AI Wearable 的竞争，不是眼镜对耳机

打开一份 AI Wearable 竞品表，第一列通常是眼镜、耳机、戒指、手表和挂坠。

这种分类适合摆放商品，却不适合解释竞争。

两副外形相似的眼镜，可能是完全不同的产品：一副用摄像头和麦克风理解环境，再通过声音回答；另一副增加显示，把导航、翻译和消息直接放进视野。它们的输入、输出、交互带宽、功耗和使用场景都不同。

反过来，一副眼镜、一只耳机和一枚戒指，也可能在竞争同一件事：谁能最自然地获得用户当下的上下文，理解他的意图，并在不打断现实任务的情况下给出帮助。

因此，AI Wearable 的竞争不能只看“眼镜对耳机”。更有解释力的分析单位是四层组合：

输入与输出模态怎样配对；
用户通过什么方式控制系统；
设备占据身体哪个高上下文区域；
用户愿意为这套能力承担多少佩戴成本。

产品形态只是这四层约束共同作用后的结果。

一、先比较模态组合，不要先比较设备名字

多模态要落到输入、输出与任务的匹配，不能只数摄像头、麦克风和模型。

输入模态决定系统能理解什么，输出模态决定系统能怎样回应。两者必须与具体任务一起比较。

W3C 很早就把语音、触摸、键盘和手写等视为不同输入，把显示、语音、音频和触觉视为不同输出。进入 AI Wearable 时代，模型开始在这些模态之间理解语义、保持上下文并生成回应。

可以把一款产品写成一个组合：

输入模态 × 输出模态 × 用户任务 × 使用环境

同样叫“AI 助手”，不同组合会形成不同产品。

模态组合	适合的任务	主要优势	主要限制
图像 + 语音输入 → 语音输出	询问眼前物体、实时翻译、环境提示	用户不用描述现场，也不用盯屏幕	复杂信息难以靠声音快速浏览和回看
语音输入 → 图像输出	导航、字幕、清单、短消息	结果可扫视、可持续留在界面	需要显示系统，增加功耗、重量与视觉干扰
图像 + 语音输入 → 图像 + 语音输出	现场指导、空间提示、分步骤任务	输入和反馈带宽都高	系统复杂，对延迟、配准、散热和交互要求更高
语音 + 动作输入 → 语音或触觉输出	运动、通勤、免手操作	不占用视线，反馈及时	难承载结构复杂或需要比较的信息
生理 + 动作输入 → 图像或语音输出	健康趋势、运动建议、异常提醒	能持续感知身体状态	数据解释、误报、权限和医疗边界更敏感

这些组合没有统一的高低顺序。

声音输出适合即时、线性的短信息，却不适合同时比较多个选项；视觉输出带宽更高，但会占用视野和注意力；触觉非常离散和私密，却很难解释复杂内容。摄像头能获得第一视角环境，但也带来功耗、隐私和旁观者接受问题；麦克风适合自然语言，却会受到噪声、公开场合和口音影响。

Google 对 Android XR 眼镜的公开描述就展示了这种组合差异：摄像头、麦克风和扬声器可以提供视觉与语音输入、声音输出，显示则是可选能力。是否增加显示，不只是“高配或低配”，而是产品任务、反馈带宽和佩戴代价的重新分配。

所以比较 AI Wearable 时，第一列不该是“眼镜/耳机”，而应该是：它能看到、听到或感知什么，又能用什么方式把结果交还给人。

二、控制方式要按任务分工

输入与输出回答系统如何感知和表达，控制方式则回答：用户怎样把意图可靠地交给系统。

语音很自然，但不是万能入口。

用户在安静的家里可以直接说出复杂意图，在会议、地铁和面对陌生人时却可能不愿开口；高噪声环境会影响识别，涉及密码、回复和确认时也不适合公开说出。对“开始录制”“确认支付”“关闭提醒”这类确定性动作，实体按钮或清晰手势通常比开放语句更可预期。

一套完整的交互系统更可能把任务分配给多种控制：

语音：表达开放、语义复杂的意图；
按钮与触摸：执行高频、确定、需要盲操作的动作；
视觉界面：展示状态、选项、差异和确认；
手势、戒指或腕带：在不说话、不触碰面部设备时发出离散指令；
手机：承担首次设置、复杂编辑、权限管理和异常恢复。

