Sharge融资近1亿元押注AI眼镜，多模态记忆引擎把音视频变成可检索记忆。本文拆解其对车载软件与智能座舱UX的启发与落地清单。
AI眼镜融资背后：多模态记忆引擎如何重塑车载软件体验
2025-12-29，消费电子公司 Sharge 宣布完成近 1亿元人民币（约 1429 万美元）A+ 轮融资，并把火力集中在一件事上：把新一代 AI 眼镜做成规模化产品，目标是 一年出货 10 万台以上。很多人把它当作“又一款可穿戴新品”，但我更愿意把它看成一个更大的信号：AI 的竞争正在从“能不能回答”转向“能不能记住、能不能持续陪伴、能不能在不同设备之间无缝协同”。
这对汽车行业、尤其是车载软件与用户体验（UX）来说非常关键。智能座舱正在变成“移动机器人”的交互中枢：它要听得懂、看得懂、记得住，还要在合规边界内把体验做得足够贴心。Sharge 这次押注的“多模态记忆引擎”，本质上和智能车在做的“长期用户模型、持续学习与 OTA 迭代”是一条线上的事。
这一篇属于「人工智能在机器人产业」系列：当服务机器人、人机协作系统走向日常化，可穿戴设备与智能车会一起成为“人类的外部感知与记忆器官”。
资金、产线与出货目标：AI硬件正在走“汽车路线”
**结论先说：AI 眼镜的胜负不只在模型，而在“产线、功耗与迭代速度”。**Sharge 的融资用途很明确：搭建更灵活的个性化产线、建设“算存一体”的服务器集群（用于主动式 AI 记忆），并推进全球市场扩张。
这套打法听起来像不像你熟悉的智能车？
- 柔性产线：不同脸型、不同镜片方案、不同显示模组与电池配置，最终都指向一个词——规模化定制。汽车行业早就验证过：平台化+模块化能显著压缩成本并加快迭代。
- 基础设施先行：Sharge 提到的“计算-记忆融合服务器集群”，对应到车端就是“云端训练与车端部署”的 MLOps 体系。体验不是一次性交付，而是持续升级。
- 出货目标的意义：一年 10 万台对眼镜品类不算“天文数字”，但它意味着产品必须跨过“实验室可用”到“日常可戴”的门槛：重量、发热、续航、稳定性、售后都要过线。
同时，IDC 数据显示：2025 年上半年全球智能眼镜出货同比增长 64.2%，其中中国占比 26.6%；中国 2025 年全年出货预计约 291 万台。这说明市场热度足够，但也意味着竞争会快速进入“拼体验、拼生态”的阶段。
多模态AI记忆引擎：把“当下”变成“可检索的过去”
**结论先说：多模态记忆引擎的价值在于“把音视频流变成结构化、可搜索、可复用的个人知识库”。**Sharge 与 memories.ai 合作，将实时音视频转成可检索的结构化记忆，并支持自动生成日记、周报等功能。
这类能力看似是“效率工具”，但它真正改变的是交互方式：从“你问我答”变成“我知道你经历过什么，所以我能主动帮你整理”。
记忆引擎如何工作（用人话讲）
把它拆开看，其实是三段式流水线：
- 采集：麦克风/相机获得连续信号（语音、画面、环境声音）。
- 理解与索引：ASR 转写、视觉识别、事件抽取、时间线归档，生成
人物-地点-事件-意图等标签。 - 检索与生成：用户一句话触发检索，再由生成式模型组织成摘要、待办、报告。
关键点不在“生成得多漂亮”，而在索引质量与可控性：错记、漏记、记混人名地点，体验会瞬间崩盘。
为什么这对智能座舱是“同一道题”
智能车的座舱正在遇到同样的需求：
- 车机不应只“导航+音乐+语音助手”，而应能形成驾驶与生活的连续上下文。
- 用户真正想要的是：我昨天说的那家餐厅、上周讨论的出差安排、孩子的接送地点变化，车机能在合适的时刻提醒，并且不越界。
一句话很适合做引用：“未来的交互不靠按钮数量，靠系统对你生活脉络的理解深度。”
舒适度与功耗：决定“日常佩戴”的不是模型，而是工程
