文/VR陀螺Wickey

眼部数据正在成为AI眼镜理解用户的又一重要数据源。

9月22日，新一代千问AI眼镜N1系列在2026云栖大会亮相，其中N1 Pro加入高精度眼动追踪，并将视线信息用于视觉问答、对象识别和虹膜支付等场景。几天后，秋果计划发布Wigain Flow全彩AI眼镜，同样加入眼部感知能力，并在鼻托位置布置虹膜摄像头，面向身份验证和无感支付。

与此同时，围绕低功耗眼部感知的方案也在增多。今年6月，Inseye发布Tiny方案，以低于10mW、100Hz和Always-on作为主要卖点；8月，ZEISS Ventures领投SeeTrue Technologies 220万欧元融资，加速其低功耗、小型化眼动方案商业化；Tobii与Prophesee则继续推进事件式眼动技术，希望进一步降低智能眼镜中的数据量和功耗。

随着AI眼镜走向日常佩戴和持续感知，眼部数据开始同时参与用户意图理解、身份认证和个人上下文构建。如何把眼部感知做得更轻、更省电，以及这些数据采集之后如何使用和保护，也正在成为AI眼镜新的技术问题。

视线与身份，眼部感知为何进入AI眼镜

在过去的XR设备中，眼动追踪已经被广泛用于注视点渲染、眼控交互和数字人表情等场景。到了AI眼镜，眼部感知的用途开始进一步延伸。

从功能上看，眼部感知大致可以分成两类。一类与行为和意图有关，例如视线方向、注视点和眼球姿态，用来判断用户正在看哪里、关注什么；另一类与身份有关，例如通过虹膜纹理完成生物识别。

目前，眼部感知在VR/MR头显中的应用已经较为成熟，主要集中在显示优化和交互两类场景。注视点渲染会根据用户视线，只对注视区域进行高质量渲染，以降低GPU负载。在交互上，Vision Pro等设备也已经将眼动用于界面选择、目标定位和配合手势完成点击。

当AI开始进入XR设备，硬件对于环境理解和智能交互的要求也随之提高。摄像头和麦克风可以获取视觉、语音等环境信息，而眼动数据则可以进一步补充用户的注视位置和关注对象，作为AI理解当前上下文和用户意图的一部分。

在VR/MR头显上，眼动追踪原本就属于较成熟的交互方式。visionOS 27加入Visual Intelligence后，Vision Pro用户可以直接看向现实中的物体或窗口内容，再向Siri提问，视线信息也开始参与AI对当前内容的判断。

到了AI眼镜，设备具备更强的日常佩戴属性，摄像头、麦克风和传感器可以持续获取环境与交互信息，也能积累更连续的第一视角数据。9月在云栖大会亮相的千问N1 Pro搭载微型眼动追踪模组，可结合用户视线判断其正在关注的对象，实现“眼神就是指针”的交互。在支付等场景中，视线可以用于定位二维码或支付对象，虹膜则用于身份核验，减少声纹确认等额外操作。

虹膜识别早已应用于手机和安防等场景，而XR设备天然靠近眼睛，也更适合布置相关传感器。Vision Pro已通过Optic ID实现虹膜解锁和认证，千问N1 Pro同样支持虹膜核身，近期亮相的Wigain Flow也加入类似的功能，可以实现身份验证与支付。

可以发现，VR/MR头显更多用于特定场景和有限时长，而AI眼镜面向日常长时间佩戴。如果视线和虹膜信息需要持续参与环境理解、交互和身份认证，眼部感知就需要从按需调用逐渐转向常驻运行，对功耗、体积和硬件集成提出更高要求。

眼部感知走向Always-on，硬件开始做减法

要让眼部感知成为AI眼镜的常驻能力，需要解决功耗和体积等方面的问题。

目前主流PCCR方案通过近红外LED和眼内相机追踪瞳孔与角膜反光，已在Vision Pro、PS VR2等VR/MR设备中得到验证。但用于轻量AI眼镜时，体积和功耗仍是主要限制，因此厂商开始从传感器、数据采集和计算架构上继续压缩系统。

在眼动追踪厂商方面，Tobii面向智能眼镜的新一代方案已经将硬件压缩至每眼一颗相机和一颗LED，并通过ONNX模型适配低功耗机器学习处理器；七鑫易维展示的“小七”AI眼镜原型则采用微型红外传感器，进一步压缩眼动模组在镜框中的空间占用。

还有一些方案开始直接改变传统PCCR的采集方式。Inseye Tiny取消了眼内摄像头，改用光敏器件检测眼球与巩膜的反射变化。公司宣称其可以100Hz运行，功耗控制在10mW以下。由于不再持续采集完整眼部图像，模组尺寸、数据量和功耗都可以进一步下降。

在硬件之外，另一个方向是减少眼动系统需要持续处理的数据。传统摄像头按照固定帧率输出完整图像，即使眼球没有明显运动，也会产生大量重复信息。事件相机则只在像素亮度发生变化时输出事件，可以捕捉扫视、微扫视等快速眼球运动，同时减少冗余数据。