这些入口要根据动作的频率、风险、隐私和认知负担分工，而不是全部堆进一台设备。

已经出现的产品路径也说明，控制器不必长在主设备上。Apple 在 visionOS 中把眼睛用于指向、手势用于确认；Meta 的显示眼镜把 EMG 腕带作为控制器，用细微手部动作发出命令；Samsung 的智能戒指则能通过双指捏合控制手机拍摄或关闭闹钟。

这些例子指向一个更重要的变化：

AI Wearable 可以是一套分布在眼睛、耳朵、手指、手腕和手机之间的个人交互系统。

眼镜负责第一视角和显示，耳机负责私密音频，戒指或腕带负责静默确认，手机负责高密度管理。此时，竞品分析不能只比较主机，还要比较配对、连接、充电、状态同步和异常恢复组成的整条交互链。

三、稀缺的是身体上的“上下文位置”

手机通常在口袋或桌面上。要获得上下文，用户需要掏出、解锁、对准、输入；任务结束后再收起。

Wearable 的价值，是把传感器和反馈通道放在更接近用户感官、动作与意图的位置，减少这段启动成本。

不同身体区域承载的上下文并不相同。

身体区域	最容易获得的上下文	最适合的反馈或控制	核心代价
眼睛与面部附近	第一视角画面、注视方向、环境空间	视觉显示、声音、触摸镜腿	光学、重量、热、外观、处方适配与拍摄隐私
耳朵附近	环境声音、对话、头部运动	私密音频、触摸、头部动作	长期堵塞感、听觉占用、卫生与续航
嘴与喉部附近	语音、呼吸、细微发声与交流意图	语音输入、静默语音潜力	社交可见性、噪声、隐私与贴肤舒适
手腕与手指	手部动作、确认意图、生理与活动信号	手势、触觉、按钮、离散命令	场景理解较弱，动作误触与双手占用
脖子与胸前	较稳定的朝向、声音、运动与更大承载空间	音频、触觉、摄像头或作为算力电池载体	摆动、衣物遮挡、压迫、发热与外观接受度

“上下文密度”取决于某个位置能否持续接近用户正在看、听、说、做和决定的事情，而非传感器数量。

五官附近尤其重要，因为它同时接近现实输入和人的主要感知通道。眼镜获得与视线接近的第一视角，耳机靠近听觉并能私密输出，嘴部附近最接近语言意图。脖子和胸前则提供另一种可能：把部分重量、摄像头、扬声器、电池或计算从面部移开，换取更大的承载空间。

但身体位置不是一块被抢到就永久拥有的“地盘”。它是一份持续许可。设备只有在用户愿意戴、允许感知、并能在真实场景使用时，才拥有上下文。

因此，最强的竞争对手经常仍是手机。手机虽然启动摩擦更大，却拥有成熟显示、输入、算力、连接和应用生态。Wearable 必须证明，它在某些高频或关键时刻减少的摩擦，足以覆盖新增设备带来的佩戴、充电和管理成本。

四、舒适性直接决定产品能力

AI 产品依赖上下文，Wearable 获取上下文的前提是它真的在用户身上。

一款设备拥有再多传感器，如果用户一小时后就摘下，实际可用上下文仍然很少。可以把有效能力粗略写成：

有效上下文 = 感知能力 × 实际佩戴时长 × 场景覆盖 × 用户授权

其中任何一项接近零，最终结果都会大幅下降。

重量只是佩戴舒适性的一部分。

1. 物理舒适

总重量、重心、接触面积、夹持力、局部压力、温升、透气、材质和尺寸适配共同决定体感。针对头戴显示的研究发现，重量会影响疲劳，而重心位置会改变这种影响；同样的克数，以不同方式分布在鼻梁、耳朵和头部，感受并不相同。

2. 感官舒适

显示亮度、视野遮挡、文字位置、声音泄漏、耳道占用、持续提示和震动强度都会消耗注意力。设备没有压痛，不代表它不会造成视觉、听觉或认知疲劳。

3. 交互舒适

频繁说唤醒词、抬手、捏合、触摸镜腿或重复确认，都属于交互成本。一个动作第一次很酷，不代表每天执行一百次仍然自然。

4. 社会舒适

用户是否愿意戴着设备见客户、坐地铁、与朋友交谈？旁观者能否知道摄像头何时工作？公开说话、凝视界面或做特殊手势，会不会让用户和周围的人不自在？这些问题直接决定可用场景。

