AI眼镜不再等你开口，开始抢做智能体入口

WAIC上，千问将AI眼镜升级为“智能体眼镜”，并联合Bose发布AI智能体耳机Qwen Clip，核心变化是从“你问它答”转向“感知场景、主动决策、调用服务”。全双工语音、眼动追踪与体征监测三项能力叠加，意味着可穿戴设备正从工具进化为智能体入口。与此同时，Kimi K3登顶开源模型基准、口罩麦克风解决公共语音隐私困境，也共同说明中国AI正在模型与硬件两端同时推进。下一阶段的关键，不是单点功能，而是谁能把感知、记忆和生态调用做成真正的平台。

WAIC展台上，一副眼镜和一只耳夹，正在试图改写可穿戴设备的分工。前者把“AI眼镜”四个字悄悄换成了“智能体眼镜”，后者挂在耳朵上，给那些不想把设备戴到脸上的用户留了另一条路。变化看上去只是命名升级，但落到产品逻辑上，已经不是“你问它答”那么简单了。

千问这次把话说得很直白：眼镜要从被动响应，变成“感知场景、主动决策、调用服务”的入口。和Bose一起发布的Qwen Clip，则把同一套能力塞进了耳夹式设备里，试图证明智能体入口不一定非得长成眼镜。

这背后真正变化的，其实是交互阈值。

前一天，海外社交平台上连续出现了几条颇有意味的信号。Vercel CEO Guillermo Rauch提到，Kimi K3在AI SDK的综合Web工程基准测试里，第一次让开源模型跑到了所有专有模型前面，而且“在更短时间内达到了相当的成功率”。几乎同一时间，Sam Altman也给出另一条判断：“我现在跟ChatGPT说话比打字还多。新的语音模型真的跨越了一个阈值。”

一头是模型能力来到拐点，一头是语音交互开始越过打字。

这两件事放在一起看，千问眼镜这次升级就没那么像一次普通的产品发布了。因为当语音开始成为AI主界面，终端设备就不能再停留在“等指令、播答案”的阶段。它得知道你是不是在跟它说话，得知道你刚刚看向了哪里，还得知道你是不是已经疲劳、分心，或者压根不适合被打扰。

WAIC现场的AI眼镜展示

所以这次最关键的，不是又多了几个功能，而是三项能力被绑在了一起：全双工语音、眼动追踪、体征监测。

单看每一项，都不新鲜。把它们叠起来，性质就变了。

全双工语音解决的是“你得像对讲机一样和设备说话”的老问题。过去很多AI眼镜的体验并不自然，用户得先想唤醒词，再组织指令，再等系统说完。流程没比掏手机轻松多少。升级后的目标，是让设备能像真人对话一样边听边说，能被随时打断，也能判断你是在和它交流，还是在和旁边的人聊天。消费者对这类产品的预期，本就是“无感助手”，但动手的步骤一个也没少，这种落差正是很多AI硬件迟迟没法进入高频场景的原因。

眼动追踪补上的，则是“意图识别”里最缺的一块。你盯着会议白板、咖啡店招牌、路边一辆车，设备如果只能听见你的问题，却不知道你到底在看什么，那它很难把服务做深。千问把眼动追踪、Always-on视觉感知和虹膜核身放在一起，本质上是在把“视线即指令”这件事往前推。你关注什么，它就先锁定什么，这才有可能从问答工具变成任务入口。

再往前一步，就是体征监测。PPG、温度传感器、心率、血氧、HRV，这些词单独拎出来，听上去很像另一块手表业务。但放到眼镜上，想象空间在于“持续佩戴”。手表的交互动作，很多时候仍然是抬腕、点按、查看；眼镜则更贴近一种被动陪伴状态。长时间办公时，眨眼频率、视线停留、心率波动叠在一起，设备就能判断你是不是已经疲劳，什么时候该打断，什么时候该闭嘴。

这才是“智能体眼镜”的真正含义。

不是更会聊天，而是开始学会介入时机。

AI可穿戴设备产品示意图

把时间线拉长，会发现这不是孤立事件。

就在这两天，中国AI硬件还给出了另一种很典型的解法：一款兼作麦克风的口罩在海外被转发，原因很简单——它让用户能在公共场合做语音输入，又不至于把内容暴露给周围的人。看上去“很土”，但解决的恰恰是语音交互跨过阈值之后，第一个真实到不能再真实的问题：你没法在开放办公室、地铁车厢、咖啡馆里，对着空气念需求。

