增强现实的第一个十年
在2006年2月，Jeff Han在Ted Talk上演示了一个实验性“多点触控”界面。而今天，这个功能似乎过分的平淡无奇，因为每一款智能手机都可以实现。然而，当时的观众（大多是技术人士）却在屏住呼吸并为这个演示激情地鼓掌。原为惊人，现已平凡。一年后，苹果推出了iPhone，而随后围绕多点触控的热潮再次归零。
十年后之后回想起来，多点触控的发展一共出现了四个转折点。首先多点触控在研究实验室中成为了一个有趣的概念；然后公众场合出现了第一个demo演示；接下来真正在商业可行的多点触控诞生在iPhone上；几年后，随着iPhone的发展和安卓的追随，这个概念开始真正腾飞。你可以留意下方这个表格。在集成多点触控的iPhone于2007年推出后，消费者产品的发展一度陷入停滞，甚至下降，直至数年后才实现了指数式增长。大多数革命性技术都会呈现出阶段性发展，毕竟滴水穿石非一日之功。
今天，我认为增强现实是介于第二个和第三个转折点之间。惊人的demo以及第一款原型已经诞生，而虽然我们尚未看到消费者版产品的上市，但已经十分接近。
微软的HoloLens已经发货：尽管体积巨大、视场有限、成本高昂（3000美元），但这款设备提供非常优秀的定位追踪，同时把计算组件都整合到头显之中。HoloLens的第二个版本显然会在2019年推出。在另一边，根据人才招募和企业收购，以及执行总监的种种言论，我们不难发现苹果也在“蠢蠢欲动”。谷歌，可能还有Facebook和亚马逊都在为这个具有广阔前景的市场做准备。另外还有一批小公司和初创公司都在开展有趣的研发项目。
与此同时，融资14亿美元且估值已达45亿美元的Magic Leap仍在闭门深造，他们此前公布的一系列demo视频让我们看到一个全新的未来。视频显然很酷炫，但视频演示跟实际效果不可一概而论，欣赏一个关于iPhone的视频和真正上手体验iPhone截然不同。同样，AR视频的演示效果跟实际佩戴的体验也有着天壤之别。
这意味着，如果我们今天正处于“Jeff Han”的阶段，那我们离“iPhone一代”已经不远了。然后，在十年左右的时间里，增强现实可能会演变成跟智能手机那样无处不在的大众产品。
AR的第一阶梯是谷歌眼镜：漂浮的图像会呈现在你的面前，但这款设备并没有以任何方式与世界相连。事实上，谷歌眼镜在概念上与智能手表非常相似，不同的是前者需要你抬头向右看，后者则要求你低头往左看。谷歌眼镜带给你一个新屏幕，但里面的内容跟前方的现实世界似乎没有任何关联。然而，借助更先进的技术，我们可以扩展这一点，使用户的整个视野都变成显示窗口，并让3D对象叠加在现实空间之中。
然而，对于“真正的AR”或是“混合现实”，设备将能够开始感知你的周围环境，同时可以把数字对象叠加在现实世界中，其逼真程度仿佛就像现实与数字融合在了一起。跟谷歌眼镜不同，头显会对周围环境进行3D绘图，并始终追踪你的头部位置。这样对于墙壁上的“虚拟电视”，无论你如何走动，这台电视仍然可以固定在同一位置。或者你可以将《我的世界》投射在桌面上，然后用双手来构建各种山谷和城堡。另外，所有佩戴相同眼镜的用户将能够看到同样的景象。你可以将墙壁或书桌变成一块显示屏，然后整支团队都可以一同观看；或者你可以与朋友或家人一起玩《我的世界》，共同享受创造的乐趣；或者一个小小的机器人可以藏身于沙发后面，然后你与你的孩子一起玩躲猫猫游戏。这是同一屏幕下的混合现实，或者是将你周围的世界变成一块无限的屏幕。
但这还不够，因为你只是在进行SLAM（即时定位与地图构建）：设备可以映射房间的3D表面，但尚不能理解感知。现在，假设我在一个网络活动中见到你，然后你的LinkedIn个人资料卡会显示在你的头上；或者Salesforce会显示你是一位关键的目标客户；又或者是Truecaller会提示说，你只是想向我推销保险并建议我远离你；还可以是像《黑镜》那样，我们可以屏蔽对方。也就是说，“眼镜”中的图像传感器集群不仅只是会映射我周围的对象，而且还能感知它们。这才是真正的增强现实，不仅只是在展示一个平行世界，而且两者融为一体，数字世界成为现实世界的一部分。你的眼镜可以显示你在智能手机或2000英寸屏幕上看到的内容，但也可以切换成现实世界的视角，同时予以更改。所以，一方面，你可以通过将一切都成为一块屏幕来丰富（或污染）整个世界；但另一方面，这还可以让你将最细微的信息或变化叠加在世界中。如果今天人们能够安装一个将“难以捉摸的人”替换成“千禧一代”的Chrome扩展程序，那MR扩展又可以改变什么？让你的老板“口吐彩虹”怎么样？
