虹膜支付,何時才能跳出AI眼鏡的演示噱頭?

虹膜支付技術近年屢屢在各大科技展會與產品發表會上亮相,尤其隨著AI眼鏡的爆紅,虹膜支付經常被當作「未來應用場景」的示範橋段。然而,從展示到真正落地之間,仍存在巨大的鴻溝。無論是Meta的Ray-Ban Stories、Apple的Vision Pro,還是其他品牌的智慧眼鏡,虹膜支付的實際使用者體驗與商業普及程度,遠不如當初廠商勾勒的願景那般美好。從技術面來看,虹膜辨識並非新概念。早在智慧型手機上,三星等品牌就曾導入虹膜解鎖功能,但最終未能成為主流。主要原因在於虹膜掃描對環境光線、角度、距離的要求相當苛刻,使用者必須將眼睛對準特定區域,且佩戴眼鏡或隱形眼鏡時容易影響辨識率。
這些限制在手機上已經難以克服,轉移到AI眼鏡之後,挑戰只會更加嚴峻。眼鏡本身是隨身佩戴裝置,使用者的視線不斷移動,要在不中斷自然行為的情況下完成精準的虹膜掃描與支付授權,現有技術距離可靠體驗還有一段距離。另一方面,支付場景對安全性的要求極高。虹膜作為生物特徵,一旦被盜錄就無法更換,遠比密碼或指紋更具風險。AI眼鏡普遍搭載攝影鏡頭,若虹膜資料在裝置端被截取,或是在傳輸至支付伺服器的過程中遭攔截,後果將不堪設想。消費者對於將眼睛生物特徵暴露給隨身鏡頭的疑慮,也遠大於對指紋或臉部辨識的接受度。
這也是為什麼即便Apple在Vision Pro上推出了Optic ID(虹膜辨識),卻僅限於解鎖與應用內認證,並未開放給第三方支付系統——顯然是為了避免資安爭議。從商業生態來看,虹膜支付若要普及,需要銀行、支付平台、硬體製造商與電信業者多方協作。目前全球主要支付工具如Apple Pay、Google Pay、Samsung Pay均以Face ID或指紋為主力,虹膜支付的標準與基礎設施幾乎是空白。AI眼鏡的出貨量仍處於極早期階段,尚未形成足以支撐支付生態的裝機量,業者自然缺乏投入資源開發專屬支付介面的動機。
許多展會上的虹膜支付演示,其實只是工程樣機在理想環境下的單一操作,距離量產商用還非常遙遠。此外,使用者習慣也是一道無形的高牆。消費者已經習慣用手機掃碼或輕觸感應完成支付,流程簡潔明確。若要改用「看著眼鏡某個角度,等待辨識,再確認金額」,操作步驟反而更多,且無法在對方付款設備上直觀確認。對於講求效率的日常支付場景,這樣的流程顯然不夠順暢。部分廠商嘗試將虹膜支付與眼球追蹤結合,例如盯著螢幕上的按鈕即可確認,但這又涉及精確度與誤觸問題,短期內難以大規模部署。監管層面同樣模糊。許多國家對於生物特徵支付有嚴格的法規,虹膜資料屬於高敏感個資,收集與儲存必須符合GDPR、CCPA或台灣個資法要求。
AI眼鏡這類穿戴裝置的資料處理邊界尚在討論中,業者若貿然將虹膜支付上線,可能面臨合規風險。舉例來說,眼鏡廠商能否在未經使用者明確同意的情況下,持續掃描瞳孔以偵測支付意圖?這些法律灰色地帶需要監管機構一一釐清。儘管困難重重,虹膜支付並非全無前景。在一些高安全需求的場景,例如金融交易授權、門禁管制、醫療資料存取等,虹膜辨識的優勢依然明顯。AI眼鏡若能透過視線引導與環境感測器,打造無接觸、無手操作的安全認證,仍有特定市場空間。關鍵在於:支付僅是終極應用,而非入口。業者需要先讓AI眼鏡成為不可或缺的生活助手,讓使用者願意長時間佩戴,虹膜支付才有機會順勢成為自然的一環。
從目前市場節奏來看,2025年將是AI眼鏡決勝的關鍵年。Meta、Google、Apple乃至中國的小米、華為都陸續傳出新一代眼鏡產品的規劃。虹膜支付是否能在這一波硬體升級中真正脫離「展會demo」的標籤,取決於三個條件:硬體端的感測器與演算法能否克服光線與角度限制,軟體端能否建立安全的資料處理閉環,以及生態端能否獲得支付龍頭的支持。三者缺一不可。現階段,消費者仍不必期待很快就能用AI眼鏡「看一眼就付款」。但科技演進的軌跡往往非線性——當技術成熟度與使用者信任度達到臨界點,虹膜支付或許會像當年的指紋支付一樣,突然在特定產品上引爆。
只是在那之前,它仍只是廠商展示未來的華麗道具,等待真正的落地契機。
Related
相關文章

創意任務解決率95%,讓視覺AI自己練習,還能把經驗帶到視頻
在視覺AI領域,一項最新進展顯示,該技術在創意類任務中的解決率已達到95%。這項成果並非來自人工干預或反覆調參,而是透過讓AI自行積累與驗證有效的運作流程,逐步提升對複雜任務的處理能力。不僅如此,這種自我練習所獲得的經驗還能被順暢遷移至視頻領域,進一步拓展應用場景。 據了解,這套方法的核心在於讓AI在執行創意任務的過程中,自動記錄哪些工作流能帶來最佳成效,並反覆驗證其可靠性。

從技術炫技到交付為王,AI辦公“四強”並立
從技術炫技到交付為王,AI辦公「四強」並立 AI辦公賽道的敘事重心正在轉移。過去一段時間,外界評估這類產品時,最常被拿出來討論的是模型能力、生成速度與演示效果;如今,討論的重點逐漸轉向更務實的問題——產品究竟能不能被真正導入日常工作、能不能穩定地交付可用的結果。伴隨這個轉向,市場格局也從早期的多方競逐,收斂成「四強」並立的局面。 在生成式AI剛進入辦公場景時,技術展示幾乎是唯一的競爭語言。誰能在會議紀要、文件起草、資料整理、簡報生成這些場景裡做出更吸睛的效果,誰就更容易拿到關注。
影視颶風Tim稱「iPhoneDuo燙到握不住,可以煎雞蛋」;羅福莉直播小米大模型訓練,每小時燒掉超20萬元;曝瑪莎拉蒂與華為合作兩款新車
要聞提示1.影視颶風Tim稱“iPhoneDuo燙到握不住,可以煎雞蛋”,蘋果客服回應2.你會買嗎?曝瑪莎拉蒂已與華為敲定合作兩款新車:尊界工廠負責製造3.每小時“燒掉”超20萬元!“AI才女”羅福莉直播小米大模型訓練4.華為汪濤:昇騰960芯片將提前至2027年Q1發佈5.
微軟Anthropic爭擬人AI
微軟Anthropic爭擬人AI。 Reddit帖擬人AI爭辯梳理兩邊分歧。Suleyman稱模型只是補全器���。Anthropic認為不確定性要認真處理。產品設計會受影響。
Microsoft Open-Sources TauGrid: A Kubernetes-Native Stack for GPU AI Workloads
Platform teams running AI on Kubernetes rarely run one thing. They run a queueing system, a distributed runtime, GPU node health checks, dashboards, and a layer of submission scripts holding all of it together.