极刻觅镜 | 影目 INMO Future 宣称 3…

INMO Future 把完整空间计算栈压进百克级一体式机身，其宣称指标均限定在「室内明亮场景」且无第三方实测。

11 月 4 日发布会确认了什么：四代迭代、InSpace 四维与「室内明亮场景」这个前提

11 月 4 日的发布会上，影目科技创始人杨龙昇发布了第四代 AI+AR 空间智能眼镜 INMO Future，并首次系统呈现自研的 InSpace 光机智算技术体系；沙利文（Frost & Sullivan）同日发布《消费级空间智能眼镜白皮书》。发布会把叙事重心从「在眼前显示信息」推向「理解身处的空间」，但可核验的是影目对 Future 空间感知能力给出的指标，以及指标后面跟着的限定词。

先看已确认的产品事实。Future 被定义为一台一体式独立计算设备，无需连接主机、不依赖手机，核心搭载高通骁龙高性能空间处理芯片，为 AR 应用与 6DoF 空间锚定提供算力支撑；显示上采用阵列光波导，左右眼均达 1080P 全彩，支持双目异显，视场角 36 度，同时保留透过镜片看真实环境的能力。影目把支撑这套能力的技术体系拆成光学、整机、智能、计算四个维度：阵列光波导与高通空间处理芯片等关键元器件依托成熟产业链，由影目选型、定制并深度整合；空间感知算法、空间 AIOS 与开发工具为自研；整机设计、系统集成与软硬协同由影目主导。四维并非并列罗列，影目的说法是它们在百克级机身约束下深度耦合、协同调优。

四代迭代是理解这套体系为何在此刻出现的背景。影目的产品矩阵里，AIR 系列探索技术上限，GO 系列聚焦商务场景，X 系列面向大众承担破圈角色，Future 则被放在空间智能这条线的顶端。影目方面称，四代产品迭代与规模化量产积累的工程数据持续反哺算法，形成迭代复利。这条线索解释了为什么一家公司敢把 VIO、SLAM、回环优化、平面检测、空间锚定、地图持久化、场景重定位这一长串能力同时写进一副眼镜的规格表——按影目的表述，单点做出 6DoF 演示并不难，难的是把它们整合成低功耗、可量产、良率稳定的系统。

空间感知的具体指标，是这场发布会最需要被精确引用、也最容易被误读的部分。影目的口径是：在室内明亮场景下，通过实时定位与建图（SLAM）、六自由度追踪与在线回环优化，持续判断位置与朝向，实现厘米级空间定位与度级姿态感知；3 秒内完成多平面检测，识别墙面、地面与桌面。另一家媒体给出的表述略有差异：自研空间感知算法可在 3 秒内完成多平面检测，回环优化后定位精度达 10 厘米以内。两处说法指向同一组能力，但「厘米级」与「10 厘米以内」并非可以互换的措辞——后者把精度与「回环优化后」这个条件绑定在一起，前者则更像一个区间性的概括。

「室内明亮场景」是整组指标的前置条件，而不是附带说明。它意味着上述定位精度、姿态感知与平面检测速度，都是在特定光照与纹理条件下取得的；发布会没有给出暗光、强逆光、低纹理白墙或空旷办公区等条件下的对应数据，也没有第三方实测结果可供交叉验证。因此指标本身是厂商在限定场景下的宣称值，而非全场景承诺。

把限定词与一体式形态放在一起，约束的方向就清楚了。Future 把算力、电池与散热全部留在脸上，影目为此内置了一整套主动散热系统，称重负载持续运行下温度稳定低于 42 摄氏度，日常游戏、影音场景下佩戴不产生发热感。散热被单独拿出来讲，本身就说明持续运行的空间感知是一项有热预算上限的任务；而 SLAM 与 VIO 恰恰是那种「跑得越久、算得越多」的负载。发布会给出的是一组在室内明亮场景下成立的指标，没有给出这组指标能维持多久、在电量下降或温度上升后如何衰减。这正是「室内明亮场景」这个前提真正的分量所在：它限定的不只是环境，也隐含了对运行状态的假设。

