WAIC大咖说｜对话千问AI硬件产品总监吴建军：智能体时代，AI硬件如何真正成为随身AI助手？

1986年，人工智能先驱、麻省理工学院教授马文·明斯基在《心智社会》中首次系统性地提出了“智能体”概念。当时互联网的概念还未普及，更鲜少有人能预见到，40年后的今天，智能体概念竟会如此深刻地影响人与机器的协作、进化与共生。

7月17日至20日，“2026世界人工智能大会（WAIC 2026）”在上海如期举行。当智能体已经在赛博世界重塑生产力后，人们开始探索：智能体如何帮助人们在真实世界过得更好？

有关智能体在真实世界的形态探讨或许并不存在一个标准答案，但也总有一些确定性的东西出现了——人们梦想中的AI（人工智能）硬件，绝不是对已有硬件的简单AI化，而是一类AI Native（智能原生）的产品。

千问AI硬件产品总监吴建军在演讲中谈到，AI硬件与智能体需要真正融为一体：“没有硬件的智能体，无法触达现实；没有智能体的硬件，只是冰冷的工具。但当两者都做到极致，就会成为唯一的答案。”

智能体时代，在参数与效率的宏大叙事之外，人们也想知道：随身AI助手如何让普通人在每一个平凡的日子里过得更好？为此，《每日经济新闻》记者在本届WAIC现场采访了吴建军。

WAIC现场的千问展台 图片来源：受访者提供

从硬件的AI化迭代到AINative

套个对话框、加个大模型就能自称AI终端的时代，或许就要一去不复返了。

随着智能体从聊天工具进化为能够感知、决策和执行任务的生产力最小单元，在智能体模型与下一代终端产品加速结合的浪潮下，智能体正从数字屏幕走向真实物理世界。

在本届WAIC上，智能体开始批量“长出身体”。抽象的比喻里，藏着行业从硬件的AI化迭代到AI Native的大趋势。

比如，千问宣布将AI眼镜升级为智能体眼镜。升级后，眼镜可通过智能体强化服务与决策能力，并能按需调用第三方Skill（技能）和Agent（智能体）。同时，千问还推出全双工语音、眼动追踪、体征监测等一系列硬件技术，以增强智能体眼镜对物理世界的感知与交互能力。

吴建军表示，过去绝大多数所谓的AI硬件，本质上并没有改变上一代硬件的产品逻辑。从驱动层、中间件到应用架构，都没有发生根本性变化。这种做法在行业内部被称为“硬件的AI化”，而非“AI Native”。真正的变化首先发生在交互的起点：智能体需要更完整地理解用户与环境。

吴建军举例称，过去眼镜上的摄像头大多服务于影像，帮用户记录生活。但智能体时代，眼镜需要拥有感知环境的能力。这就要求摄像头的视觉能力也能为智能体所用，帮助后者理解真实环境。

千问在行业中首创的Always-on视觉感知系统，设计了一套端到端的低功耗视觉感知链路，让智能体能够与用户共同经历真实场景，在交互中获得更充分的上下文信息，并逐渐形成基于用户个人数据的长期记忆。

对于AI助手而言，这种长期记忆是影响用户体验感的关键因子。讨论体验提升之前，智能体眼镜还需要回答的一个问题是，所谓适时的主动服务，到底怎么才能算“适时适当”？至少，不让人觉得冒犯。

智能体如何理解人与环境、实现主动服务？

比起大模型追求的加法，承载智能体的端侧设备，在很多场景下做的是一道减法题。

真实的世界中图像、音频信号量级巨大，哪些需要理解并回应，哪些可以不予理会，主动服务与否表面上是智能体设备与用户的默契，实际上是硬件和算法不断磨合才能实现的成果。

现阶段智能体眼镜的主动并不是盲目的主动，一切都建立在精准理解用户原始意图和 用户信任同意的基础上。吴建军举例称，某些有明确触发条件的任务，设备才会给用户一些相应的提示或信息。“如果对于用户本身没有足够的理解，也不够个性化的话，其实并不具备主动服务的条件。”

