未来的影像设备，应该是「前轻后重」的。
这是影石 Insta360 创始人刘靖康在 AGI Playground 2026 上对影像行业未来趋势的判断。上个月，影石刚刚宣布了「打造 Cameraman」的最新产品愿景——它代表着一种「更简单操作+更好的交付」的影像体验。
刘靖康说：「也可以认为这是一种 Camera Agent」。
产品形态大概率是多样的。因为哪怕「前轻」，不同出片场景里人们依然需要不一样的镜头、焦段以及第一人称、第三人称等不同拍摄形式。
和具身领域一样，目前距离让设备本体在通用场景里「自由移动」，仍有不小的挑战。但 Cameraman 未必需要一个「通用」的大脑，因为对于记录和分享生活而言，「审美在线」很大程度上比「聪明地执行标准化任务」更重要。
据刘靖康介绍，目前影石已经尝试通过云端为用户直接提供 AI 剪辑服务。收费标准是 6 元/条，前两个月的灰度测试已经完成了数十万条的剪辑，导出率（类似于视频生成的「抽卡率」）超过 50%。
但这条路仍然走在早期。Camera Agent 不止是一个独立存在的个人或服务，它需要提升的不仅是自身的智能和审美，还有对于人类在物理世界里的「审美期待」的更深刻理解。
以下是影石 Insta360 创始人刘靖康（JK）和极客公园创始人&总裁张鹏的对谈内容。经 FounderPark 和 Hardwire 整理。
策划、整理 | siqi
编辑｜万户
⬆️关注 Founder Park，最及时最干货的创业分享
Founder Park 正在持续寻找值得被看见的 AI 团队与项目。
我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。
如果你正在做 AI 相关的事，欢迎和我们聊聊。
01Cameraman，
核心不是拍摄，而是结果交付
张鹏：欢迎 JK 来到 AGI Playground。Insta360 前段时间更新了产品使命：以前你为消费者提供「camera」，未来想提供的是「Cameraman」。这个变化意味着什么？
刘靖康：Cameraman 这个想法不是一蹴而就的，它始于 2019 年。当时我们第一次把准备发布的运动相机装到一台穿越机上去拍广告片，拍出来的镜头非常好看。但想要拍出这样的画面，操控门槛很高。于是我们就自然地往下推导：怎么让每个人都能更容易拍出这种画面？
再往下思考，我们觉得必须看到消费者「需求背后的需求」：大多数人真正要的不是操作机器，而是得到好的照片和视频。正如今天大家出去玩，有些人会请摄影师给自己跟拍，今天这个活动也有 cameraman（摄影师）帮我们抓拍——我们不需要自己动手，就能拿到很多好照片，这是影像的上限体验。
张鹏：所以你们从那时候就开始拆，一台能全自动拍摄的机器该具备什么？
刘靖康：对，我们整体分出了 3 个技术方向。
第一个是 Imaging，跟「眼睛」相关。我们花了很多时间储备各类镜头、传感器和影像调校技术。
第二个是 AI，从 2018、2019 年我们就开始做自动剪辑。给机器一个全景画面，让它理解用户的意图，学习怎么裁切才有更好的构图。
第三个是 Robotics，代表「身体」。一台相机能不能构图，跟它所处的位置、拍摄角度都有关系，这需要一个移动的平台。我们做了无人机和云台技术，前者在户外可以自由移动，后者可以让取景没有角度限制。
我们从 2019 年开始储备这些东西，并陆续实现了一些技术变现：云台最早用在会议摄像头上，无人机去年发布，各种自动剪辑和影像调校技术在过去的产品里都发布过。今年我们发起这个冲锋，就是之前说的零件已经凑齐了，现在去拼那个大脑。