厘米级定位要付出什么：算力、传感器同步与散热预算在同一副眼镜里争夺空间

把 VIO、SLAM、回环优化、平面检测、空间锚定、地图持久化与场景重定位整合成一套能在眼镜上持续运行的系统，与在实验室里跑通单个 6DoF 演示，是两件难度不在同一量级的事。影目在发布会材料中把这一区别讲得很直白：单点演示很多公司都能做，难的是把它们做成低功耗、可量产、良率稳定的整体 。这句话点出了空间感知的工程本质——它不是某一项算法的精度竞赛，而是一组互相牵制的资源在同一个功耗与重量预算里如何分配。

从机制上看，SLAM/VIO 的持续运行依赖三件事同时成立：摄像头与 IMU 的时间同步要足够紧，否则快速转头时特征点与惯性数据对不上，位姿就会漂；每一帧都要做特征提取与匹配，平面检测还要在点云或深度信息上做拟合与跟踪；回环优化则要求系统在后台维护一张不断增长的地图，并在识别到旧场景时完成全局校正。这三件事没有一件是「算一次就结束」的，它们随佩戴时长线性消耗算力与电量。影目为 Future 选用的高通骁龙高性能空间处理芯片，被明确表述为「为 AR 应用流畅运行与 6DoF 空间锚定提供算力支撑」，这等于承认空间锚定的稳定性首先是一个算力供给问题，而不是算法有没有写出来的问题。

算力供给一旦确定，剩下的约束就转移到热与电。一体式路线的特殊性在于，计算单元、电池与散热结构全部留在镜腿上，没有主机或手机可以分担。影目给出的解法是内置一整套主动散热系统：重负载持续运行下温度稳定低于 42 摄氏度，日常游戏、影音场景下风扇噪音约 40 分贝 。这两个数字透露的是一组取舍——要把持续空间感知产生的热量压到佩戴不产生发热感的水平，风扇就必须转起来；而风扇一转，40 分贝的底噪就进入了使用场景。图书馆级的噪音在影音场景里或许被内容声盖过，但在安静的办公室或居家环境中长时间开启空间感知，这个声音是持续存在的。

更值得留意的是，42 摄氏度与 40 分贝都是「重负载持续运行」这一条件下的稳态描述，而空间感知恰恰是最典型的重负载持续运行场景之一。影目把主动散热列为整机设计的支撑条件，说明其空间计算栈的功耗预算已经逼近被动散热无法覆盖的区间 。这带来一个结构性后果：眼镜能跑多久的空间感知，不取决于算法在理想条件下的精度，而取决于风扇与电池在百克级机身里还能挤出多少余量。机身越轻，可用于散热面积与电池容量的空间越少，主动散热就越是从「加分项」变成「必需品」。

影目自己把这一层约束概括为「在百克级机身的极端约束下深度耦合、协同调优」，并强调把光学、算力、算法与散热压进同一副可量产眼镜是体系化能力 。这个表述承认了四者之间存在真实的挤压关系：光学模组占体积，算力芯片占功耗，算法要吃算力，散热要占风道与表面。任何一维的加强都会从另外三维借空间。对使用者而言，这意味着厘米级定位与 3 秒多平面检测在演示中成立，并不自动等于在纹理稀疏的白墙、逆光的窗边或光线不足的角落同样成立——这些正是「室内明亮场景」这一前提所排除的边界条件。

因此，评价 Future 的空间感知能力，更合适的观察点不是参数表上的厘米级数字，而是它在真实家居与办公环境里能维持多久的稳定跟踪、风扇噪音是否被场景接受、以及电量能否支撑一次完整的空间使用。这些问题的答案目前只有厂商口径，缺少第三方在非理想光照与复杂纹理环境下的实测 。在实测出现之前，主动散热与百克级机身所揭示的工程取舍，比任何单项指标都更能说明这套空间计算栈的真实运行边界。

