产业机会与隐私治理挑战
AI眼镜在经历早期概念探索后，正在进入产业化推进期。全球AI眼镜出货量显著增长，国内赛道形成多厂商差异化竞争格局，部分厂商以轻量化机身与系统生态协同定位高端市场，或聚焦AI服务生态或深耕行业商用与光学技术突破，另一些则以千元级性价比下沉大众赛道。
AI眼镜并不是简单替代手机或PC，而是与PC、手机互补协同的“伴随计算”终端。该场景价值能否成立，取决于产品是否能够在佩戴舒适度、续航、交互准确性、应用必要性和价格之间取得相对均衡，也取决于用户是否愿意接受长期佩戴式设备进入生活场景。AI眼镜具备进一步产业化落地的可能性，而隐私治理是影响AI眼镜能否广泛普及的重要因素。
AI眼镜的隐私问题可区分为个人隐私与他人隐私两类。个人隐私指佩戴者自身的声纹等深度生物信息一定程度上被暴露；他人隐私是指佩戴者周围非自愿被采集者的肖像等权益，被采集者既未授权也难以察觉。近期多起AI 眼镜侵犯旁人隐私事件引发关注，AI眼镜的佩戴形态使佩戴者能够以不易察觉的方式采集周围人的影像与声音，他人隐私成为最突出的风险敞口。
AI眼镜与手持终端的本质差异在于其佩戴形态。手机的采集行为伴随显著动作信号，旁人可凭视觉线索识别采集动作；而AI眼镜将摄像头与麦克风集成于镜框之内，形态趋于普通眼镜，采集行为的隐蔽性显著上升。叠加云端协同处理所需的数据上送，以及持续性的定位与生物特征采集，多重风险因素共同构成其隐私挑战。
产业自律公约出台加速规范治理
（一）《AI眼镜可信视界自律公约》定位与内容总览
在AI眼镜隐私治理短板暴露之际，在工业和信息化部信息通信管理局指导下，中国信息通信研究院泰尔终端实验室联合深圳市AI眼镜产业联盟研究起草了《AI眼镜可信视界自律公约》（以下简称《公约》），并在2026人工智能眼镜生态大会上发布。产业链上下游企业，包括雷鸟创新、立讯精密、Rokid、莫界、千问、明智云、芯视佳、亿道、影目、中兴通讯参与响应，AI眼镜隐私与安全治理已经从单一企业问题上升为行业共性议题。
《公约》围绕用户隐私守护、终端技术可控、全链数据合规三个维度提出要求。一是用户隐私守护强调数据采集应遵循“最小必要”原则，敏感传感器启用应有明确提示和授权，用户应能够查看、撤回、删除和导出个人数据。对于虹膜、面部、声纹等生物特征信息，原则上应优先在本地处理，确需上传时应采取加密传输和加密存储等措施。二是终端技术可控强调算法和系统运行不能仅以功能实现为目标，还需要具备安全更新、漏洞修复、风险评估和第三方审计能力。特别是在AI眼镜与云端模型深度结合后，算法调用、权限管理、模型输出和数据留存都可能影响用户权益，因此终端厂商需要把安全能力纳入产品全生命周期，而不是在产品发布后被动补救。三是全链数据合规则把治理范围从单一终端扩展到供应链和服务链。AI眼镜产品通常涉及芯片、传感器、操作系统、模型服务、云平台、应用开发者和渠道服务等多方主体。数据风险也往往不只发生在设备本身，而是发生在跨主体的数据调用、转存、训练、分析和共享过程中。因此，《公约》提出数据分类分级、跨境传输合规、供应链安全和事件响应机制，体现了全链条治理思路。
（二）公约的治理意义与自律机制的有限性
《公约》的重要意义在于提前建立行业共识。AI眼镜尚未进入完全成熟阶段，此时明确采集边界、用户控制、算法可控和数据流转规则，有助于降低后续大规模应用中的制度成本。对于企业而言，公约能够提供产品设计和合规建设的基本参照；对于监管和标准制定而言，公约也为后续技术要求、检测认证和强制性规则提供了可观察的行业基础。
同时，应当客观看待自律机制的边界。公约本身主要依靠企业自愿承诺和行业声誉约束，前置强制力有限。对于不遵守公约的主体，行业自律通常难以及时形成足够约束；对于跨平台、跨地域和跨境的数据流动，自律规则也难以单独完成监管闭环。更重要的是，隐私治理不能只停留在制度文本层面，还需要落实到设备、系统、网络、云服务和审计流程之中。因此，公约的价值不在于替代法律监管或技术方案，而在于提供行业共同认可的治理方向。后续应推动公约要求向可检测、可认证、可审计的机制转化，使“最小必要”“端侧优先”“全链合规”等原则能够体现在产品架构、服务接口和运行记录中。只有当规则可以被技术执行、被第三方验证、被责任主体追溯时，隐私治理才能从原则表达进入实际运行。
面向AI眼镜的隐私治理技术路径
围绕两类隐私的特征，可构建分层治理路径。
