让机器看懂现场 让虚拟落回地面 —专访北京鑫瀚科技有限公司核心技术负责人郭子龙

“VR把世界送到人眼前，AI让机器看懂眼前的世界，中间那道把两者连起来的桥，是感知。”接受专访时，郭子龙用这句话概括自己多年的技术路线。在一批企业扎堆应用层定制、比拼演示效果的当下，这位北京鑫瀚科技有限公司的副总经理选择了一条更慢的路：先把多模态感知做成底座，再向上长出去。

一、先把底座搭起来

采访从一句行业判断开始。郭子龙认为，人工智能和虚拟现实这两条曲线正在合流：AI负责理解，VR负责呈现，过去它们各走各的路，如今开始往同一个终端上收。“但合流的地方恰恰是最难的地方——中间缺一层稳定的感知能力，谁把这层做实，谁才有资格谈场景。”谈到当下不少企业扎堆做应用层定制，他并不否认这条路的合理性，只是把两者的差别说得很清楚：“应用层离客户近、见效快，但天花板也明显：换一个行业就要重做一遍，同一个客户换个硬件又要再改一轮。底层核心技术上还有不少卡脖子的地方，如果大家都只做上层，底座就会一直是别人的。”鑫瀚选择的是另一条路，自己把底座搭起来，再往上长应用。“代价是慢，好处是可复用。”

这套底座最早不是在实验室里长出来的。记者问他，智能识别并不算新赛道，为什么先啃金融和安防，他的回答很实在：“因为那是真实世界最不客气的考场。”他随即把现场和实验室的差别列了出来：逆光、强光直射、远距离采集、人群密集时的相互遮挡、只露半张脸的人。“一个模型在测试集上跑出很高的准确率，搬到网点门口可能连一半都做不到。我们早期把绝大部分精力花在复杂工况下还能不能稳住上，而不是去刷一个漂亮的单项指标。”至于这段经历后来对VR有什么用，他说当时并没有想到：“那套框架是在海量现场数据里磨出来的，对光照变化、遮挡、运动模糊有天然的容错。等我们要把它搬到VR终端上，最值钱的不是某个算法模块，而是这套见过脏数据的底子。”

二、VR真正的短板，不在显示，在输入

在很多人的理解里，VR、XR是一种沉浸式体验的载体。郭子龙不同意把话说得这么轻：“XR只是交互体验的外在载体，多模态感知才是打通虚拟世界与物理空间的关键枢纽。”他承认这几年显示、光学、算力进步都很快，画面越来越真实，问题恰恰出在人和虚拟世界之间的“接口”上——它至今还停留在手柄和控制器上。“手柄是一根拐杖，它把人的手绑成了两个按键。”

按照他的拆法，交互要分三层：第一层是看得见，设备要知道眼前有什么物体、什么设备、人在什么位置；第二层是看得懂，要理解人的姿态、手势意图和作业状态；第三层是接得住，把虚拟信息准确地叠回现实，并且延迟足够低，让人感觉不到中间有一道计算。“第一层靠识别，第二层靠理解，第三层靠实时渲染与空间对齐。VR要走出展厅、走进车间，第三层必须成立。”为什么一定要强调多模态？他的理由来自失败的经验：“单靠视觉会误判。手被工具挡住、光线突然变化、人一转身，视觉就丢。把姿态、手势、语音、环境深度放在一起交叉验证，判断才稳。人本身就是多模态的，机器没道理只用一只眼睛。”

普通用户最直接的感受，是戴上之后会不会晕。他不认为这是硬件单方面的问题：“眩晕从来不只是硬件问题。画面刷新跟不上、视点追踪有偏差、虚实对齐错了几厘米，人就会不舒服。这些恰恰是感知层要解决的：头动多少、眼看向哪里、手伸到哪里，系统必须在人察觉之前算完。把这三件事做准，舒适度是自然的结果，不是靠调参数掩盖出来的。”

三、把两套互不兼容的技术栈焊在一起

在行业里，生物识别和XR交互长期是两套体系。郭子龙对此看得很清楚：“技术栈不兼容。做识别的不管渲染，做XR的不碰识别算法。企业要用，往往得分开采购、重复开发，接口对不上，成本就上去了。”他和团队做的事，用一句大白话概括，就是把金融、安防里那套视觉识别底座拆开重装，再迁移适配到XR终端，让一套框架同时服务两个场景。

难的地方不在把模型跑通。“难的是让它在几十种终端上都跑得稳。”XR是移动端约束，算力、电池、散热、重量都有上限，模型要足够小，端侧推理要在十几毫秒内出结果，否则人一动就晕；不同硬件的摄像头位置、光学参数、视场角各不相同，算法还得能移植、能标定、能自适应。团队自研的人体追踪和动态手势识别模型，正是冲着这些约束做的，让设备摆脱手柄，靠人的姿态和手直接操作。“虚实的延迟被压下来了，人和机器的关系从按键变成动作。”他说这一步看着小，其实是VR能不能当生产工具的分水岭。

说到跨域复用对客户的意义，他算得很直接：同一套算法底座，金融客户拿去做身份核验，工业客户拿去做设备和人员识别，教学场景拿去做课堂与实训的状态判断，中间改的是模型参数和业务规则，不是把系统重写一遍。“过去一个行业一套系统，现在是一套底座、多个出口，交付周期和成本都跟着降。这也是我们敢同时接几个行业的原因。

