AI投资人转向“有眼力见儿”：智能硬件如何学会看场合

智能正以各种不同的身体形态出现，人类该怎样和它们一起生活，已经成了AI行业绕不开的新课题。

一台机器人察觉你口渴，便走过来把水递上；一副AI眼镜认出眼前的建筑，主动讲起它的来历；一只智能耳机发现你日程排得满满当当，提醒你该歇一歇了。单从技术角度说，这些举动都成立：机器准确读到了信息，完成了推理，回应也符合预期。

可要是你正跟客户谈生意、正跟朋友吵架，或者只想一个人静静呢？机器也许听懂了你讲的话，看见了你面前的世界，甚至猜出了你的情绪，可它依旧不明白，此刻自己到底该不该露面。

过去这些年，人工智能往前走，主要盯着一个问题：怎样让机器更聪明。眼下，另一个问题冒了出来：当越来越多的智能体走进人类的生活，它们该怎么和人相处？

这不单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，智能正以各种物理形态进入人们的日常空间。它们能调用的模型越来越强，能感知的信息越来越丰富，跟人的物理距离也越来越近。

不过，一个迹象越来越清楚：智能水平提上去了，体验质量并不会跟着水涨船高。

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。”

从创造智能，到为智能寻找身体

回头梳理这一轮人工智能产业的走向，一条演进路径越来越清晰。

起点是智能能力自身的突破。

大语言模型让机器第一次有了很强的语言理解、知识处理和推理本领。之后，多模态模型把图像、声音、视频这些文本之外的东西也纳入统一的理解框架，AI从处理符号起步，慢慢转向理解更丰富的真实世界信息。

可在这个阶段，人和AI打交道的主要方式还是屏幕上的对话框：人输入问题，机器给出答案；人下达指令，机器完成任务。模型内部再怎么演进，人与智能系统的关系依旧遵循一套简单直接的逻辑：人主动发起，机器被动响应。

再往后，产业开始给这些智能能力寻找新的载体。

头一个是具身智能。研究者想让它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进去。

另一个方向，是范围更广的AI硬件。

智能眼镜让AI拿到接近人类视角的视觉输入；耳机提供了一条能和人长时间相伴的听觉通道；智能家居终端进入了位置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。

这些终端各有各的感知能力、反馈通道和物理形态，背后的趋势却相似：AI正从需要被主动打开的软件，一步步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 在去年秋天推出的 Ray-Ban Display 卖 799 美元，还配了一只可读取手腕肌电信号的腕带，今年又不断扩展其导航、通信和情境化交互能力。国内的小米、雷鸟、Rokid 等厂商，过去一年里也密集发布了AI眼镜。

这些产品未必有机械手臂，也不必像人一样走路，但它们正在改变一个基本事实：AI不再只在我们提问时才存在。设备能感知用户所处的环境、记住历史偏好，并在合适的时候主动帮忙，传统以指令为中心的交互方式，也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琢磨主动交互的原因，他接着说，“可主动一旦过了头，用户的第一反应就是把它摘下来。”

过去的智能系统，主要处理一条指令和一个结果之间的关系。未来的智能终端要处理的则更复杂：自己与人之间，以及人与周围其他人之间的关系。这意味着，产业不能只继续给智能增加更多能力，还得重新定义这些能力应当如何被使用。

机器已经有了能力，却还缺少“眼力见儿”

北京话里有个说法叫“有眼力见儿”。一个人有眼力见儿，不光知道别人需要什么，更懂得什么时候能搭把手，什么时候不该打扰，怎样把善意表达出来，以及对方不愿接受时如何体面地退开。

机器偏偏缺的就是这层本事。有投资人直言，主动这件事本就两面性十足，分寸一旦失了准头，就成了骚扰。

拿机器人递水来说。

一位做交互智能的创业者曾向融中财经描述过一幕：机器人察觉用户很久没喝水，于是主动倒好、递上去，还配上一句语音提醒，单看任务执行，每一步几乎都挑不出毛病。可要是这位用户正开着重要的会，这一举动就成了一次多余的打扰。

这类尴尬早就出现过。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），只要发现用户在写信，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”，也成了被骂得最惨的软件形象之一，几经调整，到 2007 版 Office 里被彻底移除。

