成本和量产要求。这也是汽车行业给我们上的一课：系统工程比单项能力更关键。
从汽车挡风玻璃到儿童书桌
DeepTech：做了近 10 年汽车以后，为什么又开始开发儿童桌面产品？
徐俊峰：最开始没有宏大的战略。公司内部这些年一直有人问，我们积累了这么多光学和显示能力，能不能做汽车以外的产品，但我一直比较克制。
真正促使我思考这件事，是自己的孩子近视。大模型出现后，我又意识到，下一代孩子会更早、更长时间地接触电子设备和 AI，视力问题恐怕会更加严峻。
所以我就想，能否让孩子在高强度使用电子设备时，尽量降低近视风险，减少持续近距离用眼的时间？爱视可空间光学读写台由此而来。它把书本、屏幕等近处内容，通过特殊光路设计，拉远为 2—10 米外的视觉虚像，让孩子在阅读、书写和上网课时，相当于在看远处的画面，减轻用眼压力。
我们把汽车领域的光学设计、制造工艺、清晰度控制和工程化经验带到了这款产品中。
DeepTech：从汽车进入消费产品，真正能够迁移的能力是什么？
徐俊峰：最直接的是光学和清晰度控制能力。很多技术在实验室里做出效果并不难，但放到汽车产业链，保证稳定生产又是另一回事。
我们最初甚至把汽车行业比较重的开发方式也带了过来，测试、生产控制和品质管理都按照车规产品的思路进行。后来发现消费产品并不用完全复制汽车的节奏，它需要更快地理解用户和调整体验，但汽车业务留下的工程习惯仍然有价值。
真正陌生的是用户关系。汽车业务里，我们面对车企客户，产品定义、验证标准和项目节点都比较明确；儿童产品同时面对购买者和使用者，家长与孩子的诉求还可能相互冲突。
DeepTech：你是什么时候意识到，技术可能不是最难的问题？
徐俊峰：我最开始完全站在家长的角度想产品：光学好，对眼睛更友好，还能看书、上网课，以后还能用 AI，这不就很好了吗？
后来我把早期产品拿去问自己的孩子，他直接说，“我不用。”我跟他说，这东西对眼睛更友好，甚至“利诱”他，说以后配眼镜省下来的钱，可以分给你。他还是不要。那一刻我才明白，家长认为的“有价值”，和孩子愿不愿意每天使用，完全是两码事。家长关心健康、学习和效率，孩子关心的是有没有意思，产品哪里好玩。
所以我们后来重新调整了思路，不能只想这项技术能不能做好，也不能只问家长愿不愿意买，还要关注孩子如何能主动使用。
我后来给团队定过一个有点夸张的标准。孩子回到家，把书包一放，主动说，“我去用爱视可看会儿书。”如果能做到这一步，这个产品才真正有机会。
这里的“看书”不一定是传统阅读。可能是学习，也可能是探索自己感兴趣的东西，或者和一个智能伙伴互动。
总而言之，光学是我们比较熟悉的问题，真正新的挑战是理解孩子。
DeepTech：如果再往后看一步，你觉得下一代 AI 终端最终会是什么？
徐俊峰：最后可能不会有唯一答案。
我们过去很容易沿着硬件的发展去想这个问题。PC 之后是手机，手机之后是不是眼镜，再往后是不是会有一个新的主力设备。但如果个人 AI 真正发展起来，终端的重要性可能会下降。
原因很简单。AI 在刚开始和你相处的时候，入口非常重要。因为它还不了解你，需要通过一个长期、自然的环境去认识你、了解你。
这个阶段，我觉得汽车很有价值。因为车相当于人的“第三空间”，人在车里会待很长时间，车又自带环境感知、计算和交互能力。未来如果 AR 眼镜能解决重量、续航等问题，它也可以跟着一个人进入更多生活场景。
这些设备在我看来很重要，但它们更像 AI 从一个“很聪明但不了解你”的系统，逐渐变成个人智能体过程中非常重要的一段路，却未必是最终形态。
一旦这个过程完成，具体设备就没那么重要了。比如我已经有一个很了解我的个人 AI，我戴着手表跟它说一句“下午我要出去”，它知道我的日程、天气，也知道我的习惯，可能就会提醒我，要不要提前把车里的空调打开。如果我告诉它，以后这种事情不用再问，直接帮我做，它也会记住。
到了这个阶段，你是在手表上说、在车里说，还是通过耳机、手机、电脑去说，其实差别没有那么大。
所以我推测，未来反而可能是“万物皆入口”。在办公室是电脑，在路上可能是汽车或者眼镜，在家里是其他设备，耳机、手表都可以承担一部分交互。设备会根据场景变化，但背后的智能体是连续的。
如果真走到那一步，硬件更像不同的窗口。所以我并不会特别执着于“下一个终端到底是什么”。更重要的是，在 AI 还不懂你的阶段，能不能先做出一个足够好的入口，帮它建立对你的理解。
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
