过去一周之内，连着两台新手机产品刷屏，一台是 Apple 新出的 iPhone 18，一台则是豆包手机助手消费者版发布——首款搭载机型努比亚 NaviX Ultra 在今日开售，AI 将进入手机系统，我们也做过详细测评。 

AI 开始看见屏幕，也开始伸手触碰屏幕。与此同时，《华尔街日报》透露，OpenAI 已经以超过 3 亿美元收购相机技术公司 Glass Imaging。 

交易尚未得到 OpenAI 公开确认，但这块新拼图出现的位置十分微妙：去年，OpenAI 花 65 亿美元收购了 Jony Ive 创办的硬件公司 io 后，还没有做出大名堂，工业设计师和相机工程师就已经先后到位。 

是 AI ，但不是修图 AI

Glass Imaging 由 Ziv Attar 和 Tom Bishop 创办，两人此前都曾在苹果从事计算摄影工作，并参与过 iPhone 人像模式的开发。 

不过，Glass Imaging 研究的不是今天最常见的 AI 修图，是用 AI 反过来影响相机硬件的设计逻辑。 

手机按下快门后，传感器最先得到的并不是一张可以直接观看的照片，而是一堆原始光信号。传统的图像信号处理器需要完成降噪、校色、锐化等工序，才会在屏幕上生成最终图像。 

Glass Imaging 试图用一套针对具体镜头和传感器训练的神经网络接管这条流水线。它的技术底层还是 Neural ISP，传统 ISP 会把 RAW 数据依次交给去马赛克、降噪、多帧融合、锐化等模块，每一步由独立算法处理，也会在过程中丢掉一部分信息。 

GlassAI 则从传感器的 RAW 连拍数据出发，把去马赛克、降噪、去模糊、多帧融合放进同一个联合训练的网络，同时加入传统 ISP 不擅长的镜头像差反卷积和传感器串扰校正，最后直接输出成品 RGB 图像。 

以Neural ISP为基础，Glass Imaging 吸收并重写了传统ISP的大量核心环节。它需要学的是，一台相机如何产生误差，再在图像形成时把误差倒推回去。Glass Imaging 的思路是，镜头只要把足够的信息送到传感器，剩余的模糊、色差和畸变可以交给专门训练的网络修复。

但这里所谓的「修复」并不是指 AI 修图那种意义上的「修」，生成式修图，的确可以把远处模糊的文字、月亮和人脸「猜」得更加清晰，但清晰不等于真实。Glass Imaging 的资料称，其网络针对具体光学系统和 RAW 数据训练，目标是恢复传感器实际捕捉到的信息，而不是凭常识和推论生成新的纹理。

相比于 AI 目前在图像处理中的主要作用，这很不一样，原因在于：如果摄像头只是为了拍朋友圈，照片好看即可；可如果图像要交给 Agent 判断现实并采取行动，那么凭空补出来的物体和文字就可能导致错误操作——这才能理解 OpenAI 为何会对它感兴趣。

AI 设备的两种「观看权」

对手机厂商来说，Neural ISP 技术可以让更小的镜头拍出更清晰的照片；但对一家正在制造 AI 硬件的公司来说，它还有另一层意义：模型看到的世界，首先取决于摄像头交给它什么。 

AI 设备需要两种「观看」能力。第一种发生在屏幕以内，AI 要看懂用户正在浏览什么，读取哪些本地信息，还要获得调用不同 App 的权限。在这个基础之上，理解整个操作系统里的上下文。 

第二种发生在屏幕以外：菜单上的文字、桌上的物品、眼前的道路和房间里的设备，无法只靠聊天记录就让 AI「知道」，需要先拍下一张照片，再把照片交给 AI。

照片是人观看的终点，却可能只是 Agent 工作的起点。未来的 AI 设备若要及时行动，就必须缩短「人看见、拍摄、上传、询问」这一整条链路。 

摄像头的身份也因此发生了变化，过去它替人保存值得回看的画面，在未来，将变为向机器提供判断下一步行动的依据。

GlassAI 的变焦技术已经进入荣耀 600 系列，说明它至少完成了从模型、手机芯片到量产设备的适配；公司还曾在骁龙 8 Elite Gen 5 参考设备上展示实时 4K 视频处理和 20 倍以上变焦增强。 

这些能力目前是被用来让人把远处拍得更清楚，在未来，当摄像头连接的不是相册，而是一个准备采取行动的 Agent，成像的评价标准就会发生变化。

照片不只要看起来漂亮，还要尽可能真实、稳定、及时地呈现文字、物体和空间关系，因为模型接下来可能据此识别商品、操作设备，甚至规划行动。 

倒不是说，GlassAI 会让相机自动变成智能体，却补上了智能体进入现实之前最底层的一环：尽量把传感器实际看到的信息，准确地交给模型。 

Glass Imaging 揭示的第一种变化，是硬件与软件之间的分工被重新划定。过去，相机厂商先尽量用镜头和传感器解决像差、模糊与噪声，再让 ISP 修饰最终图像；GlassAI 则允许硬件保留一些能够被计算逆转的缺陷，只要传感器还捕捉到了足够的信息，专门训练的网络便可以在成像过程中将其恢复。镜头因此可以更小，像素可以继续缩小，一部分原本需要增加镜片、厚度和成本才能解决的问题，被转移给了神经网络。

那么就有可能，未来 AI 设备的硬件，不必得被完整设计出来之后，再往里面「塞一个模型」。镜头、传感器、NPU、内存和模型会从一开始共同设计，传感器负责保留哪些原始信号、神经网络能够修复哪些误差、设备需要多大的本地算力、能否在低功耗状态下持续理解环境……这些问题都将反过来影响硬件的形状。 

比如说，假设工程师提前知道，某些光学缺陷能够被神经网络稳定修复，下一代相机在选择镜头数量、像素尺寸、传感器和机身厚度时，就可以包容过去无法接受的缺陷。可能是不再通过堆叠更多镜片彻底消除像差，也可能是确保传感器仍然保留足够的原始信息，再交给 AI 恢复。 

同样的逻辑也可能延伸到麦克风、空间传感器和其他感知部件。过去，硬件负责把世界尽量完整地记录下来，软件只在事后处理；未来，硬件只需要捕捉模型能够理解和还原的信息，模型则从一开始参与影响硬件应该怎样观看世界。 

模型不负责决定摄像头看什么，却会改变相机必须用多少硬件，才能得到一幅足以被还原和理解的图像。