不过，如果这种眼镜的体积足够小，你会一整天都佩戴眼镜吗？如果不是，许多应用将不会起任何作用。你或许会常备智能手表/智能手机以及智能眼镜，前者是“始终在线”的设备，后者只有在正确的情景下才会拿出来使用。
这涉及到一个相关的问题：AR和VR会合并吗？这绝对有可能，两者都涉及数字影像，同时也面临着类似的工程挑战。在一台设备中整合两种功能的困难在于，会将用户沉浸在另一个世界中的VR需要眼镜完全密封，而AR则不需要。AR会把数字影像叠加在现实世界中，这意味着用户需要感知到现实世界，而VR希望的是一块黑色屏幕。在戴上AR眼镜后，你可以看到对方的眼睛。或许10年或20年后许多事情都会成为可能，但现在VR和AR似乎是两种不同的技术。在20世纪90年代后期，我们讨论了“移动互联网”设备是否需要使用单独的无线电单元和屏幕，耳机，键盘，或者具有键盘和屏幕的翻盖。我们一直都在探索，直到2007年（或更晚）才在同一块玻璃上解决所有这些问题。相信VR和AR也需要一段时间的发展。
然后，你该如何控制没有实体存在的数字影像，又该如何与之交互呢？典型的VR控制器可以吗？手部追踪足够好吗？智能手机的多点触控意味着我们拥有直接的物理交互，所以我们可以在屏幕上触摸我们想要的东西，但我们可以“触摸”空中悬停的AR对象吗？这会是一个优秀的“全天”界面模式吗？我们的应该使用语音进行交互吗？但这又会带来多少限制呢（即便是最完美的语音识别，你能想象完全通过话语来控制手机或PC吗）？或者眼动追踪是关键，但如果眼镜能够实现眼动追踪，你会选择通过视线来进行选择和确定吗？当然，智能手机和电脑也正面临这些问题。答案并不明确，而问题也不明确。
但在我看来，你越认为AR只是将对象和数据呈现在周围的世界中，这越像是一个AI问题。我在行走中的时候应该看到什么呢？ LinkedIn还是Tinder？我又该在什么时候查看新消息呢，系统需要即时向我显示呢，还是说晚一点呢？我站在餐厅外面的时候是否应该说“嘿，眼镜，这家餐厅好吗？”还是说设备的操作系统会自动进行提醒呢？谷歌、苹果、微软和Magic Leap或许都有不同的哲学态度，但对我来说，如果你希望其工作有效率，那许多这些事情都需要实现自动操作，变成人工智能。著名计算机程序员埃里克·史蒂文·雷蒙德曾说过，如果计算机能够自行处理，那它永远都不应该向用户请示。如果一台计算机能够看到我们所看到的一切，知道我们所知道的一切，那它应该要剥除我们今天认为需要手动解决的一层层问题。所以，当我们从桌面PC的Windows/键盘/鼠标的UI模型发展至智能手机的触摸和直接交互时，一层层的问题已经被消除。一台智能手机不会再向你请示当前的位置是哪里，你的密码是什么（通过指纹识别）…AR应该朝着相同的方向发展：不仅仅是将智能手机应用程序呈现在你面前的小方窗里。一个由AI主导的无形用户界面将会再次改变一切。
与此同时，AR眼镜越是试图了解你周围的世界（包括你），它们得到的信息就越多。然后设备会根据情景、用例和应用模型而将数据发送到各种不同的云服务。这是一张脸吗？你正在与之进行对话吗？马上向Salesforce、LinkedIn,、TrueCaller、Facebook和Tinder发送数据。一双鞋子？马上发送至Pinterest、亚马逊和NET-A-PORTER。又或者把一切都发送给谷歌。如果大家在会议期间感到乏味，你会记录在Success Factors吗？这显然也会带来一些非常明显的隐私和安全问题。如果自动驾驶汽车一直在捕获高清3D 360度视频，一座充满这种机器的城市将成为最终的全景监狱。如果所有人都在佩戴AR眼镜，那又会发生什么事情呢？你的行踪随时都会被记录，你将无处可逃。假如你被黑客攻击又该怎么办呢？如果联网家庭被黑客攻击，你只会经历空调乱开、冰箱乱关这样的“闹鬼现象”。但如果AR眼镜被黑，你将会陷入无尽的幻觉之中。
最后，一个相当重要的问题是，有多少人会拥有这么一款设备呢？AR会成为像智能手机的一部分吗（如智能手机）？还是说，即便是巴西和印度尼西亚的乡村小镇也会有商店销售50美元的“Made in China”AR眼镜呢？当然，一切都为时尚早。但是，早在20世纪90年代末到20世纪初就出现了是否人人都会拥有移动数据设备这样的讨论。事后来看，这就像在争论是否人人都会拥有电脑，抑或是仍部分人会坚持使用文字处理器。PC和智能手机先后成为了唯一的通用设备时（目前拥有手机用户为50亿，其中25.3亿人拥有智能手机）。那在未来，是否大多数人都仍将坚持使用智能手机，而部分人（100万？500万？10亿？）则将眼镜作为配件呢？或者是，AR眼镜将成为新的通用产品呢？这个答案似乎涉及大量的想象，而不是分析。但如果是这样，那在1995年宣称“未来地球上所有人都将拥有一台手机”不也是一样吗？