以往的任务智能，核心要回答的无非三件事：目标是什么、怎么去做、做完对不对。到了下一阶段的交互智能，还得再多答几层：此刻该不该出手、以何种方式出手、又该在哪个节点收手。它要读懂的不止是物理环境，还包括人类社会的情境和规矩。

人和人打交道，从来不只是交换信息那么简单。一次停顿、一个眼神、身体朝向的细微变化，乃至有意为之的沉默，背后都可能是复杂的社交含义；可这些信息，并不总能被翻译成一句明明白白的语言指令。

所以，当智能终端开始长期进驻家庭、办公场所和公共空间，真正难的地方或许已经不在识别用户想要什么，而在判断用户此刻是否愿意和它互动。说白了，就是让机器人有“眼力见儿”。

交互，正在从产品功能变成独立的智能能力

这种转向，已经在头部 AI 实验室的技术路线里露头。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。团队给出一个值得关注的判断：眼下多数 AI 交互仍是回合制的——用户说完一句，机器才开口作答；而机器生成答案时，对周边世界的持续感知又受到限制。

可人类真实的交流远没这么简单的一问一答。别人说话时我们会观察对方，听语气判断该不该插话，还会借停顿、附和和手势不断调整彼此的沟通节奏。

Thinking Machines Lab 的研究试图让模型同时消化连续的音频、视频和文本输入，以约 200 毫秒的微回合做实时交互。团队解释这一方向时，引用了传播学里的共在、同时性等概念。这意味着，交互不再只是挂在模型外面的一套语音界面，而开始变成模型架构本身要处理的问题。

资本也正朝这个方向涌。由 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一套对话语音模型，外加一副只靠声音交互的轻量眼镜。

“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。”一位美元基金投资人说。

国内同样有创业公司在摸索。港科系 SYNAPUFF 没有走让机器人尽量精准判断人类情绪那条路，而是把研究重点放在人机共栖交互上，即让智能体通过感知、决策与反馈的闭环，逐渐建立起贴合当前情境的交互方式。其中有个思路值得留意：借助社交成本较低、可以撤回的动作去试探。

比方说，一台具备身体动作能力的机器人，能通过轻轻转头、调整朝向或短暂注视，探一探用户是否乐意跟它交流。换到没有机械身体的终端上，类似动作也可以是一次轻微的触觉提示、一段不打扰人的音效，或者一个不要求马上回应的视觉信号。用户若露出交互意愿，系统就可以继续往下走；要是没得到回应，系统也得知道何时打住。这类机制真正要琢磨的，是让机器学会试探、判断、协商与克制，而非更频繁地主动出击。更关键的是，这种能力不该被某一种终端形态绑死。

同一个交互决策，落到机器人身上可能靠动作表达，落到眼镜上可能是视觉提示，落到耳机里可能是一段短促的声音，落到智能座舱中则可能是方向盘传来的轻微触觉反馈。物理载体各不相同，底下要解决的问题却有共性：读懂当前情境，判断人的交互意愿，挑准介入时机，再用恰当的反馈方式把交流完成。

下一代交互，需要一套新的评价体系

把交互当成独立的智能能力来看，新问题就来了：怎么判断它到底有没有变好？任务执行领域的尺子相对清楚——机器人有没有成功抓取物体，AI 有没有正确生成代码，自动驾驶系统有没有安全抵达目的地，都能用特定指标量出来。

可社会性交互未必总有唯一正确答案。同一个人在不同时间面对同一种交互行为，反应可能截然两样。正因如此，光靠静态问答、情绪识别准确率或一次性交互满意度，很难把系统的能力评全。一个可能的方向，是把交互看成持续的闭环决策过程，再对其中关键环节逐一评估。比如：系统能不能准确拿捏主动交互的时机？不必要的打扰出现了几次？用户拒绝之后，系统能否及时收手？用户还愿不愿意继续交互？同一个智能体能否在长期相处中养成稳定、可预期的行为方式？这些问题并非没法量化，只是需要一套不同于传统任务智能的评价方法。

