跳到主要內容

Meta Ray-Ban Display 智慧眼鏡：製造業流程的數位化契機

AI 的互動我們都一直覺得最好的呈現方式並不是以 Chat 聊天的方式來呈現，應該有更直覺的方式來呈現，更直覺來進行互動。

2025 年 9 月，Meta 正式發表了 Ray-Ban Display 智慧眼鏡，這是第一款在消費級眼鏡中導入單眼顯示螢幕的產品。它結合顯示器、相機、麥克風、揚聲器，以及透過 Neural Band 進行的手勢控制，讓「顯示 + 記錄 + AI 輔助」成為可能。雖然初期以消費市場為主，但這項技術的誕生，也讓製造業與驗收流程的數位化出現新的契機。

科技規格帶來的新可能

Ray-Ban Display 智慧眼鏡重量僅約 69 公克，內建 600×600 像素全彩顯示器，亮度最高可達 5,000 尼特，即使在工廠強光環境下仍能清晰呈現。鏡片內的顯示器可以即時展示檢查清單、SOP 流程與規格圖，讓檢驗人員在不翻閱紙本、不手持平板的情況下完成作業。

內建 12MP 相機可進行拍照、錄影，並透過雲端即時回傳，減少紀錄誤差。搭配 Neural Band，使用者可用手勢操作選單或確認步驟，雙手保持自由，安全性大幅提升。續航方面，眼鏡本體約 6 小時，搭配充電盒可延長至 30 小時，足以支援一整天的檢驗任務。

驗收與品質管理的應用場景

  1. 即時檢查與視覺導引 驗收人員可直接在眼鏡顯示器上看到檢驗清單，逐步完成尺寸、顏色、批號檢查，減少翻找文件的時間。

  2. 數據收集與追溯 相機拍攝的異常照片與檢驗數據能即時上傳雲端，每批產品的驗收歷程自動紀錄，提升追溯能力。

  3. 遠端協作與指導 遇到疑難狀況，現場人員可即時將視角直播給遠端專家，雙方同步看到現場畫面與鏡面顯示，快速獲得解決方案。

  4. AI 輔助判斷 透過 AI 分析鏡頭影像，眼鏡能辨識零件型號、條碼資訊，甚至比對 CAD 圖紙，降低人為誤判風險。

目前導入的挑戰

雖然 Ray-Ban Display 為驗收流程帶來顯著助益，但要全面落地仍有幾項挑戰：

  • 續航限制：單機 6 小時續航對於長班制不一定足夠，需要充電規劃。
  • 耐用性疑慮：目前尚未完全符合工業級防塵、防水與抗震規範，需測試其在高溫、油污環境下的穩定性。
  • 顯示視野：單眼顯示的範圍有限，對於需要全景比對的檢查情境，可能存在不足。
  • 成本考量：售價近 800 美元，若要大規模部署，需要仔細評估投資報酬率。

結語

Meta Ray-Ban Display 智慧眼鏡不只是消費市場的新潮配件，更是企業數位轉型的潛在工具。它在顯示、拍照、AI 輔助與遠端協作上的能力，與製造業的品質管理、驗收流程高度契合。未來，若能解決續航、耐用性與成本問題，這類產品將有機會成為工廠現場的標準配備，推動製造業邁向更高效、安全與數位化的未來。

雖然這次 Demo 出了些問題，回到這項目對於製造的確有新的契機以及新的可能性，對於許多以往無法想像的流程輔助，甚至是對於機器與人工之間的互動有了新的詮釋介面，讓我們對於未來的製造流程會有許多想像空間。


留言

張貼留言

這個網誌中的熱門文章

Vibe Coding：為什麼 Junior 更快上手？Senior 要如何追趕？

現象層面（市場觀察） 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變，非常熱門。 身為 Cympack 產品開發團隊 ，我們也一直關注這個議題，在閱讀這篇文章時觀察到一些有趣的現象，對我們來說，這正好反映出 AI 正在改變開發生態，junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位，其中有些啟發（insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding？ 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」，反而 embrace 快速迭代、快速出成果 反觀 Senior： 熟悉大型系統設計 有豐富的「工程正統流程」知識（架構設計、測試策略、效能優化、設計模式） 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師，對 prompt engineering 沒那麼熟練，還在觀望 技能面（未來的關鍵能力） Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢？ Prompt 撰寫 / AI 互動 Junior 較強（熟悉 chat-based 流程） 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強（能看出潛在問題） 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding，並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力，但若不主動練習 vibe coding，長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享，希望帶給各位的感受， 『與 AI 協...
張貼留言
繼續閱讀>>

