一句话看懂：Android Police 编辑在荷兰超市实测 Gemini 的 Guided Vision 与 Ray-Ban Meta 眼镜，发现 Gemini 能通过实时视频流持续扫描货架并主动提示目标位置，而 Meta 眼镜只能依靠单张静态照片。这标志着手机端 AI 视觉从”拍一张问一句”转向”连续观察、实时推理”。
事件核心：发生了什么
2026 年 9 月，Gemini 上线了 Guided Vision 功能，允许 Gemini Live 通过手机摄像头持续观察画面并回答相关提问。Android Police 编辑 Nimrod Aldea 在阿姆斯特丹 Albert Heijn 超市做了对照测试，同一任务分别交给 Gemini 和 Ray-Ban Meta 眼镜：帮他找咖啡滤纸。Meta 眼镜拍下一张照片后回复”这里没找到”，测试结束。Gemini 则提示用户”向左缓慢平移镜头”，在扫描过程中突然指出”找到了，回到左边，在顶层货架”——位置准确。原文还提到，Gemini 此前已能通过远处单栋建筑判断出他所在的街区。
为什么重要
差别不在识别能力，而在交互范式。Meta 眼镜受限于静态拍摄，用户需要逐段问”这里有没有”，本质仍是自己扫描、AI 做单点确认；Guided Vision 则是连续视频流加实时推理，由 AI 承担扫描工作并主动打断用户。这背后是推理成本、延迟和端侧/云侧算力调度的问题：持续视频输入对模型吞吐和响应速度的要求远高于单帧图像。目前公开信息显示，这条路线尚未在 Ray-Ban Meta 上实现，意味着可穿戴设备在”实时视觉助手”这一场景上暂时落后于手机。
对用户/开发者/创作者的影响
对普通用户，找商品、读外文标牌、辨认细小印刷体这类任务的体验会明显改善，但公共场合对着手机或眼镜说话仍有社交尴尬，原文也反复提到这一点。对开发者，Guided Vision 这类连续视觉交互意味着新的应用层机会——导购、无障碍辅助、现场巡检都可能围绕实时视频流重做，但需要处理延迟、隐私和误报。对硬件厂商，眼镜形态的天然优势是解放双手，若视频流能力跟不上，差异化会被手机 AI 稀释。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Guided Vision 是否开放 API 或进入更多 Android 设备；二是 Meta 是否在下一代 Ray-Ban 眼镜中加入连续视频理解；三是持续调用摄像头带来的隐私与合规问题，尤其在欧盟市场，这可能直接影响功能上线节奏。