张鹏：所以 Cameraman 本质上是一个你们过去脑子里就想清楚的方向，只是现在吹了个冲锋号。
刘靖康：对，其实我们每年年会都跟全员讲。
张鹏：只是没跟我们说。
刘靖康：一直在拼凑各种零件，现在发起冲锋。今天早上咱们聊天的时候我有一个启发，如果「Cameraman」这个概念解释成本比较高，今天似乎有个更好的词：CameraAgent。现在不是流行讲 agent 吗？
可能大家更好理解，不用那么绕。核心价值不是「操作」相机的过程，而是能自动完成好照片、好视频的「交付」。
张鹏：我们不是在买一个 gadget，而是在用一个 agent。我们现在已经很习惯在数字世界里用 agent 直接跑任务、交结果，未来希望影像这个领域也能这样。
刘靖康：希望在现实世界里面也可以做到。
02
「前轻后重」，
传统路径正在往 AI 走
张鹏：我们先聊聊 Imaging 这条线。这几年随着大模型、云和端的发展，Imaging 这条线有什么显著的变化？它是整个 Cameraman 最前端的部分，今天是什么状况，未来会是什么格局？
刘靖康：这里面确实有挺多新发生的技术路线，举几个典型例子。
譬如「降噪」这个场景，过去的方法是从 Sensor 到 ISP（图像信号处理器）的传统 CV 降噪。2019 年开始我们通过 AI 做端到端的降噪模型，实现了运动相机也能把夜景拍好。
后来，行业开始用端到端做 Tone Mapping（色调映射），所以近几年无论是我们还是同行，色彩都有比较大的飞跃。
但影像除了基本的色彩、宽容度、噪点之外，还跟 Color Grading（调色）有很大关系。
它可以带来不少直观理解叫「P 图」的东西——加光晕、加暗角、做图像分层。我们最后发现通过模型直接去处理，可以做出很多在端上根本做不出来的效果。
这还只是照片领域，视频领域有更多效果在端上根本没办法出来。
所以我们认为 Imaging 这件事，在整个相机开发上可能有一个范式变化：更少地依赖前端。以后前端的相机部分可能会很轻，甚至很便宜，不一定非得是很「高级」的硬件。
张鹏：它更像是个传感器了。不再像原来那样，认为镜头或者光学是这台设备的灵魂。
刘靖康：肯定也有很多人追求传统技法。但我相信，对更多用户来说，大多数情况下用一个足够轻便的东西，把画面拍好看更重要。
张鹏：现在行业还有哪些方面需要补强？
刘靖康：举个例子，对于那些用超长焦拍到的细节，AI 确实还很难补。另外，云端生成目前是异步的，而对一台相机来讲，即拍即得是个很基本的需求。
所以可能模型成熟之后，这些技术会再跑回端上。目前端侧算力还受限于芯片制程，相信等芯片升级后，端上的推理生成能力可以更强。
总之，我认为有一件事没变：传统的路径正在往 AI 走。
张鹏：也就是所谓的「前轻后重」？光学这一端可能依旧要求一个不能降低的标准，但未来提升的重心在后面，跟 AI 相关、跟计算相关。
刘靖康：对。举个例子，虚化。这件事靠传统光学可以做得很好，但传统光学基本上是没办法压缩的：你的底有多大、光圈多大，直接决定了景深够不够、虚化够不够自然。你通过算法去模拟，基本上做不出来；但通过 AI 生成，就可以出来很自然的效果。
张鹏：那如果端这一侧的算力持续上升，摁下快门一秒钟就出来，而且里面其实有生成的成分——这看起来是一场端和云的赛跑吗？还是说未来会有别的方式来确定两者的配比？
刘靖康：我觉得除了我们这个行业，很多行业将来都会有这个分支：有人愿意购置硬件的成本低一些，长期付订阅；也有人愿意一次性买断这个服务和算力。