（一）眼镜侧限制：源头约束与本地脱敏前置
该层是隐私风险的第一道防线，覆盖数据从产生到流出终端的全流程，将治理重心前置到数据跨域流转之前。AI眼镜隐私问题的关键在于佩戴者以外他人的隐私容易被隐蔽采集所侵犯，眼镜侧限制的首要目标在于将采集行为置于可识别、可约束的框架之内。在采集入口端，遵循最小必要原则，通过权限分级管控、场景化自动启停、敏感区域与主体智能过滤等技术，限制传感器的采集范围、时长与对象，从规则上避免默认开启和过度采集；针对拍摄与录像功能，可在敏感场所实施自动禁拍；对周遭其他人的面部、声纹等特征的即时本地识别与脱敏处理，也是压缩他人隐私暴露面的关键技术手段；同时强化采集行为的外部可识别性，通过难以低成本规避的物理提示灯、震动反馈、镜片状态提示等显性机制，向周边人群传递采集状态，使被采集者具备知情与回避的可能，降低公共空间的隐私不确定性。生物特征核验等高风险操作可在芯片内置的可信执行环境中闭环完成，防止第三方应用非法调取原始数据。该层治理的核心价值是从源头压缩风险，尽可能让数据少采集、少流出、本地用，也可作为后续跨域协同计算的前置基础。
（二）跨域隐私治理：协同计算与数据不出域保障
AI眼镜的视觉影像、环境语音、生物特征等敏感数据分散存储于海量终端，其中相当部分系佩戴过程中对周围他人的附带采集所得，产业侧既有基于全域数据迭代模型的训练需求，又存在终端算力不足的运行需求，由此产生跨主体联合建模、多域协同计算场景下的隐私矛盾。隐私计算是适配这一分布式数据特征的治理路径，与端侧原始数据不出设备的治理逻辑形成场景互补。AI眼镜在协同计算中产生的训练与推理需求，不应成为他人隐私数据被有意或无意二次扩散的渠道。对应的隐私保护技术方案包括：针对跨终端、跨平台联合训练的模型迭代需求，以联邦学习为代表的隐私计算为核心方案可实现原始数据全程不离开所属域，既满足模型迭代需求，又避免含他人隐私特征数据的集中汇聚的风险；针对终端算力无法承载的大模型推理需求，可依托端边云分级架构，结合分割学习实现分布式隐私推理，端侧完成前置特征提取与脱敏处理，边缘或云端承接深层推理计算，全程仅传输中间特征值以压缩敏感数据的流转范围。上述技术构成跨域隐私治理体系，使含他人隐私信息的数据不因模型训练与推理需要而被无序流转与集中。
（三）隐私增强与全链路可审计：全域安全加固与合规追溯保障
隐私增强技术与可审计机制，不依附于数据所在位置，而是针对计算过程本身和数据全生命周期的安全加固与合规追溯。在隐私增强方面，差分隐私通过在数据或模型参数中加入可控噪声，防止通过模型反推个体原始数据，对于保护被附带采集的他人面部、声纹等特征尤为关键，常与联邦学习搭配进一步降低梯度泄露风险；零知识证明可在不披露具体数据内容的前提下验证数据处理行为的合规性，理论上适用于跨主体隐私合规核验场景。在可审计方面，通过数据自动过期、本地短时存储等生命周期管理规则，缩短公共或私人空间隐私数据留存周期；同时搭配第三方隐私影响评估、操作日志上链存证等机制，使数据采集、处理、流转、删除全流程可核查，为被附带采集的旁人与监管方提供追溯依据，弥补单一厂商自律的信任不足。该层治理独立于数据流转路径，是面向AI眼镜隐私方案的通用保障。
AI眼镜产业未来展望
从长期看，AI眼镜产业竞争不仅围绕算力、显示、续航和模型能力展开，更在于能否建立稳定、可信的社会接受基础。对于佩戴者而言，AI眼镜是提升感知、交互和效率的个人终端；但对于周围人而言，它首先是一种可能在不易察觉状态下进行记录、识别和分析的移动传感器，周围的人们既不可能逐一阅读隐私政策，也难以在每一次接触中完成正式授权。
因此，更现实的治理思路，是将对隐私权益的保护前置为产品默认规则。对个人隐私，以生物特征本地处理、分项授权、短周期留存和全流程可审计；对他人隐私，以采集状态强制显性提示、敏感主体脱敏、数据最小化收集等方式，减少隐蔽采集与难以追溯的情形。AI眼镜产业的下一阶段，不应将隐私治理视为创新的附属约束，只有把对隐私保护做到足够清晰稳定、足够可验证，AI眼镜才能在现实空间中建立长期信任，并由此完成从相对小众的极客玩具向可信AI终端的真正演进。
作者：
姬鸿飞
就职于中国移动研究院业务研究所，主要从事6G业务研究。
审核：
杨蕾、杨本植 | 业务研究所
声明：本文来自中移智库，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