这件事和千问眼镜的升级，其实属于同一条技术演进线。模型已经越来越强，语音也越来越自然，接下来拼的就不是“能不能回答”，而是“能不能在真实世界里用得下去”。一个产品用物理隔离解决了语音隐私困境，一个产品试图用多模态感知解决主动服务的触发条件。前者是硬件把摩擦抹平，后者是系统把交互前移。

这也是中国AI硬件最近很有意思的一面：一边是Kimi K3这样的模型能力登顶，一边是口罩麦克风、智能体眼镜这样的形态创新，分别卡住了“最顶端”和“最末梢”。

千问和Bose这次联手，也延续了这种务实路线。不是所有人都愿意戴智能眼镜，这个现实不会因为厂商想做入口就消失。耳夹式Qwen Clip某种程度上就是承认了这一点：如果脸部佩戴仍有审美和习惯门槛，那就先从耳朵切进去。Bose负责声学和佩戴经验，千问负责AI助手能力，同声传译、会议纪要、健康记录这些场景，被放进了一个更容易长期佩戴的硬件形态里。

更关键的是，眼镜和耳机背后调用的是同一套助手与记忆体系。

入口可以分叉，智能体不能碎片化。

这也是为什么老机型S1、G1的OTA升级很重要。虽然全双工语音、眼动追踪、体征监测这类能力离不开新硬件，但Agent框架和第三方Skill调用会先推给已有用户，这意味着千问并不想把这次升级做成一次简单粗暴的“硬件换代”。从商业逻辑看，这一步几乎是必须的——智能体入口最怕的不是功能不够多，而是用户资产断层。记忆、偏好、调用习惯，如果不能跨代延续，可穿戴设备就很难真正变成个人入口。

目前千问已经把淘宝闪购、支付宝等服务接进来，这种变化最先体现在“怎么买”和“怎么用”上。你路过一家店，眼镜识别环境、耳机接管交互、支付服务完成闭环，这样的链路一旦打通，硬件的价值就不再只是一个会播报的外设，而是阿里生态向线下现实世界伸出的前端触角。

当然，热闹归热闹，真正的考验还在发布会之外。全双工语音在展馆里听上去很丝滑，到了商场、地铁和办公室，是否还能稳定区分环境噪音与用户意图；眼动追踪能不能在功耗、精度和佩戴舒适度之间找到平衡；体征数据生成的“健康解读”，到底是有意义的长期记忆，还是一层好看的分析包装，这些都要等设备进入日常生活后才会露出答案。

现场展示的智能穿戴设备

更残酷的一点在于，硬件世界里，代码只是冰山一角。

语音模型跨过阈值，不代表硬件就自动成立；AI能力能够OTA，也不代表设备就天然拥有高频使用理由。芯片选型、麦克风阵列、传感器功耗、结构设计、佩戴稳定性、长周期运维，每一个环节都在决定智能体入口究竟是“随身助手”，还是“试用三天后吃灰”。去年到今年，行业已经见过太多AI硬件停在“能演示、难留存”的尴尬位置。

千问这次真正要回答的问题，不是眼镜能不能做Agent，而是谁能把Agent做成平台。如果眼镜最终只能调用少数几个阿里系服务，它更像一个生态延伸出来的超级会员入口；如果日历、邮件、导航、办公、健康管理都能在同一套感知和记忆框架里协同起来，可穿戴设备才有机会从附属品变成下一代主入口。

去年12月，市场上还在讨论OpenAI会不会把自己的AI硬件做成一支智能笔，或者更早些时候传出的项链形态，本质上也都在寻找同一个答案：离开手机屏幕，AI到底该附着在哪个身体部位上。现在看，这场竞争正在从“哪个形态更酷”转向“哪个入口最先掌握感知、决策与服务调用的闭环”。

眼镜显然是最激进的一种选择。它离视线最近，也离注意力最近。

问题只剩一个：当设备真的开始比你更早一步察觉场景、判断状态、安排服务，用户会把它当成助手，还是会先担心，它知道得太多了。

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～