智能手表与眼镜迈向 “无感智能”，端云协同破解 “不可能三角” 难题

近年来，智能手表市场逐渐成熟，健康监测功能不断升级，但精度仍需提升。智能眼镜则因Meta产品的推出而迎来爆发期，但面临续航、算力与重量难以平衡的“不可能三角”难题。

在 4 月 16 日举办的芯原股份可穿戴专题技术论坛上，炬芯科技穿戴和感知事业部总经理张天益发表《“表” 里如一，“镜” 益求精 —— 智能手表与眼镜趋势探讨》主题演讲，深度剖析智能穿戴设备的技术痛点与创新路径。他表示，“智能手表正从健康监测工具升级为全天候 AI 助手，智能眼镜则需通过端侧算力突破‘续航 - 重量 - 算力’的‘不可能三角’，二者共同推动可穿戴设备进入‘主动服务’时代。”

炬芯科技穿戴和感知事业部总经理张天益

智能手表：健康监测深化与生态破局

根据Canalys发布的市场数据，2024 年全球可穿戴腕带设备出货量 1.93 亿部，同比增长 4%，中国市场以 30% 的份额和 20% 的增速引领全球，中东、东南亚等新兴市场增长超 50%。 

张天益认为，智能手表已进入细分市场深耕阶段，基础手表品类贡献了主要增量（2024年增长8%），产品形态正加速向商务、运动场景渗透。以中国市场为例，具备血压监测、睡眠呼吸暂停检测等功能的智能手表，已推动健康监测功能普及率提升至72%。

但尽管市场稳步增长，智能手表仍面临三大痛点：

1. 健康监测精度待突破：现有设备受限于算力与功耗平衡，心率、血氧等生理指标监测误差率普遍高于 5%。炬芯通过 “端侧 AI + 云端大模型” 混合架构实现突破，端侧 100GOPS 算力芯片支持情绪识别、运动姿态分析等复杂算法，云端大模型则基于心率变异性、睡眠质量等多维度数据提供个性化健康建议，疾病预警准确率提升 30%。
2. 交互体验与开发门槛矛盾：依赖专业团队的复杂 UI 设计制约创新，炬芯联合芯原推广2.5D GPU 技术，支持贝塞尔曲线绘制、矢量地图渲染等轻量化图形处理，未来计划通过大模型生成 UI 效果，实现 “图片输入 - 智能生成 - 快速部署” 的低门槛开发。

1. 应用生态单一化：当前设备多局限于被动监测，炬芯提出“双系统融合”（安卓 + RTOS）与生态互联方案，前者平衡功能丰富性与续航（安卓模式续航提升 40%），后者推动手表成为智能家居控制、车钥匙等场景的入口级设备。

智能眼镜：从功能单点突破到系统性创新

针对智能眼镜的爆发式增长，张天益将其分为四大品类：音频 AI 眼镜（基础语音交互）、视频 AI 眼镜（拍照识别）、AI+AR 信息提示眼镜（单色显示）、全功能 AI+AR 眼镜（多模态交互），并直指行业核心挑战。

业内最常谈及的就是“不可能三角” 矛盾。以Meta产品为例，3-4小时续航仅支持30分钟全时录像，若实现12小时全天候佩戴，需在50g重量限制下将续航提升4倍。

"这不是简单的参数堆砌，而是半导体物理极限的挑战"，张天益展示的数据显示，炬芯通过MMSCIM 混合精度计算架构实现突破，对比传统 HiFi5 DSP 方案，环境降噪功耗降低 98%、语音识别功耗降低 93%，为 450mAh 电池方案争取 30% 续航提升空间。

交互体验碎片化也是痛点之一。现有设备依赖手机生态，操作延迟普遍超 200ms。炬芯联合产业链推进端云协同优化，端侧完成语音降噪、图像预处理等轻量任务（延迟 <50ms），云端处理复杂语义理解，实现 “实时抓拍 - 智能识别 - 信息提示” 全流程 0.8 秒响应。

最后是隐私与伦理风险，摄像头引发的隐私担忧倒逼技术升级，炬芯在芯片级集成硬件加密模块，并且开发了动态模糊算法，支持端侧数据脱敏处理。与芯原、LVGL合作开发的3D GPU方案，允许用户通过自然手势完成交互，减少对摄像头的依赖视频流仅传输特征 Token（数据量压缩超 90%），从源头降低隐私泄露风险。

端侧 AI 引领能效革命

作为端侧 AI 的坚定推动者，张天益展示炬芯三代技术规划：

• 2024 年（一代）：100GOPS 算力芯片量产，能效比 6.4TOPS/W @INT8，支持基础 AI 算子与低功耗唤醒，已应用于华为、小米等品牌智能眼镜。
• 2025 年（二代）：300GOPS 算力芯片流片，基于 16nm 工艺将能效比提升至 7.8TOPS/W @INT8，支持 DRNN、CRN 等复杂神经网络，适配 AR 导航、实时翻译等中度算力场景。
• 2026 年（三代）：单核1TOPS 算力芯片规划，采用 12nm 工艺实现 15.6TOPS/W @INT8超高能效比，支持端云协同大模型部署，为全功能 AR 眼镜提供算力基石。

炬芯科技通过AI压缩技术，将4K视频传输带宽从6Mbps降低至0.4Mbps，同时保持98%以上的特征识别准确率。这种“瘦身不降智”的技术路径，有效解决了数据传输和存储的瓶颈。

他特别强调存算一体架构的价值：“通过 SRAM-based CIM 技术，复杂 AI 模型运算功耗较传统 DSP 方案降低 80% 以上，为智能眼镜轻量化设计创造条件”，并展示了实测数据：在 500MHz 主频下，DRNN 模型运算功耗仅为传统方案的 11%，突破 “算力提升必增功耗” 的行业定式。

未来，细分场景定义产品形态

面对智能眼镜的 “功能取舍” 难题，张天益提出三大战略方向：

1. 光学方案分层：入门级产品采用 Birdbath 光学（成本 <30 美元），聚焦音频交互；高端产品搭载光波导技术（透明度> 80%），实现 AR 信息叠加，满足商务、教育等场景需求。
2. 算力按需分配：重拍照场景配置 1600 万像素摄像头 + 独立 ISP（如小度 AI 眼镜），重 AI 场景采用 500 万像素 + 低功耗 NPU（如雷鸟 V3），通过硬件差异化覆盖不同客群。
3. 细分市场先行：优先突破运动户外（支持实时运动姿态分析）、听障辅助（语音转写准确率 > 95%）、工业巡检（设备故障识别）等垂直领域，积累用户习惯后向消费级市场渗透。

当端侧算力突破10TOPS时，可穿戴设备将不再是手机附件，而成为独立的智能体。张天益在演讲中强调，“可穿戴设备的终极形态是‘无感智能’—— 设备即服务，服务即体验”。

随着炬芯端侧 AI 芯片与芯原低功耗 IP 的深度协同，智能手表与眼镜正从 “功能堆砌” 迈向 “价值创造”：前者成为个性化健康管家，后者进化为多模态交互入口。在数据爆炸的 AI 时代，“端侧预处理 + 云端深加工” 的协同架构将重塑人机交互边界，而能效优化与场景创新仍是破局关键。