Prophesee的GenX320已经进入七鑫易维aSee Glasses-EVS科研眼动设备，眼动采样率最高可达1000Hz；Tobii也在2025年与Prophesee合作，探索面向AR/VR和智能眼镜的低功耗事件式眼动方案。

采集端的功耗和数据量下降后，计算也需要进一步做低功耗处理。如果眼动算法长期调用主SoC或高性能NPU，Always-on依然会占用整机算力和电量，因此厂商开始将持续感知任务交给低功耗处理单元。

CES 2026期间，Ganzin展示了AURORA IIE眼动方案，其采用自研EPU2专用ASIC处理眼动数据，最高支持120Hz，官方称功耗约为通用NPU方案的四分之一。在AI眼镜芯片层面，例如恒玄BES6100划分低功耗域和高性能域，由低功耗域承担环境感知、姿态跟踪等常驻任务，需要更高算力时再调用NPU和GPU。

对于AI眼镜，眼动追踪除了精度和采样率，还需要兼顾功耗、体积和本地计算效率。只有这些成本进一步下降，眼部感知才可能真正实现Always-on。

眼部数据采集之后，怎么用、怎么管

眼部感知进入Always-on之后，连续产生的视线和虹膜数据开始涉及长期应用、数据处理和隐私保护。

连续的视线数据可以反映用户反复关注的内容、阅读顺序和行为习惯，为AI理解长期偏好和个人上下文提供补充。虹膜则属于更稳定的生物特征，可用于身份核验、账户绑定和支付等安全场景。

目前，越来越多AI硬件开始强化长期记忆和个人上下文能力，连续眼动数据也可以成为其中的一类输入。Inseye将Tiny定位为“Behavioral Co-Processor”，除了输出注视位置，还尝试识别阅读、扫视、专注和任务切换等行为模式，并分析用户在不同时间和场景下的注意力变化。对于AI眼镜来说，这类连续数据未来可能进一步参与用户行为和偏好建模。

据目前公开资料，千问N1系列已经同时具备持续环境感知和眼动追踪能力。N1系列通过低功耗视觉感知芯片持续监测周围场景，并提供AI灵感画集、主动智录和主动提醒等功能；N1 Pro进一步加入眼动追踪，可以根据用户的注视位置识别其当前关注的物品，并通过虹膜完成身份核验。千问也提出，眼动、环境感知与长期个人化记忆可以进一步结合，让用户的关注对象成为Personal Agent理解个人Context的一部分。

但眼部数据越连续，隐私问题也越明显。视线轨迹不仅可以反映用户看过什么，长期积累后还可能暴露兴趣偏好、阅读习惯和行为模式。虹膜则属于稳定且无法像密码一样重新设置的生物识别信息，一旦泄露，后续更换和补救的空间也更加有限。2026年9月，一项针对206名用户的XR研究发现，即使将原始视线转换为更抽象的眼动特征，模型仍可能在一定程度上重新识别用户，说明眼动数据本身也具有潜在的身份信息。

对于全天候佩戴的AI眼镜，这一问题还会进一步放大。眼动数据往往不会单独存在，而是可能与第一视角视频、语音、位置、时间等信息同时被记录。当这些数据长期关联后，系统能够还原出的用户行为会更加完整。因此，眼部数据进入AI系统，并不意味着原始信息都需要被长期保存或直接开放给模型和第三方应用。

Apple Vision Pro提供了一种相对明确的处理方式：眼动判断主要在系统层完成，普通App无法直接获得用户完整的注视轨迹，Optic ID则将虹膜信息转化为数学表示并保存在Secure Enclave中，第三方应用只能获得认证是否成功的结果。

这样的思路或许也适用于AI眼镜，即尽量在设备端完成眼部数据处理，只向上层AI提供注视对象、身份认证结果等必要信息，并进一步限制原始数据的保存时间和调用权限。随着眼部感知走向Always-on，数据最小化、本地处理和权限隔离可能会与功耗、精度一样，成为AI眼镜需要解决的基础问题。

写在最后

视线提供用户正在关注什么，虹膜确认设备前的人是谁，这些信息与摄像头、麦克风和环境传感器结合，也让AI获得了更完整的个人上下文。

但要让这套能力真正进入全天候佩戴设备，精度只是其中一部分。功耗、体积、持续计算能力，以及眼部数据如何被处理和保护，都会直接影响它能否长期运行。尤其当视线和虹膜开始持续参与AI系统，数据边界和权限管理的重要性也会同步上升。

如果这些问题逐步得到解决，眼部感知很可能成为AI眼镜下一阶段的重要基础能力。设备不只知道用户看见了什么，也会进一步知道用户正在关注什么、当前是谁在使用，以及哪些信息值得被持续保留。眼睛也将变成AI理解用户的一层关键数据入口。