摄像头，AI端侧硬件的下一个风口

2026年世界移动通信大会上，联想展出了一台叫AI Workmate的概念设备。

它看起来像一盏台灯和一个投影仪的混合体。最显眼的部分是顶部那对500万像素RGB摄像头，官方描述是“两只正常工作的眼睛”，能实现立体3D录像和深度增强。联想给它的定位是“始终在线的办公桌伴侣”，支持语音和动作控制，可以扫描文档、整理笔记、协助创建演示文稿。

一台办公设备，最核心的传感器是摄像头。这件事放在两年前不太成立。放在今天，逻辑正在变得清晰：当AI Work从“打字提问”变成“比划着下需求”，摄像头就成了端侧硬件必须补上的那一块拼图。

——

比划，是比打字更高效的指令

先想一个具体的场景。

你桌面上摊着一份纸质合同，旁边是打开的笔记本。你想让AI帮你把合同里的关键条款摘出来，生成一个对比表格。用键盘，你需要描述“第三页第二段那个关于违约金的条款”，用语言，你需要说清楚“左边那份文件里标红的那一条”。

但如果你能直接用手在合同上划一个范围，说“就这一段，做成表格”——AI同时看到你划的范围、你手指指向的位置、桌面上文件的相对关系，指令的传递效率完全不同。手指划过的轨迹本身就是信息，摄像头负责把这层信息完整地交给AI。

腾讯WorkBuddy在9月的生态发布会上，把这件事讲得很直白。WorkBuddy负责人刘毅说，再强大的AI模型，如果无法贴近用户的真实工作现场，“就始终隔着一层‘人翻译需求给机器’的损耗”。在软件界面里，Agent的感官仅限于键盘和鼠标；进入现实工作场景，它需要摄像头作为“眼睛”。

WorkBuddy开放硬件生态时，把智能摄像头和AR眼镜、便携摄像机并列，列为Agent在物理世界的感知入口，支持“文档识别、白板转录、空间信息捕捉”。注意“空间信息捕捉”这个表述。键盘输入的是文本，语音输入的是语义，摄像头输入的是空间关系——物体在哪、手在做什么、视线朝向哪里。这三类信息叠加在一起，才是“比划着下需求”完整的技术含义。

学术界的进展比产品端更激进。南洋理工大学MMLab团队2026年发布的Hand2World，让用户在空中比划手势，AI就能生成手伸进场景里抓杯子、翻书、开盒子的第一人称交互视频，而且可以边看边调整，形成闭环交互。论文里有一句话点出了这件事的本质：世界模型已经有了“眼睛”和“腿”，能感知、能移动，但缺少一双“手”。摄像头要补的，就是让AI从“看见你在比划什么”走向“理解你想让我做什么”。

——

摄像头不再是“拍照的”，是“看懂的”

过去摄像头的产品定义，围绕的是“记录”——拍清楚、拍好看、拍得远。AI Work需要的摄像头，定义完全不同：它要的是理解。

小湃科技6月发布的ClawStation Pro，旗舰版可以同时接入4路摄像头做实时视频分析，本地部署了优化过的多模态大模型，推理精度提升16%，功耗降低37%。它的架构里，端侧摄像头负责基础视觉识别，边缘侧多模态大模型负责行为识别与场景理解，云端负责意图识别和任务处理。一颗摄像头背后是一整套“看—理解—响应”的链路，摄像头只是链路的起点。

OPPO开源的端侧多模态Agent也走了同一条路：先看懂摄像头里的真实物体，再理解语音意图，然后自动打开App完成操作。摄像头输入进入的是Agent的决策循环，而不是相册。

Meta在2026年嵌入式视觉峰会上给出的判断更直接：端侧运行多模态感知和智能体的最大技术瓶颈是内存带宽，需要在量化、模型架构、运行时优化、视觉感知四个方向同时突破。瓶颈落在带宽上而不是像素上，说明行业焦虑的已经不是“拍不拍得清”，是“看得懂之后传不传得动”。

这就解释了为什么无屏AI眼镜能跑出增速。Counterpoint的数据显示，2026年上半年全球AI眼镜出货量同比增长263%，其中96%是没有显示屏的品类——Ray-Ban Meta那种带摄像头、麦克风、扬声器但没有屏幕的形态，增长258%。Meta的Ray-Ban眼镜累计销量已经超过700万副，占无屏AI眼镜全球出货量的94%。