3 秒检测与地图持久化：快、准、稳三者为何不能同时最优

「3 秒内完成多平面检测」和「地图持久化」对系统提出的要求并不指向同一个方向。影目在发布会上的描述是：在室内明亮场景下，通过 SLAM、六自由度追踪与在线回环优化持续判断位置与朝向，实现厘米级空间定位与度级姿态感知；3 秒内完成多平面检测，识别墙面、地面与桌面；空间地图可通过地图持久化保留，配合厘米级场景重定位，重新戴上即可找回此前空间，再通过空间锚定让内容稳定留在原处 。这段描述把检测、建图、持久化、重定位串成一条链路，但链路上每一环的优化目标并不相同。

多平面检测追求的是「快」。要在 3 秒内从双目画面里找出墙面、地面与桌面，算法通常需要走一条相对轻量的路径：用有限的几何假设和较少的迭代轮次快速给出候选平面，而不是对每一帧做穷举式的稠密重建。这种取舍在单次检测任务里是合理的，因为用户对「戴上眼镜后多久看到平面」的耐心有限。但它也意味着，检测阶段输出的平面参数在精度和一致性上未必达到长期地图所需的水平。

地图持久化与场景重定位追求的则是「稳」。地图要跨会话保留，重新戴上眼镜后还能找回此前空间，依赖的是长期地图维护与回环一致性：同一面墙在不同时间、不同视角下被观测到，系统需要判断它们是不是同一个物理平面，并在回环发生时把累积漂移拉回来。影目把在线回环优化列为空间感知算法的一部分，也把「回环优化后定位精度达 10 厘米以内」作为对外口径之一 。这个表述本身值得留意：它把精度与回环优化绑定，说明未经回环校正的瞬时定位误差可能高于这个数字，而回环能否触发、触发得多频繁，取决于用户是否走过了能形成闭环的路径。

于是「厘米级」与「回环优化后 10 厘米以内」这两个口径之间，存在一个容易被参数表抹平的差异。前者是发布会主叙述里的定位能力描述，后者出现在同一批报道中对精度更具体的限定 。两者并不必然矛盾——厘米级可以理解为系统在理想条件下的分辨率或重复精度，10 厘米以内则是回环优化后的整体定位误差——但它们回答的不是同一个问题。对用户而言，真正影响体验的是后者：虚拟内容会不会在重新戴上后偏移十几厘米，而不是算法在某一帧里能不能分辨一厘米的位移。

快、准、稳三者难以同时最优，根源在于它们共享同一份算力与传感器预算。轻量检测模型省下的算力，可以留给回环优化和地图维护；反过来，如果为了检测速度进一步压缩模型，持久化地图的质量就会下降，重定位时更容易出现匹配失败或漂移。影目把 VIO、SLAM、回环优化、平面检测、空间锚定、地图持久化、场景重定位整合成一套低功耗、可量产的系统，并称这是比单点做出 6DoF 演示更难的工程门槛 。这段话承认了这些模块之间存在耦合：任何一环的激进取舍，都会在另一环上表现出来。

落到真实家居与办公环境，这种耦合会以具体的方式显现。纹理稀疏的白墙、大面积玻璃、反光桌面，都会削弱特征提取的稳定性；光照从窗边强光过渡到走廊暗处，也会让双目视觉的匹配质量波动。发布会给出的「室内明亮场景」限定，实际上是把这些边界条件排除在指标之外 。用户在家里的客厅或办公室的工位上，未必总能满足「明亮」且「纹理丰富」这两个前提，而地图持久化恰恰要求系统在多次、不同光照条件下重复观测同一空间——这比单次 3 秒检测苛刻得多。

因此，3 秒检测、厘米级定位与地图持久化并不是三个可以并列打勾的参数，而是一组需要按场景重新分配的预算。检测快，说明轻量路径跑得通；回环优化后 10 厘米以内，说明长期一致性有校正机制；但两者之间隔着地图维护的持续开销，以及一体式机身里算力、电量与散热共同划定的上限。对读者而言，更实用的判断方式是：把厂商指标还原到它被测量时的场景条件，再问一句「我的房间是否满足这些条件」——这比记住厘米级这个数字更能预测实际体验。

