AI眼镜的交互方式，正在从“听声音、看画面”进一步延伸到“理解视线”。近期发布的千问N1 Pro与秋果计划Wigain Flow，均将眼动或眼部感知纳入产品能力。前者加入高精度眼动追踪，并将视线信息用于视觉问答、对象识别和虹膜支付；后者则在鼻托位置布置虹膜摄像头，面向身份验证和无感支付。随着AI眼镜从尝鲜型设备走向日常佩戴，眼部数据正在成为补齐个人上下文入口的新变量。
从摄像头到眼神：AI眼镜补齐“用户正在关注什么”
过去，AI眼镜主要依赖摄像头、麦克风和环境传感器获取信息：摄像头负责记录第一视角画面，麦克风负责接收语音指令，算法再对这些内容进行搜索、识别或生成。但这种方式只能知道设备“看见了什么”，未必知道用户此刻真正在关注什么。
眼动追踪的价值在于补充这一层信息。视线方向、注视点和眼球姿态，可以帮助系统判断用户正在看哪里、关注哪个对象。千问N1 Pro搭载微型眼动追踪模组，可结合用户视线判断其关注对象，实现“眼神就是指针”的交互；在支付等场景中，视线可用于定位二维码或支付对象，虹膜则用于身份核验，减少额外确认步骤。
与XR头显中常见的注视点渲染、眼控选择不同，AI眼镜的眼部感知更强调与日常场景结合。相比VR或MR设备通常在有限时间内使用，AI眼镜面向长时间佩戴，摄像头、麦克风和传感器可更持续地获取环境与交互信息。如果视线数据能够稳定参与理解过程，AI不仅能识别眼前物体，还能更准确判断用户为何关注该物体、是否需要进一步说明或行动。
这也是“个人上下文”概念在AI眼镜中的延伸。摄像头提供环境画面，麦克风提供语音内容，眼动则补充注意力焦点。三者结合后，AI有机会建立更连续的个性化信息链：用户看过什么、停留多久、在哪些对象上产生兴趣，都可能成为后续服务推荐、主动提醒或记忆管理的基础。
虹膜识别入场：眼部感知同时解决“看什么”和“我是谁”
除视线外，眼部感知还包含另一类更稳定的信息：身份。虹膜纹理具有高度个体差异，且不像密码可频繁更换，因此长期被用于高安全等级识别。XR设备天然靠近眼睛，也为虹膜传感器布置提供了条件。
千问N1 Pro支持虹膜核身，Wigain Flow同样加入类似功能，可实现身份验证与支付。此前，Apple Vision Pro已通过Optic ID实现虹膜解锁和认证，证明这一路线在头显设备上的可行性。对于AI眼镜而言，虹膜识别的意义不只是解锁设备，还可能成为支付、账户绑定、权限切换等场景中的基础身份层。
当视线与虹膜同时进入设备，眼部感知实际上承担了两个任务：一是理解用户意图，二是确认使用者身份。前者服务内容理解与交互，后者服务安全与交易闭环。对厂商来说，这意味着AI眼镜不再只是信息助手，也可能成为个人身份终端的一部分。
不过，身份能力越强，数据保护要求也越高。虹膜属于稳定生物特征，一旦泄露，补救空间远小于密码或短信验证码。因此，眼部识别能否被用户长期接受，取决于识别精度之外，还包括本地处理、加密存储和权限隔离等机制是否足够透明。
Always-on难题：眼部感知需要更轻、更省电
如果眼部数据只是偶尔调用，传统方案即可满足需求；但若要让视线和虹膜持续参与交互与认证，眼部感知就必须从“按需开启”走向常驻运行。这会直接提高对功耗、体积和计算效率的要求。
目前主流PCCR方案通过近红外LED和眼内相机追踪瞳孔与角膜反光，已在多款VR和MR设备中得到验证。但用于轻量AI眼镜时，体积与功耗仍是限制因素。因此，产业链开始从多个方向压缩成本：减少相机与LED数量、采用低功耗机器学习处理器、使用事件相机降低冗余数据，或者将眼动计算交给专用低功耗单元。
