引言：AR的“摩尔定律”缺失

当前AR开发沉迷于硬件参数的军备竞赛——视场角、亮度、时延，却忽略了本质问题：我们究竟想用AR创造什么体验？过去十年，AR技术沿着“空间计算”的路径狂奔，SLAM精度从米级提升到厘米级，但用户依然在玩着“虚拟摆件”和“拍照滤镜”。这如同发展了一百年的电影技术只为呈现舞台剧录像，而未曾诞生属于自己的镜头语言。真正的突破不在于把数字物体塞进现实，而在于重新定义现实与数字的关联方式。本文提出一个异端观点：AR的核心竞争力不是空间，而是情境（Context）。当我们把计算重心从“我在哪”转向“我为何此时需要什么”，爆发力将不可同日而语。

现状批判：SLAM崇拜与交互贫瘠

过去十年，SLAM（即时定位与地图构建）技术成为AR开发的圣杯，几乎所有融资故事都围绕“更稳的追踪”展开。这导致三大沉疴：其一，研发资源严重堆叠于底层几何重建，忽视上层语义理解。我们能让手机精确测量墙面角度，却无法识别这是客厅还是教室；其二，交互模式退化为“点击+拖拽”，缺乏对用户意图的主动感知。当你注视一盏灯，系统只画出一个卡通精灵，而非主动判断“是否要调光”；其三，碎片化严重——每个SDK都是孤岛，开发者被困在技术迷宫中，无暇思考体验设计。对比游戏、社交等成熟赛道，AR至今没有“杀手级应用”，根源就在于我们造出了高精度的地图，却忘了地图是给谁看、用来做什么。

对比分析：几何优先 vs 语义优先

传统AR技术栈是“几何优先”的：先建图、定姿、渲染，然后才勉强加入一些识别标签。而新一代AI驱动的AR应当转向“语义优先”，即先理解场景中的物体、关系、意图，再决定如何增强。例如，同样看到一幅画，几何方案只会显示坐标信息，而语义方案能识别这是蒙娜丽莎，并依据用户兴趣推荐艺术史资料。这不是简单的加一个识别API，而是需要重建整个AR数据流：从传感器原始数据转化为知识图谱，再将虚实融合从“像素对齐”升级为“意思对齐”。当下，大模型在视觉理解上的突破为这条路径提供了燃料，但多数团队仍把AI当作后处理的补丁，而非底层架构的基石。对比来看，几何优先适合工业定点维修场景（精确但刻板），而语义优先则能赋能教育、零售、社交等需“读懂人心”的领域。未来的AR系统必须同时驾驭这两种模式，并根据任务动态切换权重，这正是本观点的颠覆之处。

全新观点：AR的本质是“情境计算”

我提出一个全新范式：AR不是空间的延伸，而是情境的放大器。传统空间计算回答“物理世界中有什么”，而情境计算回答“当前的人类活动中需要什么”。这要求AR系统具备三层能力：感知层（了解人和环境）、推理层（预测意图和偏好）、表达层（用最少的视觉干扰提供最大价值）。想象一个维修场景，传统AR高亮螺丝位置，情境AR则根据你的动作历史判断“该拧三圈”并实时反馈力度；在博物馆，传统AR展示展品标签，情境AR察觉你驻足时间且眼神发呆，主动切换为故事模式。这种系统的核心是构建“情境引擎”，它融合了用户模型、环境图谱和事件流，而非简单叠加云识别。实现上，我们需要将神经符号推理与实时渲染融合，让AR设备不仅是显示器，更是认识世界的伴侣。这个观点并非空中楼阁，已有的多模态大模型与轻量化SLAM正在为“端侧情境推断”搭建地基。

结论：开发者应拥抱的三大转变

面对范式重构，AR开发者需要主动踏上断头路。第一，从算法堆积到体验编排：别再比拼帧率，去研究用户何时会心一笑。多观察、访谈、共情，让技术服务于微小但真实的瞬间。第二，从单机智能到云边协同：情境理解需要海量先验知识，端侧设备和云端大模型必须形成动态分工，比如轻量判断在本地，复杂推断在云端。第三，从工具思维到生态思维：成为“情境开放平台”的布道者，提供语义标注工具、隐私保护框架及开发者激励。AR的终局不是眼镜，而是像电一样无处不在的智能环境。下一个十年，那些敢于把“空间”交给系统、把“情境”还给用户的团队，将书写新的交互史诗。现在，是时候砸碎旧地图，画一张只属于情境的星图了。