白墙、逆光与动态物体：宣称指标在真实房间里的衰减边界

发布会给出的空间能力清单里，最容易被记住的是「厘米级」这个数字，但真正决定一副眼镜能不能在客厅或工位上稳定工作的，是它依赖什么样的房间。影目对 INMO Future 空间感知的描述集中在三件事上：空间地图可通过地图持久化保留，配合厘米级场景重定位，重新戴上即可找回此前空间，再通过空间锚定让内容稳定留在原处 。这套表述把「空间」当成了一个静止的、可被反复读取的容器，而真实房间并不是。

特征点从哪来：白墙与低纹理房间的结构性难题

VIO 与 SLAM 的定位精度，本质上取决于相机能不能在画面里持续找到足够多、足够稳定、可被反复识别的特征点。纹理丰富的墙面、书架、家具边缘、地面拼缝，都是天然的锚；而大面积白墙、纯色柜门、玻璃隔断、空旷的会议室长桌，恰恰是特征最稀疏的地方。影目把 VIO、SLAM、回环优化、平面检测、空间锚定、地图持久化、场景重定位整合成一套系统，并强调这是百克级机身上完成的完整空间计算栈 ，但系统集成解决的是「能不能跑起来」，并不能凭空造出画面里不存在的纹理。当视野被白墙填满，可用于约束位姿的观测变少，厘米级这个量级的稳定性就失去了物理基础——这不是算法优劣的问题，而是输入信息量的问题。

同样的机制也解释了为什么「3 秒多平面检测」在真实家居里会有落差。平面检测依赖对同一表面在连续帧中的一致观测，桌面、地板这类大面积、纹理均匀且反光可控的表面通常表现较好；而铺着桌布、堆着杂物的餐桌，或者贴了膜的玻璃茶几，检测到的平面边界会变得模糊。发布会没有给出这些场景下的具体表现，公开材料里也没有第三方在真实家居与办公环境中复现过这些指标，因此目前能确认的只是「室内明亮场景」这一前提，以及在此前提下的宣称值 。

光照是第二个变量：逆光、暗光与反光面

「室内明亮场景」这个限定词，实际排除的正是日常办公与家居中最常见的几类光照条件。逆光——比如面朝窗户站立、背后是整面落地窗——会让画面出现大面积过曝，暗部细节被压掉，特征提取随之退化；暗光则直接降低信噪比，快门时间被迫拉长又会引入运动模糊，两者都会削弱 VIO 的位姿约束。反光面是更隐蔽的一类：镜面、抛光地砖、显示器屏幕会在不同视角下呈现完全不同的亮度分布，同一物理点在两帧之间可能对应截然不同的像素表现，回环优化一旦把这类观测当成稳定特征，反而可能引入错误约束。

这些都不是影目独有的问题，而是视觉惯性方案共同的物理边界。区别在于，一体式机身把算力、电池与散热全部留在脸上，系统没有太多余量去用更重的计算换稳定性——比如在低纹理时切换到更密集的稠密匹配、或在暗光下做多帧融合，这些手段都要消耗额外的算力与电量，而散热预算已经被主动散热系统占去一部分：重负载持续运行下温度稳定低于 42 摄氏度，日常游戏、影音场景下风扇噪音约 40 分贝 。光照变差时最需要的那部分额外算力，恰好是这副眼镜最难腾出来的部分。

「重新戴上即可找回」在环境变化之后

地图持久化与场景重定位是这套空间能力里最实用的一环：一次建图，之后回到同一空间不必重新扫描。影目的表述是空间地图可通过地图持久化保留，配合厘米级场景重定位，重新戴上即可找回此前空间 。这句话成立的前提，是重定位时看到的场景与建图时足够相似。