Vibe Coding 協作到自建 Dev Agent？從 Claude / Codex 到 OpenHands

過去一年，越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題，到後來很多人愛上 Cursor，直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗，已經大大改變了我們寫程式的方式。 更現實的是，在很多企業內部、政府單位、或涉及機密資料的專案裡， 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理，萬一專案裡有未公開的技術、敏感客戶資料，或是受限於法規 （像金融、醫療、政府標案） ，直接用雲端 AI 工具就會踩 紅線 。  因此，許多團隊反而更希望 「自己架一套 Dev Agent」 ，可以在內網執行，資料完全掌握在自己手上，該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline，全部客製化、安全可控。 這時候，像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手，而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署，從 CLI 操作到瀏覽器查詢， 從多檔案編輯到自動測試，全部都能自己完成，甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說，這是一條 從 「AI 幫你寫一段程式」，走向「AI 幫你解決一整個任務」 的進化路徑。而且，還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」，能模仿人類工程師從建立程式、修改程式碼、執行指令，到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端（OpenHands Cloud）與本地 Docker 運行版本，用戶能配置 LLM（如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用，又或者如果自己本機有 docker 的話，可以自己Local 版本透過 Docker 自架環境。 ...
張貼留言
繼續閱讀>>

RAG 和 Prompt 原理超簡單解說！想知道 AI 怎麼找答案看這篇

這篇文章是給對於你已經開始使用所謂的 ChatGPT / Claude / Gemini 之類的 AI 服務，甚至是 Siri (嘿丟，他也是一種 AI 應用服務喔） 簡單來說是非 技術人員， PM，小白，想要趕快惡補的人 ，直接花十分鐘可以看完的一篇科普業配文章。 或者是概念僅止於，AI 這東西會幻想，會有誤差，會對於生活有些幫助但沒有幫助的人們，做個簡單又不是太簡單的介紹，希望用一個非常入門的方式讓你們有個了解。 當然，這篇文章目的很簡單， 就是引流 ，如果你身邊有已經對於 Web 技術開發的人員，歡迎報名分享給他，年末出國不如學一技在身，參加今年我們舉辦最後一場 RAG 實作工作坊，報名連結 ， https://exma.kktix.cc/events/ai-for-dev-course-rag-2 注意： 接下來每個大段落結束都會有一段工商導入，但文章絕對精彩，請注意！ 為了讓各位容易想像，我們將整個世界的資訊，先濃縮到這本『西遊記』的世界觀當中，我們整個世界都在這個 『西遊記』 ，而 大型語言模型 我們用 『書精靈』 來描述。 PS. 我們先預設各位，應該都有聽過，西遊記！如果沒有聽過西遊記的，請右轉出去，謝謝！ 先來談談向量 在《西遊記》的世界裡，我們可以把 向量想像成一種「內容座標」 ，讓系統知道每個角色、場景、法術等的 「位置」和「距離」 。向量幫助語言模型知道不同內容之間的關聯程度。 向量就像內容的「距離」和「位置」 比方說，唐三藏的 「位置」（向量）會接近「佛經」和「取經」 的概念，因為他一路上都是為了取經而前進。孫悟空的 向量位置則會更靠近「金箍棒」和「七十二變」 這些概念，因為這些是他的特徵。 相似內容靠得更近：像「佛經」和「取經」會靠近唐三藏的向量，因為它們彼此有很強的關聯。 相差較大內容會離得較遠：像「取經」和「妖怪」「妖怪的寶藏」就距離比較遠，因為妖怪的寶藏和取經的目標關聯性不大。 是誰決定的這些位置？ 簡單來說，這些位置和關係是模型自己學出來的。語言模型會閱讀大量的資料和這世界觀的資訊，觀察哪些詞語經常一起出現，根據「共同出現的頻率」來決定它們的關係，並且自動生成向量。例如： 如果模型看到 「唐三藏」 總是和 「取經」 一起出現，它就會讓「唐三藏」的向量靠近「取經」。 ...
2 則留言
繼續閱讀>>