AI 眼镜能做什么？从字幕到第一视角问答

戴上 AI 眼镜，看到的字幕直接翻成中文，遇到不认识的东西问一句就知道是什么——这类产品这两年从概念走进了量产发布，国产厂商一批接一批跟进。不过宣传视频里的能力，与日常真正用得上的能力之间有距离。这篇按公开功能把 AI 眼镜能做的事归成几类，也把短板说清楚，帮你对齐预期。

三类主流场景

当前各家的 AI 眼镜功能大同小异，集中在三类：拍摄记录、翻译字幕、第一视角问答。拍摄继承自上一代智能眼镜；翻译字幕和视角问答是这波大模型带来的新增项，也是品类从「智能眼镜」改叫「AI 眼镜」的原因。三类场景共用一套硬件：镜腿里的麦克风、摄像头、扬声器，加上处理语音与图像的计算单元，整副眼镜的重量也因此压在几十克的量级。

翻译字幕：最实用的日常功能

对着外语菜单、路牌、屏幕，眼镜把识别到的文字翻译后显示在镜片上；对话场景下，对方说的话实时转成字幕。这项功能门槛低、使用频率高，普遍被当作 AI 眼镜的第一入口。体验依赖三件事：识别要准、翻译要快、显示要稳。常用语种可以装离线翻译包应急，联网时则调用更强的云端模型，译文更自然。这与手机上的实时翻译同源，功能构成可对照AI 手机的 AI 用在哪？从拍照到通话摘要一篇。

看什么问什么：第一视角问答

这是 AI 眼镜最有辨识度的能力：你看到的，就是你可以问的。不认识的植物、没见过的仪器面板、外文说明书，开口问一句，眼镜把画面传给多模态模型，回答通过镜腿扬声器读给你。模型「看懂」图像的机制，多模态 token一篇讲过。使用上有两个预期要管理：一是识别有边界，冷门物品、手写体、反光画面仍会答错，对拿不准的回答怎么表述，可参考不确定性声明的思路；二是问得好才答得好，把眼前的对象描述得越具体，回答越有用。

拍摄记录与它的边界

第一视角拍摄是眼镜相对手机的优势：手不用举起来，看到即拍到，做饭、带娃、逛展时格外顺手。但边界也清楚：画质与防抖相对手机有差距，连续拍摄时电量掉得快；部分场所明令禁止拍摄，社交场合的第一视角记录也比手机更敏感，用之前了解当地规范、顾及在场者的感受，是基本前提。

眼镜上的算力放在哪

眼镜的体积决定了装不下大芯片，本地计算单元只处理语音唤醒、简单指令这类轻任务；图像理解、复杂问答都传到手机或云端完成。这个「端侧截获、云端作答」的结构，与本地模型和云端模型体验差在哪？各自擅长什么讲的分工一致。也因此，AI 眼镜的能力会随固件与模型更新持续增长，同样依赖厂商的长期服务，AI 硬件的 OTA 是什么？买回去还能变强的原因讲了另一面的风险。语音问答的体验，则与你在手机里用豆包、腾讯元宝这类助手提问接近，区别是眼镜替你完成了「描述眼前事物」这一步——提问素材从打字变成了第一视角画面。

AI 眼镜能力速查

• 翻译字幕：频率最高，离线包可应急
• 视角问答：看到即可问，识别有边界
• 拍摄记录：视角独特，画质续航是短板
• 算力结构：本地轻任务，重活交云端

关于AI眼镜的常见疑问

• AI 眼镜必须配合手机用吗？：目前多数产品需要与手机配对，联网、云算力都经由手机中转，独立运行的能力有限。
• 能续航一整天吗？：轻度使用接近一天，连续拍摄或问答时耗电明显加快，具体以各产品公开标称为准。
• 眼镜的问答准确吗？：常见物品与通用问题表现不错，冷门对象、模糊画面会出错，重要信息仍要另行核实。