问题再次回到智能体如何理解人与环境。今年作为智能体终端元年，AI硬件与具身智能赛道面临着相似却又不同的卡点。

吴建军介绍，首先是硬件维度对用户的理解。千问在轻薄镜框里集成了一套虹膜识别系统，用来确认身份；眼镜还加入了体征监测能力，可采集心率、血氧、HRV（心率变异性）、温度等数据，并结合长期佩戴积累的信息，为用户提供健康解读与提醒。

环境方面，除了视觉感知，千问试图用一套全双工语音语言模型架构，通过流式AudioLLM（音频大语言模型）预训练与全双工后训练，增强眼镜持续倾听并听得更准的能力。当然，还有与之配合的一套端侧原生采集系统，解决眼镜能否听得清。

其次是理解人与环境的关系。与具身智能采用的“触觉”抓手不同，眼镜赛道可以采用的一个连接点是眼神。据了解，千问在智能体眼镜中搭载了一套高精度眼动追踪系统。至此，眼神替代了物理触控和语音唤醒，成为最自然的“准星”。

而软件层面，人与智能体之间共同拥有的长期个人化记忆，则是将上述物理世界信息变成“服务能力”的催化剂。

智能体眼镜的独立生态位会越来越清晰

理解人与环境之后，智能体眼镜要给多少反馈也是个值得思索的问题。

在手机或者PC（个人电脑）端，大模型习惯于给出几百字甚至上千字的详尽解答，用户可以在长文本中自行提取有效信息。但如果将这套逻辑照搬到眼镜上，让一个随身设备在眼前、耳边长篇大论，用户会产生强烈的体验不适感。

比如当用户在路途中询问“最近的洗手间在哪里”，智能体必须克制住描述周围环境的冲动，用极度精练、克制的语言直接给出有效答案。整个工程链路，必须百分之百为硬件载体和当下语境服务。

这考验着智能体眼镜的算法模型与端云两侧的算力调度。而如今，行业格局仍呈现明显的“云强端弱”。

受当前的技术条件限制，同时考虑到全天候轻薄佩戴的要求，眼镜在网络带宽、分布式算力以及存量App（应用程序）生态上，客观上依然无法脱离手机而独立存在。

“未来的行业趋势一定会走向端云协同或者端云平衡。”吴建军认为，那些不需要深度思考、对时延要求极高的即时响应任务，未来将全面由端侧承接；而需要深度思考、在线RAG（检索增强生成）搜索的复杂任务，则继续走云端链路。

这也意味着，眼镜的价值并不在于复制手机体验，而是进入那些手机不便出现、也不适合打断用户的场景。比如在骑行、攀岩、看展这些不便使用手机的日常场景里，用户的认知负荷和条件反射可能会悄然向眼镜转移。

在一些情感体验的层面上，吴建军认为，眼镜的独特生态位还在于其能提供手机永远无法给予的原汁原味的存在感。

“比如我要记录一个珍贵瞬间，在单膝下跪的时候，突然掏出手机也是会有一点打破氛围感的⋯⋯我觉得大家对于眼镜的习惯，正在慢慢地从其他形态的设备上迁移，只是速度问题⋯⋯”吴建军表示，当然一切还需要时间，硬件、软件乃至生态层面上，仍有许多问题需要整个行业共同解决。

值得注意的是，除了眼镜，千问的首款AI智能体耳机也在WAIC现场正式亮相。从某种程度上看，这似乎预示着一个趋势——行业内部，一个以AI智能体为核心的生态叙事体系正在搭建。

“我们的硬件业务是AI战略驱动的。我们的想法很简单：未来我们的AI智能体足够好用、足够易用、足够通用之后，它可以跑在各种各样的硬件形态上，在不同的用户场景里，跟用户完成最自然、最贴合当下场景的交互。”吴建军说。

免责声明：本文内容与数据仅供参考，不构成投资建议，使用前请核实。据此操作，风险自担。