**结论先说：可穿戴设备的 UX 底线是“戴得住”，上限才是“聪明”。**Sharge 在硬件侧强调两点：显示方案降低功耗（与光峰合作的“Dragonfly Light Engine”），以及材料与结构减重，目标是全天候舒适佩戴。
这和汽车软件体验有一个共同规律：交互再聪明，也不能破坏基本体验。
- 对眼镜来说，底线是重量、鼻托压力、镜腿夹持、发热、续航。
- 对汽车来说，底线是语音唤醒稳定性、车机流畅度、关键功能可达性、对驾驶的干扰控制。
我见过不少“功能很炫”的产品败在细节：续航撑不到通勤往返、镜框压得头疼、语音老是误唤醒。用户不会给第二次机会。
给汽车团队的直接启发：用“功耗预算”管AI体验
很多车载 AI 功能做不好，不是算法不行，而是缺少像硬件团队那样的“预算思维”。建议把体验拆成可量化的指标：
- 唤醒与响应时延预算：如 300ms 内反馈、1.5s 内给出可执行方案。
- 稳定性预算：高频场景（导航、通话、空调）容错优先级高于“花哨技能”。
- 注意力预算：驾驶时减少长对话，更多用一句话确认与 HUD/声学反馈。
可穿戴的“全天候舒适”对应到座舱，就是“全天候不打扰”。
从AI眼镜到智能车：个性化体验的下一站是“跨设备记忆”
**结论先说：真正的个性化不在单设备，而在“跨设备一致的用户记忆与权限体系”。**AI 眼镜记录的是生活现场，智能车记录的是移动轨迹与驾驶偏好，手机记录的是通信与日程，家里的服务机器人记录的是家庭任务。把这些拼起来，才是完整的用户体验。
但这件事最难的不是技术，而是三道门槛：
1）隐私与合规：默认不开采集，默认可删除
多模态记忆天然涉及敏感信息。一个可用的产品必须做到：
- 默认最小化采集：可控开关、场景提示、敏感区域屏蔽。
- 端侧优先：能在本地完成的处理尽量本地完成，降低数据外流。
- 可解释与可删除：用户能看到“你为什么推荐”，也能一键删除某段记忆。
这同样是车载 AI 的红线：座舱要聪明，但不能让用户觉得“被监视”。
2）记忆质量：少记错，比多记更重要
AI 记忆的体验很脆：一次“把同事当成客户”、一次“把地点记错”，就会让用户关闭功能。工程上需要：
- 人物/地点的歧义消解（同名、近似发音）
- 时间线冲突处理
- 置信度提示与二次确认机制
3）生态协同：把“周报”变成“下一步动作”
自动日记、周报只是起点。更有价值的是把结构化记忆接入任务系统：
- 自动生成待办并同步到日程
- 会议纪要一键转成工单
- 通勤途中由车机播报“今天最重要的三件事”
当服务机器人进入家庭，眼镜与车机还可以把任务交给机器人执行：比如到家后提醒扫地机器人清扫某区域、或让陪护机器人在老人服药时间主动提醒。
采购与产品负责人最该问的5个问题（实操版）
**结论先说：评估“带记忆的AI设备/车载系统”，别只看演示，要用问题把真实能力逼出来。**我建议从这 5 个问题入手：
- **记忆数据默认存哪里？**端侧/云端/混合？用户能否导出与删除？
- **多模态检索的准确率怎么测？**有没有按真实场景（嘈杂、弱光、多人对话）测试集？
- **误采集与误唤醒怎么处理？**是否有快速“静音/隐私模式”？
- **和车载系统/机器人系统怎么集成？**是否提供权限分级、账号体系与审计日志？
- **OTA 迭代的节奏与回滚机制？**升级失败怎么保障核心功能？
这些问题看似“挑刺”，但它们直接决定用户会不会长期用。
结尾：AI记忆正在成为新入口，车载UX要提前占位
Sharge 这次融资与产品路线传递了一个清晰信号：**AI 的价值正在从“回答问题”转向“管理你的时间、经历与任务”。**多模态记忆引擎把现实世界转成结构化资产，这会让 AI 眼镜不仅是硬件，更像一个随身的“感知型机器人”。
对智能车来说，这不是隔壁行业的热闹，而是同一条赛道的预演：谁能把“记忆、个性化与合规”三者同时做好，谁就能把座舱从功能集合变成用户的长期伙伴。你更看好哪一种路径：由手机做统一记忆中枢，还是由车端与可穿戴共同承担？