5. 维护舒适

每天要充几次电，需要携带几个盒子，沾汗或下雨后怎样清洁，镜片和耳塞如何更换，忘带控制器后是否还能使用，设备故障如何维修——这些都构成长期佩戴成本。

因此，舒适性会直接约束传感器、算力、结构、交互和商业模式，不能留到产品完成后再优化。

五、从设备品类转向四种系统路线

把模态、控制、位置和舒适性放在一起，可以看到几种不同的系统路线。

系统路线	典型组合	优势	必须接受的取舍
感知优先	图像 + 语音输入，声音输出，语音/按钮控制	轻反馈、少占视线，适合问答、记录和环境帮助	难浏览复杂信息，很多结果仍需回到手机
扫视反馈	图像 + 语音输入，视觉 + 声音输出，手势/腕带控制	信息密度更高，可做导航、字幕和短交互	显示、控制和功耗提高系统复杂度与佩戴成本
听觉伴随	语音 + 环境声音 + 动作输入，声音/触觉输出	形态成熟、私密、适合通勤和免手任务	缺少第一视角图像与视觉反馈
分布式系统	眼镜或耳机 + 戒指/腕带 + 手机	不同身体位置各司其职，控制更丰富	多设备购买、配对、充电、丢失与状态同步

这四种路线并不互斥，也不是固定终局。它们只是帮助产品团队看清：增加一项模态或一个控制器，会改变整套系统的收益和成本。

一个产品也不需要覆盖所有路线。清楚的定位应说明：服务谁、在什么情境、完成什么任务、为什么这组模态和身体位置比手机或现有设备更好，以及不适合谁。

六、怎样验证一款 AI Wearable 是否成立

如果仍按形态做问卷，用户很容易回答“更喜欢轻一点的眼镜”或“希望耳机增加摄像头”，却无法证明他会长期佩戴。

更有效的验证从代表性任务开始。

1. 用同一任务比较不同系统组合

例如在步行导航、现场翻译、家庭记录或设备维修中，同时测试手机、声音型 Wearable、带显示 Wearable 和分布式控制方案。不要先规定答案一定是眼镜。

2. 覆盖真实环境，而不只在演示空间测试

安静与嘈杂、室内与户外、独处与社交、双手空闲与被占用、网络良好与中断，都可能改变最合适的模态。

3. 记录整天的佩戴行为

观察用户什么时候戴上、摘下、静音、改用手机、忘记充电，以及为何放弃某次交互。实验室里的十分钟任务无法替代连续数日的行为。

4. 同时测任务结果与佩戴成本

至少记录：启动时间、任务完成率、纠错次数、误触发、人工确认、摘下次数、有效佩戴时长、续航覆盖、社交中断、旁观者反应和次日复用。

5. 预先写出推翻条件

如果高频任务仍要回到手机；如果显示提高了完成率却显著缩短佩戴时长；如果语音在多数目标场景无法公开使用；如果分布式控制带来的增益小于多设备管理成本，就应该收缩方案，而不是继续增加参数。

AI Wearable 的验证要检验用户是否愿意为了持续完成一组任务，把某套系统长期留在身体上。单问他喜不喜欢一种形态，得不到这个答案。

结语：下一代入口是一套组合

眼镜、耳机、戒指、手表和挂坠当然会继续存在，但这些名字越来越难解释产品边界。

竞争集中在四件事上：

哪些输入能获得任务所需的上下文；
哪些输出能以最低打扰交付结果；
哪些控制方式能让用户可靠、私密地表达意图；
哪个身体位置能让这套能力被长时间接受。

传感器最多、显示最强或模型最大的设备未必胜出。产品还要把模态、交互、身体位置与舒适性组合成一套低摩擦的使用流程。

所以，分析 AI Wearable 时，不妨先把“眼镜对耳机”从标题里删掉。

先问：在真实任务中，用户愿意让哪一组感知与反馈通道，留在自己身上多久？