近期，在世界人工智能大会（WAIC 2025）期间，观察者网与智能眼镜头部企业Rokid副总裁蔡国祥进行了深度对话，探讨了AI+AR眼镜的市场现状，以及未来的发展趋势。
以下是对话实录：
观察者网：今年，AI眼镜火爆出圈，引发了行业内外的广泛关注。许多人对AI眼镜的底层技术、未来发展前景以及行业竞争格局充满好奇。我们邀请了中国AR行业头部企业Rokid的副总裁蔡国祥，来与我们分享他的见解。
蔡国祥：大家好，我是蔡国祥。Rokid是一家以AI和AR为核心打造产品的平台公司。在市场上，大家熟知的产品是我们的AR眼镜，今天在展会现场，大家可以亲自体验。
观察者网：大家可能认识Rokid是源于今年一场火爆出圈的视频，就是那个提词器，当时也引起了网友们对AI眼镜的一些讨论，这件事当时对你们内部产生了哪些影响呢？
蔡国祥：我清楚记得发生的时间是2月18日，在杭州余杭区高质量产业发展大会上，创始人Misa戴着AR眼镜进行了一场没有演讲稿的演讲，引发了广泛关注。这次事件的传播热度对我们企业带来了显著的积极影响。首先，它让很多人了解到Rokid这家公司以及我们的AR眼镜产品，极大地提升了公司和产品的知名度和流量。许多潜在的合作伙伴、投资人纷纷与我们接洽，带来了更多的合作和投资机会。从行业角度来看，这次事件也让更多人关注到AR眼镜这一新兴产品，推动了行业的普及和教育。
观察者网：这次事件是否也给Rokid带来了更多动力和压力？
蔡国祥：确实如此。动力方面，这次事件让我们更加自信和积极地推动产品的进展。然而，压力也很大，因为产品受到了更多关注，我们不得不投入更多时间打磨产品，确保其品质能够满足用户的期待。这导致我们的研发和生产压力增大。
观察者网：今天我们在世界人工智能大会的现场，主题自然是AI。能否请您介绍一下AI眼镜及其产品的底层能力，以及如何实现这些AI功能？
蔡国祥： Rokid的核心是围绕AI和AR开发产品。AI技术已经非常强大，并且正在成为各行各业的底层技术。我们的另一个核心是打造AR眼镜，并开发自己的AR操作系统。多年来，我们在操作系统方面积累了丰富经验。如何让这一全新设备的操作系统运行得更高效、延迟更低、功耗更小，以及交互效果更佳，这非常考验操作系统的性能。而将这些能力与大模型AI结合，不仅拓展了想象空间，也为用户提供了诸多实用的服务和功能。我们早期推出的提词器功能相对简单，仅通过蓝牙戒指实现翻页。如今，新的提词器已融入人工智能算法，能够识别演讲者的语句并自动跟踪翻页，显著提升了用户体验。在翻译功能方面，我们通过智能眼镜实现了多语言实时翻译。用户面对不同语言的外国人时，只需戴上眼镜即可将对方语言实时翻译成中文，实现无障碍沟通。这一功能在实际应用中获得了广泛认可。
我们与高德合作的导航功能，通过结合高德的导航智能体，实现了更精准的导航体验。此外，我们与支付宝合作推出的“看一眼支付”功能，利用大量人工智能算法确保支付的顺畅与安全。其中，有一个很重要的环节叫声纹识别，它通过声音判断用户身份，进一步提升了支付的安全性。未来，我们还将拓展更多生活服务场景，如打车、点餐和商品搜索等。大模型的广泛应用使其成为一个无所不知的知识库和万能助手。通过将大模型与智能眼镜结合，用户可以随时提问并获得解答。眼镜的摄像头为大模型增加了视觉能力，使其不仅能听懂用户的问题，还能看到用户眼前的世界，提供更全面的解答。这些功能不仅实用，还为用户带来了丰富的想象空间。
观察者网：那在AI能力打磨这方面，你们是跟行业协同发展？还是说自己构建自研AI呢？
