文/VR陀螺 ZJ
一次普通的聊天中随口提及的一个Deadline，过了几天却怎么也想不起来。过去，遇到这种情况还得翻找聊天记录或向同事确认，如今只需向AI眼镜问上一句，就能找回当时的信息。
类似的场景，已经开始出现在当前AI眼镜的实际应用中。借助长期记忆功能，部分AI眼镜可以在用户授权后记录日常交流，并将重要信息整理为可检索的记忆。而更进一步的是，即使用户没有专门创建日程或待办，AI也能尝试从对话中提取相关信息，并在之后主动提醒。
来自雷鸟iO的待办提醒 图源：VR陀螺
过去几年，AI眼镜厂商花了大量精力让设备听懂用户的问题、识别眼前的物体，并通过语音或显示屏给出回答。进入2026年，越来越多厂商开始探索如何让AI在用户开口之前提供帮助。与此同时，学术界也在研究如何让AI判断主动介入的时机，甚至主动向用户提问。
当AI逐渐从回答问题走向参与日常生活，如今的主动式AI眼镜，已经发展到了哪一步？
一、从主动记录到主动提醒，AI眼镜开始自己“找事做”
在今年9月的Meta Connect 2026大会上，Meta宣布将个人AI Agent Muse引入旗下AI眼镜。
图源：Meta
按照Meta的设想，未来用户看到货架上的商品、活动传单或者购物清单时，Muse可以结合眼前信息理解需求，并调用外部应用处理后续任务。与此同时，Muse还具备持续跟踪用户目标、制定计划等能力。不过，目前相关功能尚未正式登陆AI眼镜，从手机端APP目前的表现来看，Muse的表现已然十分惊艳。
与传统AI聊天APP不同的是，Muse在每个用户的聊天窗口背后都配备了一套独立的云端计算环境，相当于为AI提供了一台可以自主操作的电脑。这意味着，Muse不仅能够调用大模型回答问题，还可以像真人一样操作网页、使用软件、执行多步骤任务，甚至在用户离开聊天界面后继续完成工作，大幅拓展AI Agent的实际应用场景。
最新数据显示，Meta旗下AI智能体应用Muse上线仅22天便突破500万次下载，远超ChatGPT的56天、Grok的103天，创下AI赛道最快增长纪录。在硬件上，Meta所描绘的，实际上是AI眼镜与个人Agent进一步融合的方向。而在国内市场，主动式AI也已经开始进入一些更加具体的日常场景。
图源：VR陀螺
从这些产品可以看出，目前主动式AI主要沿着两个方向展开，其一是让AI记住用户过去的交流和行为，在后续需要时重新调用；二是结合实时环境、时间和用户状态，主动提供提醒或建议。
前者的典型案例是今年8月发布的雷鸟iO。其搭载的“全天智记”功能，可以在用户授权后持续记录日常交流，并将其中的人物、事件、时间等信息整理为长期记忆。在VR陀螺此前的评测中，就展示了这样一种使用场景：几天前在会议上确定的活动日期，用户可能已经记不清，但通过向眼镜询问，便有机会从此前的对话记录中找回答案。
雷鸟iO 图源：VR陀螺
更进一步，系统还能够从交流中提取待办事项，并在后续总结或提醒中重新呈现。对于用户来说，一些没有专门记录的临时安排，也有机会被保存下来。
另一条路径则更加侧重实时场景感知。比如，千问AI眼镜S1能够结合天气、位置、时间及佩戴状态等信息，在出门前提醒用户带伞，或在久坐后提示适当活动。乐奇Rokid推出的AI助手2.0同样加入了行程自动记录、定时主动提醒等能力，让眼镜可以根据出行安排提供相应提示。
图源：Rokid
此外，Even G2和Halliday G2将主动提示引入对话、会议等场景，李未可X-AI记忆眼镜则尝试通过场景自动识别和长期记忆，减少用户手动记录信息的操作。
这些功能已经让AI眼镜的交互方式发生变化，但主动程度仍存在区别。天气和行程提醒主要依靠已知条件触发；长期记忆需要从零散交流中提取有用信息；实时对话辅助则要理解正在发生的事情，并判断哪些内容值得提示。至于跨场景的自主规划和任务执行，目前仍处于探索阶段。
随着AI眼镜开始承担更多主动服务，持续感知和长期记忆的重要性也随之提升。AI需要知道用户正在做什么、过去发生过什么，才能进一步判断什么时候、以什么方式提供帮助。而这些能力究竟如何实现，也成为主动式AI眼镜下一阶段需要解决的问题。
二、想要主动决策，主动式AI还卡在哪？
从目前的产品可以看出，主动式AI已经能够在一些明确的场景中发挥作用，但要让AI进一步理解复杂的日常活动，并自行判断什么时候需要提供帮助，还有不少问题需要解决。
首先是长期记忆的准确性。例如，用户上午在会议中确定了项目截止日期，下午又与同事讨论了修改要求，第二天客户临时调整了交付时间。要在合适的时候提醒用户，AI需要将不同时间发生的事情关联起来，并根据新的信息更新此前的记忆。
2025年发表于CVPR的论文《EgoLife: Towards Egocentric Life Assistant》，便针对这一问题展开研究。研究团队通过AI眼镜收集了6名参与者一周内约300小时的生活数据，涵盖交流、购物、做饭等场景，并提出EgoButler系统，尝试解决长时间第一视角信息的理解与检索问题。
图源：论文《EgoLife》
研究展示了多模态模型结合检索机制处理长期生活信息的可行性，但同时也暴露出当前模型在人物识别、跨时间信息关联等方面的局限。这意味着，AI眼镜即便能够记录大量日常信息，也未必能准确找出其中的关联，更难保证长期记忆始终保持更新。