我觉得它不是一场赛跑，而是未来会出现两种消费方式。有些人不想一次性付很多钱，愿意长期付，甚至对有些人来讲，这不一定是他一直会用的东西，他会觉得用云端更便宜。但对刚需高频的人来讲，他可能就会一次性买断这个算力。
03
AI 也会成为影像内容的消费者，
但不一定是坏事
张鹏：那你会考虑在 Action 层面做一些探索吗？这跟具身看起来就比较接近了。你们在说 Cameraman 的时候，有没有思考过它不只是后期怎么生成和优化，而是在拍摄、行动、动作这个层面上也要具备「man」的能力？
刘靖康：实际上我们目前在无人机形态的 Cameraman，它就是这样子的。
它自身有小脑的部分，就是我们说的对环境的 360 度感知。你要拍一个好的镜头、拍视频，运镜是很关键的东西——理解现在的主体是什么、场景是什么、可通行的空间或路径是什么，怎么去画那条轨迹。这牵涉到本体运动，是比较复杂的一件事。
还有一种「运动」的思路是纯粹数据层面的：输入一个广角图像，找到好的裁切方式。
张鹏：所以 Cameraman 未必需要物理层面的「移动」，也可以是剪辑和裁切？
刘靖康：对。一种是 ego motion（自身移动）；一种是焦点移动，在采集到的全景数据里做裁切。
整体来讲，无人机的移动比在地面上移动的东西还是要简单很多，因为它在一定高度之上，障碍物要少很多。
张鹏：所以找一个双足的 Insta360 设备在屋里来回拍，不是想象中正确的方向？
刘靖康：这种复杂场景里，通过性还是挺有挑战的。扫地机都要解决很多问题，室内的拍摄机器人要解决的问题比扫地机复杂很多。
张鹏：现在具身领域有非常多的资本、非常多优秀的人在探索。在他们的数据需求上，过去的那些设备已经不一定是最优的采集方式了。是不是也有这样的机构在跟你们交流？你怎么看？
刘靖康：我们确实有跟一些公司合作。
整体来说，我们认为在这个赛道里，目前大家在数采这件事上路径还没有收敛：有人采第一人称的，有人采第一人称加第三人称，有人采全景的，还有一些人根本不采数据，直接从视频里学习。
说直接点就是还没起量。目前基本只有少数共识，例如预训练阶段不搞遥操了，因为采集成本和数据量上不去。
所以我们现在保持比较密切的观察。我们也「怕」数据采到一半，纯粹从视频里学习那条路就走通了，那这些采集的素材可能就不需要了（笑）。这也有可能，今天还是有很多分歧。
张鹏：那会不会带来需求的变化？以前我们做的所有影像相关的东西都是给人用的。如果未来机器人的时代到来，给机器人用的传感数据需求量可能会比人还多——就像今天人的搜索量在下降，AI 的搜索在指数级上升。如果具身的时代到来，你觉得影像这件事会怎么变化？
刘靖康：我觉得无论是 AI 还是具身，对我们这个行业的目标客户影响可能比较小。因为影像服务人们的记录，而记录这件事跟 AI 没有关系，它是关于个人经历一些很美好、很珍贵的时刻。
我们手机里拍的东西，不一定都是分享给别人看的，有些只是自己回忆，或者放到家里的数码相框里。人们不太会为没有发生过的事情去生成一张图。从记录这个角度来看，我觉得不会有太大的影响。
但影像除了服务记录，还有两类需求。
一类是分享。在这一步里，AI 可以起到「放大器」的作用，把你很多拍不出来的效果强化出来；还有一类是创作，通过影像表达一个想法，或者拍一个商业广告、做一个作品，这部分我相信 AI 也可以起到很大的替代作用。
张鹏：那以后影像内容的消费者会从人变成机器吗？
刘靖康：一定程度是会的。