长期相处里，还有一项能力常被看轻，就是人格一致性。智能体不必时时温柔听话，也未必只把服务用户当成唯一目标。

拿娱乐和IP场景来说，一个调皮、带点反叛的角色，往往比一个永远正确的助手更抓人。

迪士尼乐园里的角色就是现成样本。不少角色几乎不开口跟游客说话，靠的只是眼神、动作、姿态和反应节奏，就能让人很快摸清各自的脾气。

玲娜贝儿的调皮、米老鼠的热情，都不是一次自我介绍说出来的，而是靠大量前后一致的非语言行为反复传递。这套经验对智能交互也有参考价值：用户感知到的角色人格，不只来自语言模型吐出的文本，语言、动作、声音、触觉以及交互时机都在共同塑造它。

迪士尼自己也在把这一套往机器人身上搬。其研究团队做出的 BDX 双足机器人一句话不说，仅凭歪头、踱步、蹦跳，游客就能读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和智能体的情境决策接起来，并进一步研究不同人格约束下行为会呈现什么样子。

这么看，未来的交互系统恐怕得把两种能力分开对待。

一层是偏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，以及挑什么时机、用什么方式开口。

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

前一层管怎么相处，后一层管跟谁相处。

性格叛逆的角色可以不必时时讨好用户，但得明白玩笑该在什么时候收住；严谨的 AI 助手可以没有鲜明的娱乐人格，可交流的分寸同样要拿捏住。

对越来越多长期待在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更完整。

硬件形态会持续分化，交互能力可能逐渐走向共性

过去消费电子拼的是硬件性能、功能配置和成本。如今越来越多设备能接上强大的基础模型，终端之间的差距就不再只看模型参数或任务执行能力。新问题跟着来了：用户到底愿意让什么样的智能体长期掺和自己的生活？

不同硬件的价值主张可能差得很远。

AI 眼镜主打随身感知与即时辅助；智能耳机看重低打扰和持续连接；机器人能提供动作、空间行为与物理接触；家庭终端则可能更在意长期记忆和多人协同。

这些产品不必套用同一套交互策略，但主动介入、情境理解、表达方式和交互边界这几件事都得解决。交互于是可能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，交互不该只是基础模型外面的一层提示词或界面规则。硬件厂商也会发现，产品体验的天花板，或许不再只由传感器、屏幕、电机和算力决定。新机会可能就卡在两者中间：搭一套能适配不同终端、读懂社会情境、持续优化交互行为的系统。

“硬件这块想做出差异越来越不容易，同一家方案商的板子，外壳一换就成新品牌了。”一位长期跟踪消费电子的投资人说，“眼下我们投 AI 终端，看的是交互定义逻辑到底行不行，这层做砸了，产品就没灵魂。”

不过这条路不好走。

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、人格一致性这些难题也绕不开。更关键的是，行业得证明这些能力能稳定改善用户体验，而不是只做出几个看着挺有人情味的演示瞬间。这类能力最后不管由基础模型公司、终端厂商还是独立的交互技术提供者来做，都躲不开同一个技术命题：怎么让智能系统不只听懂人的指令，还能读懂人的社会生活。

一位创业者说得直接：交互数据难的不是采集，是标注。“一个人皱一下眉，到底是嫌机器人烦，还是碰巧在想别的事？同一段视频，五个普通标注员能给出三种答案，方向要准，得靠有经验的交互专家。”

人机共栖交互范式之所以值得重新定义，原因也在这里。

从前是人去学怎么用机器。触摸屏、图形界面、语音助手，每一代交互技术都在压低人们使用计算能力的门槛。可当 AI 开始持续感知、主动决策、自主行动，人与机器的关系就变了。我们不再只是偶尔操作一件工具，而可能要和一个长期待在身边的智能系统共享时间、空间和注意力。它不必长得像人，也不必模仿人类情感，但得懂人的节奏、边界与意愿，并学会在复杂的现实情境里调整自己的行为。

机器能听懂语言、看懂世界、还能动手做事，这是智能化走到上一阶段时交出的答卷。

接下来的考题换了：这些本事得真正落到人的日常里，跟生活接上轨。

变聪明只是智能化的起跑线。会跟人打交道，才算智能真正扎进生活的开端。