Arkitekturen i ett stycke
Nästan alla AI-glasögon fungerar likadant på systemnivå. Sensorer i bågen – mikrofoner och ofta en kamera – fångar upp det du säger och ser. En liten processor i skalmen hanterar väckningsord, ljud och grundläggande systemuppgifter. Den tunga intelligensen – taligenkänning, översättning och språkmodellen – körs huvudsakligen i molnet, som nås via din parkopplade smartphone eller en direktanslutning. Resultaten kommer tillbaka som ljud genom små högtalare nära öronen, eller som en bild som projiceras i linsen. Glasögonen är en terminal för sensorer och skärm; hjärnan finns till stor del någon annanstans.
Skärmen: att få in en bild i ögat
Det svåraste tekniska problemet i kategorin är att göra en skärm osynlig tills den behövs. Tre metoder dominerar.
Vågledarskärmar
En mikroskopisk projektor i skalmen skickar in en bild i kanten på en tunn, genomskinlig platta i linsen. Ljuset studsar internt genom plattan, och sedan styr strukturer som etsats in i den ut bilden mot din pupill. Resultatet är text eller grafik som ser ut att sväva i omgivningen, genom en lins som ser helt vanlig ut utifrån. Even Realities G2 använder den här tekniken för sin gröna textskärm, och det gör även skärmen i Rokid AI Glasses Enterprise. Vågledare offrar ljusstyrka och färgrikedom för sin nästan osynliga form, vilket är skälet till att så många använder skarp monokrom text.
Birdbath-optik
En mikro-OLED-panel lyser nedåt mot en välvd, halvgenomskinlig spegel inuti linsen som reflekterar bilden till ögat. Birdbath-optik ger ljusstarka, högupplösta bilder i fullfärg, vilket är skälet till att glasögon med virtuell skärm, som XREAL One Pro använder den, men optiken kräver fysiskt djup, vilket är skälet till att skärmglasögon är synbart klumpigare än AI-glasögon i assistentstil.
Helt utan skärm
En stor del av kategorin hoppar över skärmen helt och pratar med dig i stället. AI-glasögon med enbart ljud är lättare, billigare och håller längre per laddning, och för en ren assistentupplevelse täcker en röst i örat de flesta behov.
Kameran: AI:ns ögon
Där en kamera finns tjänar den två herrar. För dig tar den foton och video ur ditt perspektiv. För AI:n levererar den bildrutor att analysera: identifiera ett föremål, läsa en etikett, beskriva en scen, översätta en skylt.
Två praktiska förhållanden är bra att känna till. För det första tar visuella AI-funktioner oftast en bild av ett ögonblick i stället för att strömma kontinuerligt; kontinuerlig videoanalys tömmer batteriet för snabbt för vardagsbruk. För det andra signalerar en lysdiod vanligtvis inspelning, och arbetsplatser eller lokaler kan begränsa kameraanvändning – ett av skälen till att kamerafria modeller som Even Realities G2 finns och säljer bra i professionella miljöer.
Mikrofoner och högtalare: det primära gränssnittet
Rösten, inte skärmen, är AI-glasögonens huvudsakliga gränssnitt. Bågarna har flera mikrofoner placerade för strålformning (beamforming): genom att jämföra signalen mellan mikrofonerna kan glasögonen skilja ut din röst, eller rösten hos personen framför dig, från omgivande buller. Det är detta som gör att liveöversättning fungerar i ett livligt rum.
Ljudet kommer från små öppna högtalare i skalmarna som riktar ljudet mot hörselgången. Vid normal volym hörs de knappt av omgivningen, och de lämnar öronen öppna mot omvärlden – en underskattad egenskap för säkerhet och komfort jämfört med hörsnäckor.
Var AI:n faktiskt körs
Assistenten bakom glasögonen är en stor språkmodell, och stor ska tas bokstavligt: de mest avancerade modellerna kan inte köras inuti glasögon. Arbetsbelastningen delas upp på tre ställen.
På glasögonen: detektering av väckningsord, inspelning, ljudbearbetning och i allt högre grad små modeller på enheten för snabba uppgifter.
I telefonen: den tillhörande appen hanterar anslutning och inställningar och vidarebefordrar ofta data mellan glasögonen och molnet.
I molnet: taligenkänning, översättning och själva språkmodellen – de funktioner som känns intelligenta.
Den här uppdelningen förklarar hur glasögonen beter sig i verkligheten. Med en stark uppkoppling kommer svaren på ungefär en sekund; i ett område utan täckning försämras de smartaste funktionerna eller slutar fungera. Den förklarar också varför AI-glasögon blir bättre efter köpet: när molnmodellen förbättras gör även glasögonen du redan äger det.
För företag väcker uppdelningen en befogad fråga: vart tar ljudet och bilderna vägen? Konsumentprodukter skickar dem till leverantörens moln. Företagsplattformar har ett annat svar, och här finns en verklig skillnad: Rokid AI Glasses Enterprise har stöd för att ansluta egna AI-modeller, även självhostade, så att ett företag kan behålla känsliga data i sin egen infrastruktur.
Batteri och energihantering
Batterierna döljs i skalmarna, och kapaciteten är liten eftersom vikten vilar på näsan. Tillverkarna hanterar glappet mellan små batterier och energikrävande funktioner med offensiv ingenjörskonst: skärmar som bara renderar ett litet textområde, kameror som sover tills de anropas, radioenheter som förlitar sig på telefonen. I praktiken klarar den nuvarande generationen en dag med måttlig assistentanvändning; timmar av oavbruten översättning eller inspelning klarar den inte. Professionella storanvändare bör planera för laddningsfodral och tillbehör med extrabatterier på samma sätt som de planerar för telefonladdare.
Anslutning: den osynliga komponenten
De flesta AI-glasögon parkopplas med en smartphone via Bluetooth, och telefonen står för internetuppkopplingen. Skärmglasögon som XREAL-serien använder i stället en USB-C-kabel som överför både video och ström – glasögonen har inget batteri alls. Tåliga industrienheter kör ofta fristående Android med eget Wi-Fi, eftersom en tekniker inte kan vara beroende av en privat telefon. När du utvärderar ett par glasögon bör du tidigt ta reda på vad de måste vara anslutna till, eftersom det beroendet påverkar den dagliga användningen mer än någon specifikation.
Allt tillsammans: vad som händer när du ber om en översättning
En konkret genomgång knyter ihop delarna. Du trycker på skalmen och vänder dig mot en kollega som talar tyska. Mikrofonuppsättningen isolerar kollegans röst och strömmar komprimerat ljud via din telefon till molnet, där taligenkänning omvandlar det till text och en översättningsmodell översätter texten till engelska. Den engelska meningen skickas tillbaka till glasögonen, och vågledaren målar upp den som en undertext som svävar under din synlinje, ungefär en sekund efter talaren. Varje komponent i den här artikeln berörde den meningen, och den enda du märkte var texten.