但换个角度看，我们用 AI 去消费其他内容，无论文章还是视频，很多时候是服务于生产力的，例如让 AI 帮你快速给老板写个分析报告。但你不会通过 AI 去帮你看个电视剧，因为看电视剧产生的情绪，机器没办法替你感受。
所以我认为，记录和分享不受影响，创作可能会有些影响，而在消费这一块不会改变。它会多出机器人去消费内容，但你拍出来的内容被人们娱乐、影响人们情绪的这部分，客户不会变少。反过来，正因为大家工作时间变少、消费内容的时间变多，对内容消费来讲不见得是个利空的事。
04Cameraman 需要一个
「有审美」的专用大脑
张鹏：最近行业里有一类讨论：未来 All-in-One（一体化）的设备会不会「一统江湖」？在某个局部里做一个特定的产品，天花板是不是永远很低？这有点像 AI 领域里的问题——是做一个通用的 agent，还是在某些明确需求上做到极致。你怎么看这个问题？
刘靖康：我觉得相机这个品类还是比较特殊的。从原理上看，影像内容有几种不同的分类，就决定了它在形态上一定会至少分好几类：
第一类，拍我们自己看到的东西。我们大概率会用手机、相机，或者云台相机来拍摄；
第二类，叫 POV（第一人称视角）。这类内容在运动的时候比较常见，它要求相机是「可穿戴」的，相机形态就会是眼镜、拇指相机，或者挂在头上的运动相机。
第三类，是第三人称视角，它是解放双手的。从 Cameraman 的角度看，它一定不是你操控的，它是独立的。所以除了手上拿的，还会有戴在身上的，以及跟你有一定距离、自主移动、自动帮你拍摄的，无人机肯定也是一类。
张鹏：所以它未必是一台 All-in-One 的设备就能把 Cameraman 全部实现？
刘靖康：影像或者摄影里有个很重要的概念叫焦段，指的是一个画面里能拍多广、多远。不同焦段服务的事情是不一样的。
全景很适合站在你自己的角度拍周围，你把所有都拍下来，后面通过计算和 AI 帮你处理。
但从记录的角度看，你必须有相当一部分画面是关于拍你自己的：相机在近处拍你的脸和背景，在比较远的地方拍你全身和背景，或者在更远的地方拉一个长焦拍你的半身和背景，产生的感受都不一样。而且视频里有一类很好看的镜头，共同特性是主体和背景的相对运动变化，这类只有从第三视角才拍得出来。
所以影像有两种大的形态和需求，一种是从别的视角拍你，一种是从你的视角拍别的。这两种都是重要的镜头语言。从采集的角度看，这两种数据都需要；从应用的角度看，这是两种不同类型的需求。相机可能就像车一样：你说它的本质功能是不是从 A 点到 B 点？是，但它还是衍生出了非常多的分支。
张鹏：那么从大脑的角度看，具身领域今天大家都在说要有一个通用的大脑。那对影像行业来说，未来这个大脑是一个，还是多个？
刘靖康：只说 Cameraman 的脑子，我们目前判断大概率不会是特别复杂的一件事。我们会不会被一个更大的模型直接就把这块也包含进去？也有可能。
但我觉得还有另一个从商业角度出发的推理：我相信无论是做模型还是做智能，从商业角度看，大家还是会追求自己的独特性——就是某个部分里只有你有的东西。
所以默认情况下，确实有可能一个通用的大脑可以做好千行百业所有的事，或者说针对摄影摄像这个行业，一个大脑也可能把大部分场景都做得很不错。
但从人性、从商业的角度看，我觉得很有可能大家都希望：我在这个场景理解比较深，所以我在这个场景训练的数据更多，甚至很多数据是我独有的，甚至这个拍摄方法就是我发明的——我把它变成我在这个场景专用的模型或专用的技能，并且为此实现额外的增值收费。
