Qwenの中国語スライドを解読: Alibabaのエージェントスマートグラスの内部

AlibabaのQwenは、2026年7月17日に上海で開幕した世界人工知能会議で、次世代ディスプレイ搭載スマートグラスを発表しました。そのコンセプトはもはや「AIグラス」ではなく、エージェントグラスです。Alibabaの主力マルチモーダルモデルであるQwenを搭載し、オンデマンドでサードパーティのスキルやエージェントを呼び出すデバイスです。ハードウェア仕様は積極的で、全二重オーディオ、高精度アイトラッキング、5ミリワットで動作する常時オンのカメラパス、3DoF空間ディスプレイ、さらに連続バイタルサイン用のPPGと温度センサーを備えています。

これは誰もやらなかった部分です。Qwenが示した技術スライドは完全に中国語で、ブロック図、モードラベル、モックUIバブルが満載されており、これまでの英語での報道はプレスサマリーを繰り返すだけでした。私たちはすべてのスライドに画像認識をかけ、ラベルを一つ一つ転写しました。その結果は、発表よりもはるかに具体的です。ウェイクアップ階層、オーディオパイプライン、プライバシーゲート、さらにはQwenがレンズ内にレンダリングすることを選んだ偽の通知まで読むことができます。

それが意味するもの: 1.7立方ミリメートル未満で100mW未満の消費電力のアイトラッキングモジュールは、アイウェアに機能が搭載されるか、ヘッドセットに留まるかを決定する種類の数字です。MetaのRay-Ban Displayにはアイトラッキングがまったくなく、まさにそれがカーソルを移動させるために手首にNeural Bandを必要とする理由です。オープンソース陣営のMentraも視線センサーを搭載しておらず、音声とスマートフォンのタッチに頼っています。GoogleとSamsungは、この問題のより難しいバージョンを抱えています。Android XRはすでに、電力と容積に余裕のあるヘッドセットであるProject Moohanで視線と手の入力を前提としていますが、Gentle MonsterとWarby Parkerと共同で製造されたGalaxyブランドのアイウェアにはどちらもありません。Qwenがこのサイズと電力で視線検出を本当に実現している場合、Alibabaは競合他社がリストバンドやスマートフォンのために費用を払い続ける一方で、重量に何もかからないポインターを手に入れます。

音声スタックから始めましょう。スライドのタイトルは「免唤醒连续对话的语音全双工架构」、つまり「ウェイクワードなしの連続会話のための全二重音声アーキテクチャ」で、サブタイトルには「精准抗干扰、动态判停、实时意图接管」とあり、正確な干渉除去、動的な発話終了検出、リアルタイムの意図引き継ぎを約束しています。左半分は「流式 AudioLLM 预训练」（ストリーミングAudioLLM事前学習）とラベル付けされており、音声エンコーダーがテキストトークンとともにアダプターをQwen LLMに供給します。右半分、「全双工后训练」（全二重後学習）が興味深い部分です。

その後学習パネルは、プレスリリースでは決して言及されなかった4つの状態分類器を公開しています。凡例を読むと、<0>は「噪声或者静音」、ノイズまたは沈黙を意味します。<1>は「有语音但无实际语义」、音声はあるが実際の意味はないことを意味します。<2>は「有语义但不完备，语音可打断信号」、意味はあるが不完全で、割り込み可能な信号であることを意味します。<3>は「语音语义完备，判停信号」、意味的に完全な発話で、停止信号であることを意味します。モック推論では、「那 北京 明天 的 天气 呢」というトークンが<1>、<1>、<2>、<2>、<2>、<3>とタグ付けされており、2つの連続した<2>タグが「打断」（割り込み）をトリガーし、<3>の後に<0>が続くことで「判停」（発話終了）をトリガーするという注釈が付けられています。Qwenがウェイクワードなしで重複した会話を実現し、ノイズの多い部屋での誤トリガーを90%削減すると主張しているのは、この仕組みによるものです。

それが意味するもの：ウェイクワードをなくすことは、最も価値のあるインタラクションの変化であり、Qwenはより良いトリガーワードではなく、トークンレベルでそれに挑んでいます。「ヘイ、Meta」というたびに、そのグラスはコンパニオンではなくリモートコントロールであることを思い出させ、Meta自身のライブ翻訳はいまだにターン制です。Googleは、Gemini Liveがすでにストリーミング可能で割り込み可能であるため、真に比較可能な資産を持つ唯一の競合他社ですが、それをSamsungのアイウェアに搭載することは、スマートフォンにはないバッテリーと熱の限界との戦いを意味します。Mentraはオープンであるため、最も安価なストリーミングモデルを接続し、開発者が割り込みを自分で調整できるようにするでしょう。4状態分類器は、誤トリガーに対する正直な答えでもあります。モデルが背景の雑談と、自分に向けられた未完成の文を区別できなければ、騒がしい通りで常時リスニングのグラスを主張することはできません。

