AI眼镜机器人扎堆，投资人盯上"有眼力见儿"的智能体

机器人看出你渴了，走过来递上一杯水；AI眼镜认出了你眼前的建筑，主动讲起它的来历；智能耳机发现你今天日程排得满满当当，提醒你该歇一歇。单从技术上说，这些举动都不成问题：机器准确读到了信息，完成了推理，也给出了符合预期的回应。

可要是你正跟客户谈事、跟朋友吵架，或者只想一个人清静一会儿呢？机器也许听懂了你说的、看见了你眼前的景象，甚至猜出了你的情绪，却还是判断不了此刻该不该冒出来。

这几年，人工智能的发展大多围绕一个问题打转：怎样让机器更聪明？如今另一个问题浮了上来：当越来越多的智能体走进人类生活，它们该怎么和人相处？

这不只是机器人行业要面对的事。AI眼镜、智能耳机、家庭智能终端、汽车座舱，再到具备运控能力的具身机器人，智能正借助各种物理形态进入人的日常空间。它们能调用的模型越来越强，能感知的信息越来越丰富，和人的物理距离也越来越近。

但有个事实越来越明显：智能水平上去了，体验质量不会自动跟着上去。

一位投资人向融中财经表示，在让机器学会理解语言、理解世界之后，产业或许正在走向智能化的下一道考题——交互。

往回看这一轮人工智能产业的发展，一条演进的脉络越来越清晰，源头是智能能力本身的突破。

大语言模型让机器第一次具备了强大的语言理解、知识处理和推理能力。之后，多模态模型把图像、声音、视频也纳入统一的理解框架，AI从处理符号逐步转向理解更丰富的真实世界信息。

不过这一阶段，人和AI打交道的主要方式仍是屏幕上的对话框：人输入问题，机器生成答案；人下指令，机器完成任务。模型内部能力再怎么演进，人与智能系统的关系还是那套简单直接的逻辑——人主动发起，机器被动响应。

接下来，产业开始给这些智能能力找新的载体。头一个是具身智能，研究者想让机器不光能理解物理世界，还能靠运动、操作和环境反馈直接参与其中。

再往下是更广泛的AI硬件。智能眼镜让AI拿到接近人类视角的视觉输入；耳机提供了能与人长时间相伴的听觉通道；智能家居终端进入相对固定的生活空间；汽车座舱则有可能理解驾驶状态和乘员行为。

不同终端的感知能力、反馈通道和物理形态各不相同，背后的趋势却相似：AI正在从需要被主动打开的软件，慢慢变成能持续出现在生活里的智能存在。

2026年，Google在I/O大会上进一步公布了搭载Gemini的智能眼镜方向，包括音频眼镜和显示眼镜。Meta去年秋天推出的Ray-Ban Display售价799美元，还配了一只能读取手腕肌电信号的腕带，今年又持续扩展了它的导航、通信和情境化交互能力。国内的Rokid等厂商，过去一年里也密集推出了AI眼镜。

这些产品不一定有机械手臂，也不必像人一样走路，但它们正在改变一个基本事实：AI不再只在我们向它提问时才存在。设备能感知用户所处的环境、记住历史偏好、在合适的时候主动帮忙，以指令为中心的传统交互方式就开始显得不够用了。

一位做AI眼镜的创业者告诉融中财经，用户买回去头几天会不停地叫它、试它，新鲜劲一过，大部分时候根本想不起来它的存在，这也是越来越多团队开始琢磨主动交互的原因；但主动一旦过了头，用户的第一反应就是把它摘下来。

过去的智能系统主要处理一条指令与一个结果之间的关系。未来的智能终端要处理的局面更复杂：自己与人之间，以及人与周围其他人之间，都是关系。这意味着产业不能只顾着给智能叠加更多能力，还得重新定义这些能力该怎么用。

北京话里有句方言叫"有眼力见儿"。说一个人有眼力见儿，意思是他不光清楚别人要什么，还懂得何时该搭把手、何时不该打搅、善意该怎么表达，以及对方不乐意接受时怎么体面地退开。

机器偏偏就缺这一手。有位投资人的原话是："主动是把双刃剑，分寸没拿捏好，就是骚扰。"

拿机器人递水来说。

一位做交互智能的创业者向融中财经描述过这么个场景：机器人察觉用户很久没喝水，就主动倒水、递过去，还配上语音提醒。单看任务执行，几乎每一步都没毛病。可要是用户正开着重要的会，这一下就成了多余的打扰。

这种尴尬早有先例。上世纪 90 年代末，微软往 Office 里塞了个会眨眼的回形针助手"大眼夹"（Clippy），一检测到用户写信，它就蹦出来问："看起来你正在写一封信，需要帮忙吗？"它算得上最早一批"主动式 AI"，也是挨骂最多的软件形象之一，几番折腾后，2007 版 Office 把它彻底删了。