而真实房间恰恰是持续变化的。家具挪动、窗帘开合、白天与夜晚的照明差异、桌上物品的增减，都会改变画面的外观；如果变化幅度大到覆盖了建图时依赖的主要特征区域，重定位就需要在剩余特征上重新匹配，精度和成功率都会下降。更麻烦的是动态物体：走动的人、开合的门、屏幕上播放的内容，这些在办公环境里几乎无法避免，它们既可能被误当作静态特征写入地图，也可能在重定位时遮挡住原本的关键观测。材料中没有披露影目对动态物体的过滤策略，也没有说明地图在环境显著变化后是否需要重建，这部分目前属于未验证区域。

综上，INMO Future 宣称的厘米级定位、3 秒多平面检测与地图持久化，是一组在「室内明亮、纹理充足、场景相对静止」条件下成立的能力描述；一旦房间进入白墙、逆光、暗光、强反光或高动态的状态，精度下降乃至短暂丢失都是这类技术路线的预期行为，而非偶发故障。对打算在自家客厅或开放式工位长期使用的用户来说，真正该问的不是「能不能做到厘米级」，而是「我的房间在多大比例的时间里满足那个前提」。这个问题，目前还没有第三方实测能回答。

一体式与分体式：算力留在脸上还是外移，决定空间感知能跑多久

「一体式独立计算」真正的含义是给整台设备划了一条物理边界。INMO Future 无需连接主机、不依赖手机，本身就是一台完整的空间计算设备，核心搭载高通骁龙高性能空间处理芯片，为 AR 应用运行与 6DoF 空间锚定提供算力支撑 。这句话的另一面是：过去由手机、主机或外置计算单元承担的那部分功耗与发热，如今全部被搬到了镜腿上、鼻托旁和太阳穴附近。空间感知不是一次性的开机动作，而是持续运行的后台任务——摄像头不断取帧、特征不断被提取匹配、位姿不断被解算，只要眼镜还「看懂」空间，这套负载就不会停。一体式与分体式的分野，本质上就是这套持续负载被放在哪里、由谁来散热、由哪块电池来供。

分体式路线的思路是把重负载外移：计算单元、大容量电池乃至部分散热结构放到口袋、颈挂或线缆另一端，眼镜端只保留显示、传感与必要的通信。代价是线缆、配对与额外的携带负担，收益则是眼镜本体可以做轻、做小，持续算力与续航不必与面部能承受的重量和温度直接挂钩。一体式路线反过来，用「不依赖手机」换取了形态上的完整与即开即用，却把算力、电池、散热三笔预算同时锁进百克级的机身里。影目把这一点描述为在百克级机身的极端约束下把光学、算力、算法与散热深度耦合、协同调优 。这句表述本身是工程事实的陈述：约束是真实的，协同调优是应对约束的手段，而不是取消约束。

约束最先体现在时间维度上。空间感知的稳定性取决于它能否长时间维持同一套位姿估计，而一体式机身里，算力释放、电量消耗与温升是同一件事的三个侧面。影目为 Future 内置了一整套主动散热系统，重负载持续运行下温度稳定低于 42 摄氏度，日常游戏、影音场景下风扇噪音约 40 分贝 。主动散热的存在说明厂商清楚持续负载会撞上热墙，风扇是把热墙往后推的手段；但风扇本身也要耗电、占体积、发出声音，它把「能跑多久」的问题从温度转移成了电量与噪声的复合问题。分体式方案不必在耳朵边上解决这道题，一体式方案则必须在脸上解决它。

由此可以理解，为什么「厘米级定位」「3 秒多平面检测」这类指标与「能跑多久」并不是同一层级的竞争。前者描述的是理想条件下的瞬时能力，后者描述的是一体式形态下持续运行的结构上限。同一套 SLAM/VIO 算法，放在有独立供电与主动风冷的计算单元里可以长时间满负荷跑，压进眼镜后就必须在帧率、特征密度、回环频率与功耗之间做取舍；取舍的方向不会写进参数表，却会直接表现为使用一段时间后的位姿漂移、重定位变慢，或者设备降频。「室内明亮场景」限定在这里获得了第二重含义：它不仅是对环境纹理与光照的要求，也是对设备仍处于舒适功耗区间的要求。