四、车间、手术台和仓库

技术最先落地的地方是车间。作业人员戴上AR智能眼镜，设备会自动识别眼前的现实物理设备，实时调出标准化作业流程和历史故障案例，把设备内部构造、操作要点以可视化形式叠在真实视野里。“一个新人原本要跟着师傅摸几个月，现在很多步骤能直接在视野里看到下一步做什么、为什么这么做。培训周期降下来，现场作业的标准化程度提上去了。”

医疗教学被他一笔带过，却点出了这套技术的价值所在：“教学场景里最贵的是看得见的经验。解剖层次、操作次序这类内容，书本上是一维的，真人是三维的。AR能把结构叠在真实对象上，学生不必再凭想象去补那两层空间关系。”另一条产品线是机器人智能自动化控制中枢系统，突破的是传统机器人固定逻辑编程的局限。“过去的机器人照着程序走，工况一变就停线；这套中枢可以融合多源传感器数据，依据现场情况动态调整运行决策，目前已经在仓储调度、柔性生产中落地，用来应对多变的作业任务。”

五、改造一座旧工厂，比训练一个模型更难

不过在郭子龙看来，技术从来不是最难的那一关。“算法突破并不是产业落地最大的拦路虎，真正的堵点在存量设备。”很多企业要数字化，面对的是十年、二十年间陆续采购的软硬件，品牌不同、协议不同、标准不统一。全部换掉，投入巨大，中小企业和基层单位根本承受不起。“技术再好，进不去门也等于零。”

他们的解法是轻量化接入：用一个简易采集模组把存量设备的数据通路打通，不必大规模替换原有硬件，就能完成多源数据的汇聚互通，把改造的资金门槛降下来。推广上也不追求一步到位，而是小范围试点先行，对比试点前后的作业数据，用真实的降本增效去改变一线从业者的认知，再一点点扩面。至于为什么要这么慢，他的解释是：“因为一线的怀疑是合理的。他们见过太多演示很漂亮、上线就趴窝的系统。数据比PPT有说服力，一个班组跑通了，隔壁班组才愿意试。”

六、下一站：让虚拟回到现实里干活

生成式AI起来之后，郭子龙感到行业竞争的重心变了。“过去比的是演示效果炫不炫，现在比的是稳定、低成本、可规模化复制的全域数字化服务能力。一个方案能在三个项目上跑，和能在三百个项目上跑，是两种能力。”鑫瀚的路径因此排得很清楚：短期继续迭代金融、安防、工业这些成熟赛道，把标准化交付体系做扎实；中长期重点推进多模态大模型和XR的深度耦合，把图像、语音、人体动作、环境感知几条链路打通；同步布局轻量化XR终端，探索面向普通消费市场的虚实交互产品。

轻量化终端是否意味着要做消费级产品，他把节奏说得很克制：“不排除，但节奏要克制。消费市场对价格、重量、续航和内容生态都极其敏感，一步踏错就是库存。我们更愿意先在行业场景里，把重量、功耗、成本这三件事压到消费级能接受的水平，再谈面向普通用户的产品。技术成熟度和市场成熟度，得同时对得上。”大模型和VR之间，谁服从谁？他的答案仍然落回感知：“大模型解决理解，VR解决呈现，中间还是感知和实时性。工业场景里模型的幻觉是不可接受的，它可以猜，设备不能猜错。所以我的思路是用感知去约束生成：现实世界先校验，模型再输出。这条链路顺了，VR才不只是看片子的设备。”

聊到团队，他的语气里没有太多管理学词汇。“研发必须锚定真实的产业需求，不做脱离场景的闭门式技术。”团队有常态化的技术研讨，打通不同业务板块之间的信息壁垒；设立了专项研发资金，鼓励前沿方向试错，也包容阶段性失败。他看重的是复合型人才：“既懂算法、又理解产业实际的人，才能把事做成。只会写代码的和只会讲需求的，中间那段永远是断的。”和高校、科研机构的合作，被他放在补短板的位置：“产学研不是挂一块牌子，而是把高校在算法、光学、人机交互上的前沿积累，转化成我们工程上能用的模块。我们出场景和约束条件，他们出方法和验证，最后一起把它做成能交付的产品。只靠企业自己闭门迭代，前沿那一段永远慢半拍。

技术之外，郭子龙长期兼顾理论研究与工程落地，先后撰写《人工智能与 VR 技术研究》《基于 VR 技术应用领域创新的设计研究》《基于 CHAT GPT 的生成式人工智能自动化控制系统》等专业论文并牵头攻关AR技术与机器学习融合系统、机器人智能自动化控制中枢系统、高级机器学习AR场景开发系统等多项软件著作权，形成了从算法底座到行业应用的自主技术矩阵。

专访接近尾声，记者请他给这个行业留一句话，他的回答只有两句：“虚实融合不是把现实搬进屏幕，而是让虚拟回到现实里干活。这条路会很长，我们就把感知这一件事做透。”产业数字化是技术与行业场景不断磨合适配的长期工程，郭子龙的答案仍落在那两个字上——感知。在他的规划里，北京鑫瀚科技会继续打磨通用型AI+VR底层自研技术，稳扎稳打推进跨行业落地，把虚实融合时代的数字化底座夯得更实一些。这条路没有捷径，能做的只是把每一层感知都做准一点，让虚拟世界真正接得住现实的分量。作者（顾闻）