而比记住信息更复杂的，是判断什么时候应该主动介入。目前不少主动式AI功能仍依赖预设条件或特定工作模式。比如，天气变化可以触发提醒，在会议期间，AI也能持续分析对话。但在更加开放的生活环境中，用户的需求并不总是如此明确。
今年7月，大连理工大学、东京大学及Alaya Lab的研究人员公开了论文《Vinci2: Providing Proactive Assistance in Continuous Egocentric Videos》。这篇论文将重点放在了持续感知中的主动决策，即AI需要结合用户当前的活动、过往经历和长期习惯，自行判断是否应该提供帮助。
图源：论文《Vinci2》
研究团队建立了名为EgoServe的评测基准，包含3000多个主动服务实例，覆盖即时安全提醒、任务指导、记忆检索、长期习惯建议等10类场景。
与此同时，团队还提出了EgoMemo系统，通过多尺度时间摘要、语义知识图谱和视觉信息检索，持续整理第一视角视频中的信息，再判断是否需要介入。比如，当系统观察到用户徒手擦拭刀具时，可以主动发出安全提醒；如果发现用户在不同时间反复进行某项操作，也可以结合长期记录提出优化建议。
图源：论文《Vinci2》
实验结果显示，EgoMemo在EgoServe基准上的综合F1得分达到8.0，高于GPT-5-mini的4.7和Qwen3-VL-Plus的3.5。不过，即使是表现最好的EgoMemo，整体得分依然较低。这一结果反映出，结合长期记忆确实能够改善AI的主动服务表现，但在复杂、连续的现实场景中，准确判断何时需要介入仍然十分困难。
除了记忆和时机判断，主动式AI还面临另一个问题，如何获取更多用户的个性化知识？
发表在今年9月的论文《EgoAsk: Egocentric Teaching of Personalized Object Knowledge for Household Robots》，提出让AI主动发现自身的知识缺口，并选择合适时机向用户提问。
这项研究主要面向家庭机器人。由于机器人很难提前了解每户人家的生活习惯，研究团队尝试通过AI眼镜共享用户的第一视角，识别用户正在使用的物品和进行的活动，再由机器人主动询问物品的用途或归属。在18人参与的实验中，这种方式减轻了用户持续判断机器人需要学习什么的负担，也减少了部分事后回忆相关情境的需要。
图源：论文《EgoAsk》
虽然EgoAsk并未应用于消费级AI眼镜，但它提供了另一种研究思路，当AI无法确定某件事情时，可以在日常交互中主动向用户确认，并逐步补充个性化知识。
从这些研究可以看出，长期记忆、主动决策和个性化学习等技术难题，已经有了不同的解决思路。不过，目前相关成果仍主要在特定任务和实验环境中得到验证，距离复杂日常环境中的稳定应用还有一定差距。
对于AI眼镜厂商而言，如何将这些能力整合到一套系统中，并在日常使用中保持准确、稳定，是接下来需要解决的问题。而当这些技术真正进入消费级产品，厂商还需要面对硬件资源、用户体验和隐私保护等方面的现实限制。
三、主动式AI要真正融入日常，还有哪些难题？
对于一副需要长时间佩戴的AI眼镜来说，持续感知首先会带来功耗和算力方面的压力。
主动式AI需要不断获取和处理用户周围的信息，尤其是涉及第一视角视觉理解时，摄像头、传感器和相关计算模块需要持续工作。但AI眼镜本身的电池容量、散热空间以及重量都有严格限制，即使将部分计算任务交给手机或云端完成，数据传输、网络延迟和能源消耗依然无法回避。
这也解释了为什么目前不少厂商选择从语音、会议、时间和位置等场景切入。相比持续处理完整的视频画面，这些信息的获取和处理成本相对可控，也更容易限定主动服务的范围。
图源：Halliday
除了硬件限制，主动式AI还需要解决准确性与介入频率之间的平衡。例如，用户在聊天中提到“下周可能安排一次会议”，与明确约定“下周一上午十点开会”，对应的处理方式应当不同。如果AI把尚未确定的计划当成正式安排，之后不断提醒用户，反而可能增加新的负担。
同样，即使提醒内容准确，也未必意味着时机合适。用户正在与客户交流、处理紧急事务或者进行私人谈话时，突然出现的提示都有可能造成打扰。
此外，长期记忆还涉及隐私与数据安全。AI眼镜记录的内容可能包含同事、朋友以及公共场所中其他人的对话与行为。当设备开始持续采集并整理这些信息，记录何时开启、数据保存在哪里、谁能够调用，以及用户能否随时删除记忆，都会影响产品的实际使用。
未来，随着AI眼镜进一步接入个人Agent，开始帮助用户发送消息、修改日程甚至购物付款，操作权限和确认机制也需要更加明确。这些问题决定了主动式AI的落地速度，也影响着用户是否愿意长期使用相关功能。
写在最后
从文章开头的例子可以看出，如今，AI眼镜已经可以帮助用户找回几天前交流过的信息，从零散对话中提取待办，并在一些明确的场景下主动提供提醒。而随着长期记忆、环境感知和Agent能力继续发展，未来的AI眼镜有机会处理更多连续发生的生活事务。
但对于一副需要每天佩戴的眼镜来说，主动服务能否成为用户真正的使用习惯，还需要更多真实场景的验证。毕竟，当AI开始主动参与日常生活，它还需要学会判断哪些事情值得记住，什么时候应该提醒，以及什么时候应该保持安静。
当然，从技术发展的角度来看，如今以主动服务为卖点的AI眼镜，已经比两年前主要依赖用户发出指令、完成单轮问答的产品向前迈进了一大步，也开始真正向全天候、理想中的陪伴式个人AI助手演进。