マイクチェーンは独自のスライドに収められており、タイトルは「端云协同的全链路拾音架构」、つまり「エッジクラウド協調型フルチェーン音声ピックアップアーキテクチャ」であり、その目標は「缓解端侧算力依赖 提升翻译 / 听记准确率」、つまりデバイス側の計算への依存を減らし、翻訳と書き起こしの精度を向上させることです。「端侧链路」（エッジチェーン）は5マイクアレイ+1VPUを動かし、次に「回声消除」（エコーキャンセル）、次に「定向增强」（ビームフォーミング）、次に「编码」（エンコード）を実行します。マルチチャンネルオーディオは、「手机」（電話）を介して「云端链路」（クラウドチェーン）に伝送されます。そこでは、「解码」（デコード）、「丢包补偿」（パケット損失補償）、「增益控制」（ゲインコントロール）、そして最後に「大模型语音增强」（大規模モデル音声強化）が実行されます。製品写真には「骨传导麦克风」（骨伝導マイク）というキャプションが付いています。5つのマイクと骨伝導ピックアップは、Qwenが主張するように、このクラスで現在出荷されている中で最高のマイク構成です。

それが意味するもの: Alibabaは、デバイス上での計算だけでは不十分であることを認めており、音声強調をクラウドに押し進めています。これはMetaとは大きく異なる賭けです。Metaは、遅延とオフライン動作がそのセールスポイントの一部であり、生の室内音声をサーバーに送ることが欧州での規制上の問題となり、それが必要ないため、翻訳とキャプションをできるだけデバイスに近いところに置いています。SamsungとGoogleにとっては、同じアーキテクチャがより簡単であると同時に危険でもあります。Geminiはすでにクラウドにあるため簡単ですが、Galaxyグラスが初日からEUで販売されることになり、クラウドオーディオパイプラインはMetaが2年間費やしてきたデータ保護に関する問題を招く可能性があるため危険です。一方、Mentraの開発者は、ホストされている任意のモデルでコピーできるテンプレートを手に入れます。5つのマイクと骨伝導はここでの真の差別化要因であり、300ドル以下のカテゴリーでは誰も支払っていないハードウェアコストです。

アイトラッキングのスライドには、数字が隠されています。「高精度眼动追踪系统」パネルには4つの主張がリストされています。「高精度」で「识别偏差 < 1°」、つまり認識誤差が1度未満。「高鲁棒性」で「0-10万 Lux 全场景光照环境可用」、つまり0～10万ルクスの全光環境で利用可能。「低功耗」で「运行功耗 < 100mW」、「小体积」で「眼动模组 < 1.7mm³」、つまりアイトラッキングモジュールが1.7立方ミリメートル未満です。2番目のスライドでは、この機能が2つに分割されています。「眼动交互」（視線インタラクション）には「直觉化操控 视线即指令」（視線がコマンドである直感的な操作）というタグラインが付いており、「注视点识别」（注視点認識）は「实现对复杂环境中单一目标的“即时锁定”」（混雑したシーンで単一のオブジェクトを即座にロックオンする）を約束しています。

その2枚目のパネルには、デッキで唯一の実際のUIモックアップが含まれており、それは青と白の磁器の美術館のシーンです。ユーザーの吹き出しには「これは何？」と書かれており、グラスは「左前にあるのは...」と答えます。仕様書と合わせて読むと、その意図は明確です。視線がタッチパッドの代わりになり、注視点がビジョンモデルのクロップヒントとなるため、「これは何？」はもはや「フレーム全体を説明して」という意味ではありません。Alibabaは、Ant Groupと共同で構築された虹彩認証が同じ光パスに乗っているため、視線ハードウェアを決済にも活用しています。

それが意味するもの: 「これは何？」という問いは、グラスが「これ」が何であるかを知っている場合にのみ機能し、視線はその答えを得る最も安価な方法です。今日のMetaはフレーム全体に答えるため、その視覚的な応答は混雑したシーンでは一般的であり、Neural Bandが代替のポインティングデバイスとして存在する理由でもあります。Mentraも解決すべきセンサーがない同じフレーミング問題を抱えています。Googleは緊張すべきです。なぜなら、視線とマルチモーダルモデルは、誰もが覚えているGeminiのデモンストレーションそのものであり、Android XRのアイウェアが店頭に並ぶ前に、Alibabaがそれを顔に装着する可能性があるからです。Ant Groupの虹彩認証を同じ光学パスに追加すると、視線は入力方法ではなくなります。それは身元と決済のセンサーとなり、Metaはすぐに模倣できず、Samsungは地域ごとに銀行と交渉しなければならないビジネスです。

