苹果连发3项AI研究，推进空间计算与Vision Pro头显方向

关于苹果Vision Pro项目被搁置的传闻，最近似乎可以告一段落了。几项最新公开的研究表明，苹果在空间计算和头显技术上的探索，不仅没有停止，反而在向更深处推进。

就在上个月，有消息称苹果内部已将研发重心从新款Vision Pro转向了Siri和AI智能眼镜，这让外界一度猜测其空间计算战略是否发生了动摇。然而，最新公示的三项研究论文，无疑是对这些猜测的有力回应。这些研究分别涉及多模态大模型的空间功能推理评测、美式手语的视频标注自动化，以及大规模高质量的3D头部重建。每一项，都直指下一代空间计算体验的核心难题。

从“在哪”到“干嘛用”：重新定义空间AI的智商测试

最直接体现苹果野心的，是其在机器学习博客上发布的论文《从物体所在到物体所用：为多模态大模型建立空间功能智能基准》。这篇论文提出了一个名为SFI-Bench的新评测体系，其目标不再是简单地测试AI能否识别物体和位置，而是考核它是否理解物体的功能以及如何在真实场景中使用。

简单来说，过去的测试可能只问“厨房台面上有什么？”，而SFI-Bench会追问“如果咖啡机不出咖啡了，可能是什么原因？该怎么排查？”或者“请从橱柜里找出同品牌数量最多的一组调料瓶。”这套基准包含了134段室内环境扫描视频和1555道由专家标注的问题，旨在模拟未来家庭助手在真实生活中可能遇到的复杂任务。

苹果公司的人工智能研究人员测试了智能体（LLM）对周围世界的理解能力。图源：苹果公司

测试结果颇有看点。在参与评测的模型中，Google的Gemini 3.1 Pro总分拔得头筹，OpenAI的GPT-5.4-High紧随其后。然而，论文也尖锐地指出了当前模型的共同软肋：几乎所有模型在“带条件的全局计数”（比如“找出所有未拆封的饮料”）、长序列的空间记忆、以及将视觉信息与外部知识灵活结合等方面，都表现得不尽如人意。这恰恰说明，要让AI真正成为得力的空间助手，还有很长的路要走。

让机器看懂手语：降低无障碍技术的门槛

另一项研究《用手语模型自举生成手语标注》则展现了苹果对技术普惠性的思考。该研究尝试利用AI模型自动为美式手语（ASL）视频生成候选标注，从而将人工标注者从数百小时的繁琐劳动中解放出来。

苹果公司的研究人员探索了使用人工智能进行美国手语（ASL）标注的可能性。图源：苹果公司

研究团队建立了一个近500条词汇的初始标注集，并将其扩展应用到超过300小时的ASL STEM Wiki数据和7.5小时的FLEURS-ASL数据上。其研发的手指拼写识别模型，在特定数据集上取得了6.7%的字符错误率（CER）和74%的Top-1准确率。这项技术如果成熟，将极大加速手语翻译资源的创建，为听障群体打开更便捷的信息之门，这无疑也是空间计算设备融入社会生活的重要一环。

重建数字化的你：3D头像技术的飞跃

第三项研究《基于多视角采集的大规模高质量3D高斯头部重建》，则与Vision Pro的用户体验直接相关。苹果提出了名为“HeadsUp”的新方法，能够从大规模的多摄像头采集系统中，重建出高质量、高保真的3D高斯散射头部模型。

苹果公司的人工智能研究人员探索了如何利用LLM（层级建模）技术，从多角度拍摄的图像中创建3D头部模型。图源：苹果公司。

这项研究的突破性在于规模。团队使用了一个包含超过10000名受试者的内部数据集进行测试，其数据规模比当前公开的多视角人头数据集高出了一个数量级。这显然不仅仅是为了学术突破。它很可能指向Vision Pro中“Persona”（虚拟形象）功能的未来迭代，旨在实现更自然、更实时的人脸捕捉与表情渲染，让用户在visionOS构建的虚拟空间中的交互变得无比真切。

回望苹果全球营销高级副总裁格雷格·乔斯维亚克（Greg Joswiak）此前的表态，这一切就显得顺理成章。他曾强调，Vision Pro所展示的数字与物理世界融合的未来形态是必然的。虽然他无法预测“空间计算”何时成为主流，但方向已然确定。如今，这些深耕底层技术的研究，正是苹果为那个“不可逆转”的未来，默默铺下的又一块基石。喧嚣的传闻之外，扎实的工程与研究仍在继续。