眼动追踪技术在昂贵的专业硬件中待了三十年。现在它已经能在普通的网络摄像头上运行,而且网上有一个页面,任何人都可以在大约九十秒内测试它。
观察任何人使用电脑,同样的延迟会一遍又一遍地出现,每小时上百次。他们先看向按钮,然后再把鼠标移到按钮上。眼睛总是先到,每一次都是如此,然后再等手追上来。更大的点击目标、键盘快捷键、自动补全、手势:大量界面设计的存在,都是为了弥补指针比握着它的人更慢这一事实。
在大部分计算机历史中,没有别的选择。想知道一个人看向哪里,需要专用设备配红外照明器,价格高达数千,还要在受控环境中才能保持精度。瑞典公司 Tobii 在这一领域占据主导,并在此基础上建立了严肃的业务。对于那些因 ALS 或脊柱损伤而只能通过注视屏幕上的字母来“说话”的人来说,这种硬件改变了人生。但它同样被采购单所门控。
这道门正从两个方向被拆掉。自上而下,是平台:Apple 在 iPhone 和 iPad 上把眼动追踪作为标准辅助功能推出,只用前置摄像头;而 Vision Pro 则把凝视变成指针,把捏合变成点击。自下而上,是开源技术栈:几年前还只是研究项目的人脸追踪模型,如今已经能在浏览器标签页中以摄像头帧率运行,而且是免费的。
目录
演示
这正是卢加诺登场的地方。当地的软件工作室 Mont3 把一个可用的示例放到了线上。页面会请求摄像头权限,引导访问者花大约一分钟时间跟着屏幕上的小点做校准,然后就会有一个标记开始追踪他们的视线。页面附带两个小游戏:在一个游戏里,你通过眨眼来消灭你正在看的小虫子;在另一个贪吃蛇变体中,你通过看向想去的方向来操控移动。无需安装、无需账号、无需上传:摄像头画面始终留在访问者的机器上,模型在浏览器中训练并存储,关闭标签页就结束一切。

校准进行中。绿色圆环是要求用户注视的目标,蓝色标记是页面认为他们正在看的位置,右侧的条带是正在读取的虹膜追踪。致谢:Mont3
工作原理
最直观的做法,是把摄像头画面输入模型,询问这个人正在看哪里。只要头不倾斜,它的表现就相当惊人;一旦头部倾斜,它就会崩溃,因为模型学到的其实是一种姿势。
所以图像几乎立刻就被丢弃了。Google 的 MediaPipe FaceLandmarker 是一个在本地设备上运行的开源人脸网格,每帧返回 478 个点,包括围绕每只虹膜的一圈点,而这套虹膜追踪本身就是一项已发表的研究成果。最终只保留大约十几个数值:每只虹膜在各自眼眶中的位置,头部的偏航、俯仰和滚转角,以及用作观看距离代理的双眼间距。
这就是在真实用户面前依然有效的诀窍:在眼睛内部测量的虹膜位置,会抵消脸在画面中出现的具体位置,因此向后靠在椅子上不再会破坏估计结果。

从人脸关键点到屏幕上的一个点。致谢:Mont3
一个 HTML 文件
值得精确说明一下实现它的成本,因为这正是发生变化的部分。这个页面只是一个 HTML 文件:大约 1,100 行,51 KB,一个 script 标签,没有框架,没有构建步骤,没有服务器,没有 npm install。纯 JavaScript,运行在读者已经打开的任意浏览器中。唯一的外部依赖是 Google 的人脸网格,通过公共 CDN 一行代码引入。最后的回归部分是 65 项手写线性代数,以闭式形式求解,完全没有用到任何机器学习库。
一位熟练开发者可以在一个周末内复现它。十五年前,要得到同样的结果,需要一个有资金支持的研究项目和一笔硬件预算。
它到底有多准
经过校准后,基于网络摄像头的凝视定位误差大约在 2 到 4 度之间。在笔记本电脑的典型观看距离上,这相当于一枚大硬币到一张信用卡的大小:在 4×4 网格这种分区级别上是可靠的。它不是一个光标,任何在消费级硬件上声称相反的人都在兜售什么东西。
这个上限比听起来更有意思。很多界面并不需要像素级精度:哪六个卡片中哪一个吸引了你的注意,你是否读完了一个段落,你是否仍然坐在屏幕前。辅助技术几十年来一直使用的停留选择(dwell selection)技术,在分区精度下完全可用。
接下来会怎样
这就是一项技术走出围栏时的样子。一种能力在昂贵硬件中待上多年,为那些离不开它的人服务,直到感知能力足够好,可以用商品化零件实现,而模型也走向开源。最先受益的,仍然是那些一直需要它的人:对他们来说,从一台价值数千的设备到一页不花钱的网页,这个差距就是能否开口说话的差距。接下来则更为日常:界面开始注意注意力去了哪里,不再要求双手来解释它。
九十秒和一个浏览器就足以看到我们已经走到了哪一步,地址是 mont3.ch/control_with_eyes。使用 Chrome,即便脸上光线不强,头部离屏幕一臂距离也没问题。
给编辑的说明
- 字数:838 词(仅正文,不含标题、导语、图片说明和本说明块)。
- 定位:一篇讨论眼控技术走向的文章,以卢加诺的演示作为读者可以亲自验证的实例。公司名称在正文中出现一次,在结尾的 URL 中出现一次。没有指向其商业页面的链接,没有引用其发言,唯一的第一人称复数是编辑性“我们”。
- 署名:刻意留空。
- 图片:两张,均由工作室提供,不涉及第三方版权。图片 1 是页面使用中的截图,由作者拍摄。图片 2 是为本文专门制作的原创示意图。署名行为“致谢:Mont3”,如符合刊物风格,也可删去或移至文末单独一行。
- 使用的外部链接:Tobii、Apple Newsroom、Google MediaPipe 文档、arXiv。撰稿时均已检查并可正常访问。
- 该演示需要摄像头,在 Chrome 中效果最佳。未经明确授权不会执行任何操作,也不会上传任何内容。