过去那种任务智能，主要管三件事：目标是啥，怎么干，干完对不对。

下一阶段的交互智能得再多回答几层：这会儿该不该动手，动手该用什么方式，又该在哪个节点收住。它要弄懂的除了物理环境，还有人类社会的情境和规矩。

人和人打交道，从来不是把信息倒来倒去那么简单。一次停顿、一个眼神、身体朝向一变，甚至故意不出声，都可能藏着复杂的社交含义。问题是，这些信息未必能折算成一句明明白白的语言指令。

所以，当智能终端开始长年累月地进家庭、进工位、进公共场所，真正难的可能不再是认出用户想要什么，而是判断用户此刻到底愿不愿意跟它互动。说白了，就是让机器人变得有"眼力见儿"。

头部 AI 实验室的技术路线上，这个变化已经露头了。

2026 年 5 月，前 OpenAI 首席技术官 Mira Murati 创办的 Thinking Machines Lab 放出了 Interaction Models 的研究预览。团队给出一个值得留意的判断：眼下多数 AI 交互还是回合制的——用户说一句，机器才开口；机器生成答案时，对外部世界的持续感知又打了折扣。

可人真实交流哪有这么简单的一问一答。别人说话时我们会看对方，凭语气掂量该不该插嘴，还会靠停顿、附和、手势不停调整彼此的节奏。

Thinking Machines Lab 的研究想的是让模型同时处理连续的音频、视频和文本输入，以约 200 毫秒的微回合做实时交互。团队解释这个方向时，搬出了传播学里的共在、同时性等概念。

这等于说，交互不再是模型外面套一层语音界面，而开始变成模型架构本身要回答的问题。

资本也在朝这个方向挤。Oculus 联合创始人布伦丹·艾里布（Brendan Iribe）参与创办的 Sesame，2025 年 10 月拿到红杉资本和 Spark Capital 领投的 2.5 亿美元 B 轮融资。它做的是把响应时间压到两三百毫秒的对话语音模型，再加一副只靠声音交互的轻量眼镜。

一位美元基金投资人的说法是："这一轮美元基金看交互，看的早就不是语音识别准不准了，而是 AI 会不会接话、懂不懂留白。"

国内也有创业公司在这条路上摸索。港科系 SYNAPUFF 没走让机器人尽量准确判断人类情绪那条道，而是把重心放在人机共栖交互上，也就是让智能体靠感知、决策与反馈的闭环，一点点搭出贴合当前情境的交互方式。其中一个思路是用社交成本低、能撤回的动作去试探。

比方说，一台能动的机器人可以轻轻转头、换个朝向，或者短暂注视一下，探探用户愿不愿意跟它交流。没有机械身体的终端上，类似动作也能换成一次轻微触觉提示、一段不侵入的音效，或者一个不要求马上回应的视觉信号。用户要是有交互意愿，系统就往下走；没得到回应，系统就得知道何时停手。这类机制真正要琢磨的是怎么让机器学会试探、判断、协商和克制，而不是更勤快地主动出手。更关键的是，这种能力不该绑死在某一种终端形态上。

同一个交互决策，搁机器人身上可能用动作表达，搁眼镜上可能是视觉提示，搁耳机里可能是一段短促的声音，搁智能座舱里则可能变成方向盘上的一点触觉反馈。

物理载体不一样，底下要解决的问题却是共通的：看懂当前情境，判断人的交互意愿，挑准介入的时机，再用合适的反馈方式把交流做完。

倘若把交互看成一项独立的智能能力，那就会碰到一个绕不开的难题：它到底有没有进步，该怎么判断？任务执行类的场景里，尺子还算清楚。机器人有没有把东西抓起来，AI 写的代码对不对，自动驾驶车辆能不能安全抵达，都能拿具体指标去量。

社会性交互就不一样了，它往往没有标准答案。同一个人，在不同时间碰上同一种交互动作，反应可能截然相反。所以光靠静态问答、情绪识别准确率，或者一次交互后的满意度打分，很难把系统的本事评全。一条可能的出路是：把交互视为一个持续闭环的决策过程，再逐个环节去考察。

比方说，系统能不能看准该主动开口的时机？多余的打扰出现了几回？用户一拒绝，它是不是马上就收手？用户还愿不愿意接着聊下去？同一个智能体，长期相处下来能不能形成稳定、可预期的行为方式？这些问题并非没法量化，只是得换一套跟传统任务智能不同的评估办法。