这并不意味着分体式天然更优。外置计算单元带来的是另一种边界：线缆与配对的摩擦、随身多一件设备的负担、以及眼镜端与计算端之间数据传输的时延。一体式的价值在于把这些摩擦一次性消除，让空间计算成为戴上即成立的能力，而不是一套需要组装的系统。影目把完整空间计算栈装进百克级机身，并同时向开发者开放兼容 OpenXR 的自研 SDK ，指向的正是这种「开箱即是一台空间计算机」的产品逻辑。问题只在于，这种完整性是用面部承载的功耗预算换来的，预算越紧，持续运行的余量就越小。

所以两种形态的差别不该被读成先进与落后的排序，而是两种不同的资源分配契约。一体式把体验的完整性放在首位，接受在续航、噪声与热设计上做更精细的平衡；分体式把持续算力与续航放在首位，接受形态上的不完整。对使用者而言，真正需要问的不是哪一种更「独立」，而是在自己实际的使用时长与场景里，这套空间感知能不能稳定跑完那段时间。参数表回答不了这个问题，只有形态所决定的功耗与散热结构能回答。

SDK 与 OpenXR 之后：空间锚定能力开放了，但可用性还缺验证

发布会给出的开发者承诺可以拆成三层：工具层是自研 SDK 把整套空间计算能力开放，并兼容 OpenXR 标准，便于已有技能迁移；生产层是开发者把想法写成一句话发给 AI，即可生成可运行的 AR 应用并一键上架，官方口径是从想法到上架仅需几个小时；资金层是设立 3000 万元生态内容产业基金，用于原生 AR+AI 内容孵化 。这三层指向的其实是同一个问题：空间锚定与地图持久化这类能力，能不能被第三方稳定调用，而不是只在自家演示里跑通。

OpenXR 兼容是这里最值得单独说的一句。它意味着熟悉现有 XR 开发范式的团队不必从零学一套私有接口，技能迁移的成本被压低；但兼容标准解决的是接口形状，不解决接口背后的能力边界。多平面检测在什么纹理密度、什么光照条件下会退化，地图持久化在断电、换房间、家具挪动之后还能不能认回原来的锚点，这些都不会写在兼容性声明里。SDK 开放的是调用权限，可用性取决于调用之后返回的结果是否稳定可复现。

一句话生成应用并一键上架，把上架门槛降到了接近零，同时也把内容质量的下限交给了生成环节。对空间应用而言，真正稀缺的不是能跑起来的页面，而是知道该把虚拟物体钉在哪个平面上、钉住之后隔天回来还在原处的那类应用。3000 万元基金能买到的是供给数量，买不到的是供给里有多少真正用上了空间锚定与地图持久化，而不是把平面应用搬进一块悬浮屏幕。

所以接下来值得盯的信号很具体，且都可核验：SDK 是否公开文档与能力清单，明确空间锚定、地图持久化的调用方式与已知限制；是否有第三方开发者在非影目官方演示的普通家居或办公环境里，公开可复现的锚定与重定位结果；基金孵化的首批应用里，有多少在功能上依赖持久化地图而非仅依赖平面检测；以及这些应用在长时间运行下的稳定性反馈。在这些信号出现之前，能力开放与能力可用之间仍隔着一道没有实测数据填充的空白。

对长期使用价值而言，判断依据不在发布会当天的演示，而在开发者拿到 SDK 之后的头几个月：接口是否够用、文档是否说清边界、失败案例是否被如实记录。这三件事决定空间感知能力最终是变成一批可复用的应用，还是停留在一次性的展示。

参考：影目 INMO Future 宣称 3 秒多平面检测，精度口径与「回环优化后 10 厘米以内」并存（极刻觅镜）