常時オンカメラはメインカメラではなく、そのスライドはそれを異例なほど明確に示しています。「端侧部署视觉识别模型」（オンデバイス視覚認識モデル）の下には「低功耗感知芯片 运行功耗 < 5mW」と記載されています。つまり、5mW未満の動作消費電力を持つ低消費電力認識チップです。「分级视觉唤醒机制」（階層的視覚ウェイクアップメカニズム）とラベル付けされたフローは、「高清摄像头」（HDカメラ）から「低功耗感知芯片」（低消費電力センシングチップ、制御/通信/OTA、画像認識、Jpeg/YUVエンコード、RAW処理を扱う）を経て「本地服务决策系统」（ローカルサービス決定システム）へと進みます。そこから分岐し、「AON 模式」はデバイス上で完全に「各场景主动服务」（シナリオごとのプロアクティブサービス）を導き、「高清模式」は「高性能计算芯片」を起動します。この分岐の後で初めて、「图片 / 隐私授权 / 用户上传」（画像、プライバシー認証、ユーザーアップロード）の行に到達し、その後「视觉记忆千问大模型」（Qwen視覚記憶モデル）と「千问 AIGC 大模型」に到達します。言い換えれば、同意ゲートはセンサーとチップの間ではなく、スマートフォンとクラウドの間に位置しています。

それが意味するもの: 部屋を一日中監視する5mWの知覚チップは、アシスタントをエージェントに変える機能であり、次のプライバシー論争を定義する機能でもあります。このスライドで同意ゲートがどこにあるかに注目してください。センサーとチップの間ではなく、スマートフォンとクラウドの間にあります。Metaは常時オンカメラパスを意図的に搭載しておらず、そのキャプチャLEDは、ニューヨーク州がすでに裁判所でのスマートグラスを禁止している市場での法的防御の一部となっています。GoogleとSamsungは、EUのAI法と自社の企業顧客によってその制約が何倍にもなり、したがって、非常に目立つハードウェアインジケーターなしで、継続的に監視するGalaxyペアは欧米では出荷がほぼ不可能です。Alibabaは中国で最初にそれを出荷し、行動データを収集し、競合他社が同意について議論する一方で、プロアクティブなサービスが実際にどのようなものかを学ぶことができます。

ディスプレイに関して、Qwenは現在のAIグラスを支配する頭部固定型パネルとの決別を告げています。3D「空间显示」スライドは、「3D 显示」と「3DoF 显示」に分かれています。「3D 显示」は「双显双光机」（デュアルディスプレイ、デュアル光学エンジン）、「双目视差渲染」（両眼視差レンダリング）、および「亚毫秒级硬同步」（サブミリ秒級ハードウェア同期）に基づいて構築されています。「3DoF 显示」は「实时精准头部追踪」（リアルタイム頭部トラッキング）、「双芯协同渲染」（デュアルチップ協調レンダリング）、および「帧率高至 90FPS」（最大90FPSのフレームレート）に基づいて構築されています。スクリーンは鼻に固定されるのではなく、部屋にアンカーされ、7.1バーチャルサラウンドオーディオが頭の姿勢をトラッキングするため、音源は物理的に配置されたままになります。

そのレンダリングにおけるモックカードも読む価値があります。なぜなら、それはローンチ時のユースケースを伝えているからです。7月17日の金曜日を示すカレンダータイル、AQI 21で空気優、晴れのち曇り22°/29°の天気タイル、「来自张三 下午4:00开会 会议室2」（張三から、午後4時に会議室2で会議）という通知、チャットスレッド「これは設計図です / 確認お願いします / 問題ありません」、そしてBeyondの《海阔天空》の歌詞が書かれた大きなフローティングパネルです。カレンダー、天気、仕事のIM、歌詞。これは生産性と日常のコンパニオンデバイスであり、ARゲームの提案ではありません。

それが意味するもの：これはMetaとの最も明確な隔たりです。Ray-Ban Displayは単眼で頭部固定型であり、鼻に固定された通知面ですが、Qwenは2つの光学エンジン、両眼視差、90FPSでの3DoF頭部トラッキングを記述しており、パネルを部屋にアンカーします。VitureとXREALはすでに3DoFを販売していますが、テザービューアーとしてであり、エージェントグラスとしては販売していません。Samsungにとっての賭けは直接的です。Geminiを搭載したGalaxyグラスはこれと比較して評価されるでしょうし、Android XRは、縮小されたヘッドセットUIではなく、アイウェア用の空間ウィンドウマネージャーを必要とします。Googleにとってはプラットフォームの問題です。なぜなら、フローティングパネルがどこに存在し、どのように追従し、許容される遅延が何かを定義する者が、アプリモデルを定義するからです。モックカードはターゲットとするユースケースも示しています。カレンダー、天気、仕事のチャット、歌詞です。ARゲームではなく、生産性と日常のコンパニオンです。