长期交互里，还有一项能力容易被看轻：人格的一致性。一个智能体不见得非得一直温柔、听话，甚至不必把服务用户当成唯一目标。

拿娱乐和 IP 场景来说，一个调皮、带点反叛劲儿的角色，可能比一个永远不出错的助手更招人喜欢。

迪士尼乐园里的角色就是现成的例子。不少角色几乎不开口跟游客讲话，靠眼神、动作、姿态和反应的节奏，就能让人很快摸清它们各自的脾气。

玲娜贝儿的俏皮，米老鼠的热络，都不是一次自我介绍就能传达的，而是靠大量前后一致的非语言行为，被游客一遍遍感受到。这套经验对智能交互也有启发：人们感受到的角色人格，不只来自语言模型吐出的文字，而是语言、动作、声音、触觉还有交互时机一块儿塑造出来的。

迪士尼自己也在把这套做法往机器人身上搬。其研究团队做出的 BDX 双足机器人一句话不说，单靠歪头、踱步、蹦跳，就能让游客看出它是好奇还是紧张。去年 11 月，会走路的雪宝（Olaf）机器人也在巴黎迪士尼第一次亮相。

SYNAPUFF 等创业团队则试着把非语言行为的表达跟智能体的情境决策捏到一起，并进一步研究在不同人格约束下，行为会呈现出什么样子。

这么看，将来的交互系统或许要把两种能力分开来看。

一层是相对通用的共栖交互能力，管的是智能体怎么读懂社会情境、怎么尊重人的边界，以及怎么挑对时机、选对方式去交流。

另一层是个性化的人格表达能力，决定这个智能体到底拿什么性格、什么样的语言和行为风格跟人打交道。

前一层管的是怎么相处，后一层定的是跟谁相处。

一个性格叛逆的角色，可以不总去讨好用户，但它照样得明白玩笑什么时候该收；一个严谨的 AI 助手，可以没有鲜明的娱乐人格，但跟人交流的分寸同样得拿捏住。

对那些越来越长期地待在人生活里的智能终端来说，这套框架可能比单纯把情绪识别准确率往上提，要更完整一些。

过去消费电子这行，比拼的主要是硬件性能、功能配置和成本。可当越来越多设备都能接上强大的基础模型，终端之间的差别就不再只看模型参数或者任务执行能力了。新冒出来的问题是：用户到底愿意让什么样的智能体，长期参与自己的生活？

不同的硬件，价值主张可能差得很远。

AI 眼镜看重随身感知和即时辅助；智能耳机讲究低打扰、持续在线；机器人能提供动作、空间行为和物理接触；家庭终端则可能更在意长期记忆和多人协作。

这些产品不一定非要走同一套交互策略，但主动介入、情境理解、表达方式、交互边界这几个问题，它们都得解决。照这个趋势，交互也许会从散落在各类终端里的产品功能，变成一类能独立研究、训练和部署的技术能力。

对模型公司来说，这意味着交互不该只是基础模型外面裹的一层提示词或者界面规则。硬件厂商也会慢慢发现，产品体验的天花板，或许不再只由传感器、屏幕、电机和算力来定。新的机会，可能正好卡在两者中间：做出一套能适配不同终端、读懂社会情境、还能持续优化交互行为的系统。

“硬件层面已经越来越难拉开差距了，同一家方案商的板子，换个外壳就是一个新品牌。”一位长期看消费电子的投资人这样说。按他的说法，现在投 AI 终端，关键看交互定义逻辑怎么搭，这一层做不好，产品就没有灵魂。

不过这条路走起来并不轻松。

真实情境下的多模态交互数据得一点点攒，不同硬件反馈能力之间的差异要处理，长期记忆、人格一致性这些问题也绕不开。更关键的是，行业还得证明这些能力能稳定改善用户体验，而不只是造出几个看起来有人情味的演示瞬间。这类能力最终由基础模型公司、终端厂商还是独立的交互技术提供者来实现，都会面对同一个技术命题：智能系统不能只懂人类的指令，还得懂人类的社会生活。

一位创业者坦言，交互数据最难的一环不是采，而是标。他举了个例子：一个人皱了下眉，是嫌机器人烦，还是只是在想事情？同一段视频，五个普通标注员能给出三种答案，只有有经验的交互专家才能指出准确的方向。

人机共栖的交互范式，也因此有了重新定义的理由。

过去是人学着用机器。触摸屏、图形界面、语音助手，每一代交互技术都在降低人们使用计算能力的门槛。可随着 AI 具备持续感知、主动决策和自主行动的能力，人与机器的关系正在起变化。人们不再只是偶尔操作一个工具，而可能要和一个长期待在身边的智能系统共同分享时间、空间与注意力。它不必长得像人，也不必模仿人类的情感，但得理解人的节奏、边界与意愿，并在复杂的现实情境中学会优化自己的行为。

智能化的上一阶段，是让机器听懂语言、看懂世界，并且具备行动能力。

下一道考题则是：这些能力怎么真正融进人类的日常生活。

让机器变聪明，是智能化的起点；让机器学会与人相处，才是智能真正走进生活的开始。