鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

“百镜大战”开启:巨头扎堆AI眼镜,风口还是虚火?

编程导航
编程导航
2025-12-09 12:30
阅读 174
编程导航
2025-12-09 12:30
阅读 174

TechWeb /卞海川

从近日理想汽车跨界发布Livis AI眼镜,到阿里夸克眼镜登顶热销榜,再到百度、小米、字节跳动等巨头的密集布局,AI眼镜在今年颇有爆发之势。而这场被业内戏称为“百镜大战”的背后到底是风口还是虚火?其中又隐藏着参与企业怎样的商业逻辑?

集中爆发,技术与市场的双轮驱动

提到所谓AI眼镜,其并非新鲜产物,而之所以在今年呈现爆发之势,最直接的催化剂是来自大洋彼岸的Meta与雷朋联名的智能眼镜销量突破百万这一市场信号极大刺激了国内厂商,因为它验证了一条务实的新路径,即用户现阶段并不需要一个把手机功能完全搬到脸上的厚重头显(例如VR或者MR),而需要一副首先佩戴舒适、且具备智能化功能的日常配饰。而更深层的驱动力则在于AI大模型的“端侧下放”。

众所周知,长期以来,智能眼镜受困于语音助手“听不懂人话”的交互瓶颈,而生成式AI的爆发让眼镜拥有了真正的“大脑”。尤其是随着DeepSeek等优质开源模型的小型化,以及高通AR1等专用芯片的量产,厂商已经能将大模型部署在眼镜端,同时将重量控制在30g-50g之间,接近普通眼镜的佩戴体验。

正是上述这种软硬件的成熟,使得AI眼镜不再是极客的尝鲜品,而具备了成为继智能手机、PC之后新一代AI载体的潜力。

你方唱罢我登场,不同企业优势各具

在这场所谓“百镜大战”中,不同的企业基因决定了它们打造AI眼镜的差异化路径,可谓各有千秋。

例如对于阿里巴巴、字节跳动和百度等互联网企业,硬件本身只是载体,其核心意图在于抢占AI时代的流量入口和服务分发权。以阿里夸克AI眼镜为例,其不仅搭载了通义千问大模型,更深度接入了支付宝、高德地图等阿里系的核心应用场景,让用户通过语音就能直接调用生活服务,这实际上是将互联网服务从“手指点击”升级为“语音调用”。

相比之下,字节跳动则通过豆包AI与操作系统底层的嵌入,试图利用AI Agent(智能体)能力,跨越应用壁垒,实现比价、点餐等复杂任务的自动执行。

而如小米、华为等手机厂商进入AI眼镜市场,本质上是在做手机能力的延伸。例如小米AI眼镜被定义为“手机的一部分”,凭借系统底层的打通,眼镜可以无缝调用手机算力,同时接入米家生态,控制家中的智能设备。

需要说明的是,小米的“性价比”策略再次生效,小米AI眼镜凭借1999元的起售价和庞大的粉丝基础,上市即遭到疯抢,半个月就卖出8万台。

至于造车新势力,则是将AI眼镜作为具身智能的“试金石”。这之中,理想汽车的入局逻辑最为独特。其推出的Livis AI眼镜不仅是车的自然延伸,更是向机器人领域转型的跳板。在功能上,它聚焦车控体验,用户一句话即可控制车窗、空调;在战略上,理想将其视为“穿戴机器人”,通过眼镜验证视觉感知、语音交互等技术,为未来向具身智能转型积累经验。

最后是以雷鸟创新、Rokid、影目等为代表的创业公司,其往往在光学显示技术上积淀更深,使得它们与巨头侧重音频和摄像不同,其更倾向于探索“AI+AR”的终极形态,即不仅听得见,还能通过光波导技术让信息“看得见”。例如,Rokid Glasses和雷鸟X3 Pro支持实时提词、导航,并在屏幕上直接显示翻译结果。尽管在资金与品牌声量上不及巨头,但它们在融资能力上表现不俗,且在垂直场景(如观影、办公)的体验上更具差异化优势。

机遇与挑战并存,提升用户体验是关键

据IDC预测,到2029年全球智能眼镜出货量将突破4000万台,年均复合增长率高达55.6%。由此可以看出,AI眼镜未来充满了机遇。

具体表现在,目前全球有数十亿的近视及太阳镜用户,这是一个天然的庞大存量市场。而在效率革命层面,AI眼镜在同声传译、会议记录、第一视角拍摄等场景下,具有手机无法比拟的便携性。更重要的是,随着AI从“工具”进化为“智能体”,AI眼镜有望成为最贴身的私人助理,主动感知环境并提供服务。

尽管如此,但从目前的情况看,AI眼镜挑战犹存。

据行业媒体统计,部分平台AI眼镜退货率高达30%-50%。究其原因,续航不足、发热明显、连接不稳定是用户吐槽的重灾区;大部分产品在脱离手机后功能受限,且在嘈杂环境下的语音交互准确率仍有待提升。

更值得关注的是,随时随地的拍摄功能还引发了公众对隐私的担忧,虽然部分产品设置了拍摄指示灯,但社会伦理的边界仍需法律与技术的双重规范。

写在最后:2025年,注定是AI眼镜的“战国时代”。期间,巨头们用资金换市场,创业企业用技术博生存。虽然当前的产品仍带有“半成品”的属性,或为了轻便牺牲了显示,或为了智能牺牲了续航,但这正是技术进化的必经之路。

展望未来,机构普遍预测2026年将是端侧AI落地的大年,而随着电池技术的突破、芯片制程的升级以及AI模型的轻量化,AI眼镜有望真正跨越“好用”的门槛,成为下一个千亿级的消费热点。

原文链接: “百镜大战”开启:巨头扎堆AI眼镜,风口还是虚火?
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手