健康に関するスライド「用户体征实时监测系统」は、1平方センチメートルあたりのエンジニアリングの詳細が最も多いものです。エッジ側の列は、AON信号取得をET（アイトラッキング）、PPG、IMUに接続し、次に「滤波消噪」（フィルタリングとノイズ除去）、そして「多维度特征提取」（多次元特徴抽出）に接続します。NTCは「环温补偿」（周囲温度補償）を「红外测温」（赤外線温度測定）に接続します。アプリの列は「数据融合和统计」と「生理指标计算」を扱い、HRVと心拍数をクラウド側の列に渡し、そこでは「多模态生理压力算法」（マルチモーダル生理的ストレス）、「心率/血氧算法」（心拍数/血中酸素）、「多模态发热风险算法」（発熱リスク）が実行されます。下部のバナーには、Qwenが医療専門家と協力して「主任医师级」の「大模型」（「主任医師級」モデル）を構築したと書かれており、脚注には「本功能提供的健康信息仅供日常参考，不构成医疗建议」（この機能が提供する健康情報は日常の参考情報のみであり、医療アドバイスを構成するものではありません）と警告が記載されています。

健康に関するモックアップは、Qwenが本当に販売しようとしているインタラクションを示しています。ユーザーが「最近总觉得累，怎么回事呢？」（最近いつも疲れているのですが、どうしたのでしょうか？）と尋ねると、グラスは「今天久坐超过3小时，压力指数也比上周高20%，多户外活动有利于身心平衡」（今日は3時間以上座りっぱなしで、ストレス指数も先週より20%高くなっています。もっと屋外で活動することが心身のバランスに役立ちます）と答えます。3つのタイルは、「生理压力」（生理的ストレス）、「体征监测」（バイタルサインモニタリング）、「长期记忆」（長期記憶）という柱を示しています。最後のものはセンサーよりも重要です。なぜなら、ウェアラブルが質問に答えるのをやめ、あなたのプロフィールを保持し始めるのがそこだからです。

それが意味するもの: 健康はMetaが最も弱く、Samsungが最も強い側面です。MetaのOakleyとのスポーツラインは、パートナーを通じて活動と心拍数をカウントしており、Mentraにはセンサーの話が全くありません。そのため、ディスプレイペアにPPG、温度、視覚疲労パイプラインを搭載することで、AlibabaはMetaが規制上の理由で避けてきたカテゴリーに進出します。一方、Samsungはすでに時計、リング、Samsung Healthを所有しているため、HRVと疲労を読み取るグラスは、Alibabaがゼロから構築しなければならないエコシステムに組み込まれ、Googleがそれを解釈するモデルを提供することになります。Qwen自身の脚注にある注意点は、これは日常の参考情報であり、医療アドバイスではないということです。「主任医師級」モデルはマーケティング上の主張であり、認可ではありません。欧州や米国で疲労検出を販売しようとする者は、スライド以上のものが必要になるでしょう。

私たちの見解: 全体として見ると、このデッキは、AIグラスにおけるボトルネックがもはやモデルではなく、その周りのセンサーと電力バジェットであるという賭けです。各スライドは、フレームが負担できる電力コストで常時オンの認識能力を獲得しようとする試みです。アンビエントビジョンに5mW、視線に100mW未満、1.7mm³のアイモジュール、重い処理はクラウドオフロードです。Metaは有料アシスタントと独自のシリコンロードマップで同じ戦いを繰り広げ、SamsungはGalaxyエコシステムに依存しています。Alibabaの差別化要因は、エージェントがすでに独自のスーパーアプリ経済内で配車、配達、チケット購入、決済にアクセスできることです。これは、欧米のプラットフォームに欠けているまさにそのインフラです。

2つの注意点。ここにあるすべての数字はQwen自身のもの（Qwenの条件下で測定）であり、誤トリガーの90%削減や1度未満の視線精度も含まれ、まだ独立したテストはされていません。そして、タイムラインは分割されています。新しいハードウェアは今年後半に旗艦エージェントグラスモデルに搭載されますが、すでに販売されているQwen S1とG1は、アイトラッキング、5mWビジョンチップ、3DoFディスプレイなしで、OTAアップデートを通じてエージェントソフトウェアレイヤーを受け取ります。

Smart Glasses Dailyでは、すべてのモデル、仕様、リリース日をスマートグラスのベンチマークで追跡しており、QwenシリーズはMeta、Samsung、XREAL、Rokidなどとともにそこに掲載されています。

Source: Alibaba Group ↗