知识卡片：从看见到行动：智能眼镜作为第一人称智能平台

一句话结论

智能眼镜正从拍摄/显示配件发展为“第一人称智能平台”，其核心挑战不是单一模型能否识别、回答、记忆或行动，而是完整系统能否维持一个可靠、时间有效、可纠正、可治理的“感知-状态-交互-动作”闭环。

事件概述或研究问题

本文是一篇系统综述（survey），作者称其是首篇以统一框架系统研究智能眼镜的综述。研究问题可概括为：在功耗、热、隐私和反馈等紧约束下，智能眼镜如何将人类感知、持续上下文与数字/物理行动连接起来，形成可部署、可评估、可信的第一人称智能。

方法/产品要点

• 形式化“第一人称数据流”和“受限任务效用”。
• 用8条可验证硬件能力轴刻画设备（具体轴定义待核实）。
• 用7个相互依赖的基础能力组织文献（具体能力列表待核实）。
• 提出 L0-L5 分级框架：采集（capture）、反应式感知（reactive perception）、情境辅助（contextual assistance）、持续状态（persistent state）、可治理行动（governed action）、具身耦合（embodied coupling）。各层级具体定义和判定标准需查阅原文。
• 覆盖9个应用场景，连接任务与数据集、系统、产品、利益相关者、失败后果、证据缺口（场景列表待核实）。
• 提出9维部署框架、基于主张的评估协议和证据阶梯（从受控测量到纵向现场验证与审计）。

主要结果或产业意义

• 使智能眼镜在可比较性、可部署性和可复现评估方面更加系统化。
• 为可信任的第一人称智能提供了路线图。
• 对AR、具身智能、多模态模型和人机交互领域具有整合意义。

为什么重要

已有相关卡片多聚焦游戏世界模型、程序合成、数据增强等算法层面；本条首次以“感知-状态-交互-动作”闭环视角审视智能眼镜，增量在于：提出了从设备硬件能力到应用场景再到评估协议的完整统一框架，弥补了以往文献碎片化（设备、任务、基准割裂）的空白。

局限与不确定性

• 原文正文未能抓取，本卡片仅基于摘要元数据生成。
• 摘要中提及的8轴、7能力、L0-L5层级的具体定义、判别标准与实例均需查阅原文后核实。
• “首篇”为作者自称，需独立核实其文献覆盖范围。
• 该综述是否包含实证比较或仅提出框架，待核实。

可用于图书/PPT/简报的角度

• 标题句：“从看见到行动——为什么智能眼镜不只是眼镜。”
• 用“L0-L5”类比自动驾驶分级，解释智能眼镜的智能进化阶梯。
• 智能眼镜作为“第一人称智能平台”的三大关键词：感知、状态、行动。
• 从“单点能力”到“系统闭环”：评价智能眼镜的新思维。

原始材料

• 英文标题：From Seeing to Acting: Smart Glasses as First-Person Intelligence Platforms
• 英文关键词（基于标题/摘要提取）：smart glasses; first-person intelligence; egocentric vision; multimodal models; embodied intelligence; human-computer interaction
• 原始来源：arXiv:2608.24877v1, https://arxiv.org/abs/2608.24877v1