没有屏幕，摄像头就是它和世界之间最主要的信息通道。用户看到什么，手指过去，AI看到手指和物体之间的关系，指令就完成了。屏幕被省掉了，摄像头被推到了前面。

OpenAI的首款硬件也在走同一条路。多家外媒报道，其首款设备是一款无屏便携智能音箱，搭载摄像头和多种传感器，定位为“住在家中的人性化AI伴侣”，能感知用户周围环境和上下文。苹果、Meta、OpenAI、联想、腾讯，硬件形态各不相同，但都把摄像头放进了AI原生设备的核心传感器清单里。

——

硬件的分化：不是所有摄像头都在同一条赛道上

摄像头成为AI Work的入口，不意味着所有带摄像头的设备都会成为赢家。硬件形态正在沿两条线分化。

一条线是“在场型”设备：固定在桌面、房间或眼镜上，持续感知环境，随时等待指令。联想AI Workmate、小湃ClawStation、Ray-Ban Meta都属于这一类。它们的共同特征是“always-on”，摄像头的价值在于持续在场，用户不需要“打开摄像头”，它一直在看，只在需要的时候被调用。

另一条线是“调用型”设备：手机、PC上的摄像头，在用户主动发起操作时短暂介入。OPPO的端侧Agent调用手机摄像头识别物体，WorkBuddy小程序支持拍照交给AI处理板书、发票、白板。这类摄像头的价值在于降低单次交互的输入成本，但它不是持续在线的感官。

两条线都有需求，但“AI Work”这个场景天然偏向第一条。工作是一个持续的过程，不是一连串孤立的提问。用户需要在会议中比划白板上的架构图，需要在桌面上指着文件说“这一段”，需要在车间里对着设备说“就这个零件”。这些场景要求摄像头已经在场，而不是用户先掏出手机、打开App、对准、拍照、上传。

谁能让摄像头“一直在那里，且看得懂”，谁就拿到了AI Work端侧入口的第一张门票。

——

瓶颈不在像素，在带宽和功耗

摄像头作为AI感官的故事听起来顺畅，但硬件的账本并不轻松。

端侧跑视觉大模型，最大的约束是内存带宽和功耗。视觉Token会迅速膨胀KV Cache，而边缘设备的电池和散热都不富裕。Meta的判断是，需要在量化、模型架构、运行时优化和视觉感知四个层面同时推进，才能让多模态Agent在端侧跑得动。南科大在ISSCC 2026上展示的智能视觉芯片，把端到端能效做到了346 TOPS/W，方向是用“传感端计算”替代“把数据搬来搬去”。

另一个方向是动态感知。2026年6月的一项研究指出，始终在线的视觉感知对AR和辅助系统至关重要，但持续传感、推理和无线传输会快速耗尽电池；固定帧率的视觉管线不管场景是否变化都维持恒定负载，本身就是浪费。摄像头的“智能”不只是看懂画面，还包括知道什么时候该看、什么时候该省。

这些瓶颈意味着，AI Work摄像头的竞争不会停留在“像素多大、光圈多好”的参数层面。真正的分水岭在于：能不能在端侧有限的功耗预算里，把“看见—理解—响应”的闭环跑完。 跑完闭环的摄像头是感官，跑不完的摄像头只是镜头。

——

“比划着对AI下需求”这件事，听起来像一个小众的交互技巧。但它指向的是一个更大的变化：AI Work的输入正在从符号回归身体。

键盘输入的是已经被人类翻译成文字的意图，语音输入的是已经被人类组织成句子的需求。手势和视线是未被翻译的意图——手指向哪里、在什么物体上划了什么范围、视线落在哪一行字上，这些信息在传统输入方式中被丢掉了，在摄像头面前被完整保留。

端侧硬件的下一个风口，属于那些能把“未被翻译的意图”接住的设备。摄像头不是唯一的传感器，但它是最直接的那一个。当AI不再等你把需求打成字，而是看着你比划、看着你指、看着你在物理世界里移动，摄像头就从“一个功能”变成了“一个前提”。

前提的意思是：没有它，后面的故事讲不下去。，

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～