蔡国祥：这两块都有。AI能力大多是基于基础大模型的。基础大模型需要大量投入，不是普通创业公司能够承担的，Rokid也明确了自己的定位，不涉足基础大模型的研发，但专注于自身擅长的领域。我们的AR眼镜能够对接多种大模型，例如通义、豆包、智谱以及DeepSeek等。用户可以根据自己的习惯和偏好选择使用哪一种大模型，我们提供了灵活的选择。此外，基于大模型，我们还自主研发了一些模型。以我们开发的意图识别模型为例，当用户通过眼镜与大模型进行交互时，该模型能够判断用户的意图，并据此调用大模型的相应能力进行处理。例如，用户询问眼前的花是什么，系统就会调用视觉大模型；若用户询问历史故事，则会调用语言大模型。由于每个大模型都有自己的侧重点和擅长领域，我们会根据用户的意图对大模型进行分类调用，以确保用户的问题能够得到最合适的解答。同时，像提词器功能的算法也是我们自主研发的。我们在视觉算法和语音算法方面有着丰富的经验和技术积累。我们利用行业内顶尖的大模型作为基础底座，并结合自身操作系统的研发，将人工智能算法和本地模型与大模型相结合，为用户提供更优质的交互体验。
观察者网：现在手机的AI能力是端云结合的模式，您认为未来在眼镜产品上，是否也会采用类似的模式？
蔡国祥：这是肯定的。端云结合在未来的一些场景中，以及编排方面，肯定是三端协同演进的趋势。以端云为例，我们已经在做相关工作了。比如在不同情况下，我们有两个场景已经应用了这种模式。以提词器为例，提词器中的智能滚动算法有两种：在线算法和本地算法。当联网且网络状况良好时，系统会自动使用在线算法，因为其效果更好。但在弱网或无网络的情况下，智能滚动依然可以工作，此时使用的是本地智能滚动算法。翻译功能也是如此，我们支持在线翻译模型和本地翻译模型。网络状况良好时，使用在线翻译模型，其翻译效果更好，支持的语种也更多；而在无网络或弱网情况下，本地翻译小模型也能提供支持。这些都是云端跟云和端两端的协同的一些案例，未来，这种协同模式的应用会更多。不仅是我们，像高德、支付宝等合作伙伴在处理智能体服务时，也会采用云和端的协同策略。这肯定是未来的发展趋势。
观察者网：云和端的协同它其实一方面提高效率，另一方面隐私安全这块，端和端做得更好。
蔡国祥：没错。
观察者网：目前智能眼镜行业吸引了众多企业，但各企业在未来规划及AI应用方面存在差异。Rokid在AI领域处于行业前列，但也有部分企业认为AI技术尚未成熟。若将智能眼镜的AI能力比照自动驾驶的L2至L5级别划分，您认为当前智能眼镜的AI水平处于哪个阶段？
蔡国祥：之前行业内也有这样的说法，将AI分为几个等级。L1是指令式，L2是推理和聊天，可以自由对话；L3是能够帮助执行任务的代理（Agent）；L4是帮助创新；L5是大规模自主决策和组织。从这个角度看，我个人认为目前AI在L2阶段，发展已经较为成熟，但L3也已经开始起步。我个人认为，L2和L3并非完全独立，而是存在一定的重叠。L2发展到一定阶段后，L3就开始了。目前L2的推理能力已经很强，具备丰富的知识和强大的逻辑推理能力，甚至在医生、律师等职业资格考试中能够取得高分。因此，L2已经发展到一个比较高的阶段。与此同时，L3的代理和执行功能也开始出现。今年被认为是智能体（Agent）的元年，智能体代表L3。我认为目前AI整体处于L2的较高阶段，同时L3也已经开启。我们认为眼镜是人工智能的最佳载体，其发展与人工智能阶段大致匹配。但由于硬件是新出现的，将人工智能能力集成到眼镜上需要一个开发和对接的过程，因此可能会略晚于人工智能阶段，大约晚几个月。
总体而言，无论是AI还是AI眼镜，目前都处于L2和L3重叠的阶段，L3已经开始。今年我们看到了很多智能体的出现，例如之前很火的智能体Manus。然而，智能体面临一个问题：许多智能体的能力已经被基础大模型本身所涵盖。例如，通义和Gemini的新版已经具备了很强的Agent能力。但在一些深度和专业门槛较高的垂直领域，智能体创业可能仍有机会。如果智能体的门槛不高，大模型本身就能完成这些功能。因此，我认为今年正处于这个阶段，L3已经开始，从今年的展会来看，智能体已经迎来了大爆发。
嘉喜网提示：文章来自网络，不代表本站观点。