张鹏：谈到影像，那个大脑对我们来讲更重要的可能是它有更好的审美——理论上它应该超越我，如果它能交付这个。审美这件事用什么样的数据、什么样的方式，能确保它普遍交付更高的审美？这件事今天有比较明确的解法吗？
刘靖康：这是个很好的问题。我们目前在构图和剪辑上训练的方向，还是公约数的审美。
今天我们的自动剪辑，或者说 Cameraman，之所以相对好交付，第一是因为它本身不反作用于物理世界，第二是它可以同时提供多个选项，它的评价标准本身不收敛，所以总有一个能中。但它的问题在于，你没办法百分之百猜对客户的意图。
我们内部有一个公式：客户的满意度等于你交付的东西除以他的期望。但期望本身摸不准。打个比方，今天有个 AI 直接决定你晚上吃什么，它再了解你——就像你太太决定你今天晚上吃什么——也不可能每顿都刚好命中你当天想吃的。
下一个方向可能还是回到客户本身：我们提供多个选项，从他自己的选中习惯里再学习他的偏好，作为下次推理的上下文或参数送进去，最后做到千人千面。但这个还没跑出来，因为客户编辑视频的频次，远远没有他刷视频的数据量大（笑）。
所以我认为在审美这件事上，或者说这类需求上，匹配客户需求的命中率总感觉有一个隐形的上限。
张鹏：我知道你们在云端已经有能直接帮用户剪出视频的功能了，甚至有用户在付费。你认为随着技术成长、随着审美的进展，这部分服务占比会越来越高吗？
刘靖康：我认为是必然的。你都花那么多时间去拍了，从需求上必然希望把它总结出来，无论是给自己还是分享给朋友，而且这件事花的时间确实非常多。你前置已经花了钱去旅行、花了时间去拍摄，那从临门一脚的角度讲，肯定是有需求的。过去客户的剪辑成本实在太高，所以很多人就跳过了最后一步。
我们目前有一些高端的剪辑服务，大概收 6 块钱一条，上线两个月左右已经剪了几十万条，而且这还只是灰度。
张鹏：他要抽几次卡才会采用一条？
刘靖康：目前我们的导出率都大于 50%。每给他提供两个选项，就有一个会被选中，大概能到这种程度。
张鹏：两个里头就有一个被采用了。
刘靖康：是。但这还是跟我们的屁股坐在哪里有关系。我们判断这是个刚需，最后可能还是会有人选择一次性买断算力——毕竟 6 块钱一条，还有一定概率要抽卡，相当一部分人的消费习惯不是这样的。甚至以后可能跟买断算力也没关系，手机的算力起来了，可能在手机上就能跑完，或者在家里的 NAS 上跑完。
张鹏：那你觉得「屁股」的位置，未来有可能变吗？
刘靖康：整体来讲，客户的行为和消费习惯是一个分布，它不会百分之百是某一种——不会百分之百是云，也不会百分之百是买断相机上的算力，也不会百分之百在手机上或 NAS 上。
从公司战略的角度，我们确实会考虑把计算从一个平台扩展到其他平台。但很重要的一点是要看它本身的成熟度和渗透率。今天我们从客户那里收费是件很严肃的事，要确保他的体验是好的。而今天能够把握统一体验的，要么是云，要么是你自己的硬件。第三方无论是 NAS 还是手机，距离我们的算力目标还是差太远——基本上没有消费级的、能上百 T 算力的芯片或产品被集成在手机或 NAS 上。但一旦这个趋势起来了，我们提供计算的服务肯定也会跟着扩展。
张鹏：今天整体聊下来，我印象比较深的是，如果我们今天对 AI 的智能很有信心，那对审美这件事可能不要过度有信心，因为审美好像是个性化的。所以在 Cameraman 这个层面上，如果审美是关键，那它是很难的。
刘靖康：我可以跟大家讲个笑话：每个汽车厂都有很好的设计师，但车好不好看，真的取决于那个厂老板的审美。
张鹏：最后还是要看老板。谢谢 JK，期待你的审美永远在线，给我们带来更多好产品。
转载原创文章请添加微信：founderparker
热门跟贴