素材显示，Inseye发布的Tiny方案以低于10mW、100Hz和Always-on作为主要卖点，其通过光敏器件检测眼球与巩膜反射变化，不再持续采集完整眼部图像。ZEISS Ventures于8月领投SeeTrue Technologies 220万欧元融资，推动低功耗、小型化眼动方案商业化。Tobii与Prophesee也在推进事件式眼动技术，试图进一步降低智能眼镜中的数据量和功耗。
在芯片与系统层面，低功耗分区同样成为关键。Ganzin展示的AURORA IIE眼动方案采用自研EPU2专用ASIC，最高支持120Hz，官方称功耗约为通用NPU方案的四分之一；恒玄BES6100则划分低功耗域和高性能域，由低功耗域承担环境感知、姿态跟踪等常驻任务，需要更高算力时再调用NPU和GPU。
这些变化说明，眼部感知的竞争重点已不只在识别精度，还包括能否在眼镜形态下长期运行。只有当传感器足够小、功耗足够低、算法足够本地化，眼动和虹膜识别才能从演示功能变成基础能力。
隐私边界：眼部数据不能简单当作普通传感数据
眼部感知的另一重挑战在于隐私。连续视线数据不仅记录用户看过什么，还可能反映阅读顺序、兴趣偏好、注意力变化和行为模式。虹膜则属于不可轻易更换的生物识别信息，安全敏感度更高。
素材提到，一项2026年9月、针对206名用户的XR研究发现，即使将原始视线转换为更抽象的眼动特征，模型仍可能在一定程度上重新识别用户，说明眼动数据本身也可能携带身份线索。对于全天候佩戴的AI眼镜，这一问题还会进一步放大：眼动数据可能与第一视角视频、语音、位置、时间等信息同时被记录，长期关联后可还原出更完整的用户行为画像。
因此，眼部数据进入AI系统，并不意味着所有原始信息都需要长期保存或直接开放给模型和第三方应用。Apple Vision Pro提供了一种处理思路：眼动判断主要在系统层完成，普通App无法直接获得完整注视轨迹；Optic ID则将虹膜信息转化为数学表示并保存在Secure Enclave中，第三方应用只能获得认证是否成功的结果。
这一路径对AI眼镜具有参考价值。设备端完成关键数据处理，只向上层AI提供注视对象、认证结果等必要信息，并限制原始数据保存时间和调用权限，可能比集中上传云端更符合用户预期。随着眼部感知走向常驻化，数据最小化、本地处理和权限隔离将和功耗、精度一样，成为产品能力的一部分。
对个人上下文入口的竞争才刚开始
千问N1 Pro与Wigain Flow加入眼部感知，释放出一种趋势：AI眼镜正在从“记录环境”转向“理解用户注意力”。视线回答用户正在关注什么，虹膜回答当前使用者是谁，两者与摄像头、麦克风和长期记忆结合后，可能形成更完整的个人上下文入口。
对行业而言，这意味着AI眼镜的竞争重点也在变化。早期产品比拼重量、续航、摄像头和语音助手，下一阶段则可能比拼谁能更准确理解用户意图、更安全完成身份认证、更低功耗维持长期感知。眼部传感器、低功耗芯片、事件相机、端侧算法和隐私架构，都会成为供应链与产品设计的核心变量。
目前，相关方案仍处于快速演进阶段。无论是千问N1 Pro的视觉问答、对象识别和虹膜支付，还是Wigain Flow面向身份验证和无感支付的眼部摄像头，都还只是这一方向的早期落地。真正决定其能否普及的，不只是功能是否出现，而是这些能力能否在轻量眼镜形态中稳定、低耗、合规地长期运行。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/ai-yan-jing-kai-shi-du-dong-yan-shen-yan-dong-yu-hong-mo
