先说点实在的，眼球追踪不是靠啥超高级的算法把瞳孔收拢再计算出来的，它本质上就是一场“贼喊捉贼”的游戏，但玩的是人眼。当你盯着某个点，眼会自然地把焦点锁死在那里，哪怕大脑想去别处，眼皮也会像上了锁的闸门一样硬生生挡住视线。

这就像你在电视上追一个节目，手在旁边乱拍，但眼死死钉在屏幕上，如何甩都甩不掉。 这就把难题简化成了个物理难题：人眼像个有弹性的橡胶圈，瞳孔是个能扩张收缩的阀门。当你的视线看向目标时，肌肉立马收缩，把眼内外的压力差压成负值，让眼球内部的气体被压向后方，眼白变大；反过来，看别处时，肌肉舒张，眼内气体回流，眼白缩小。

这就形成了一个粗犷的“负向透视”效果，让物体在视网膜上成像得比真大一些。 至于如何知道知道它看向哪了？实际上全靠脑干那块“神经高速公路”。你不用管它看啥，它只管“看”这个。当物体进入视野边缘，视网膜上的感光细胞就发神经信号，传到大脑的初级视觉皮层。但这还不是终点，大脑还得把这些信号转发给管住眼球运动的“眼球运动区”，那里有专门负责盯着屏幕的肌肉群。

只要这个指令给出去，眼球就会旋转。

这就好比你心里有个开关，只要意识到“我要看那边”，那边的肌肉就得动，哪怕那里是一片漆黑，要么有一堆不清楚的乱码，肌肉照样会转那会儿。 多个物体都在盯着同一个屏幕上的点，这时候会形成啥有趣的事。出于每个人的“看准度”不一样，有人能直接锁死，有人得眯起眼半天，还有人得把两只眼拨来拨去找焦点。

这时候，左眼的肌肉和右眼的肌肉就要配合，两只眼球要像两团棉花一样互相挤占空间，才能让同一个点与此同时成像。原理上，人眼有两只，每次都能独立追踪一个点，但在同一个屏幕上，两只眼都务必指向那个坐标。

要是那只没跟上来的眼慢了半拍，要么被其他物体抢占了视线，大脑就会把这个点看作“不存有”，然后去追踪下一个目标。

这就造成了你有时候认定看不到东西，明明屏幕在那儿，你却半天没反应。 这就涉及到一个挺关键的概念叫“中心盲点”。当你盯着屏幕中间某个大字的时候，你的两只眼实际上都在盯着那个字，但你的视野左侧有一个盲区。

要是屏幕左边有个黑影，要么你的手指头在画的轨迹上划了一下，这个黑影和手指头之间就形成了一个“洞”。大脑为了不让这个洞影响对中间大字的追踪，就会把注意力强行拉到屏幕上去了。

这就好比你在看电影，中间正演着主角，你本来在看主角的脸，结局手指头戳了一下屏幕边缘，你可能就会下意识地抬头看那个黑影，结局错过了主角的脸。

这在电脑屏幕上特别常见，出于我们一般习惯看屏幕中央的那个头像，而忽略了屏幕四周边缘的那些临时任务，比如加载进度条、弹出窗口要么鼠标光标。 再说数据，现代显示器分辨率越来越高，像素越来越多。

那会儿视网膜上的一个像素可能代表全屏幕的一小块区域，目前像素密了，单个像素代表的面积变小了。

这就带来了一个新的难题：当用户盯着屏幕角落极小的图标时，眼球肌肉挺难把那一点点面积拉得充足大，去匹配视网膜上那个微缩的像素点。

这就害得你的追踪效率下降，有时候需求眯起眼，有时候需求把两只眼轮流拨动。 为了验证这个原理，科学家做过个好玩的小实验。他们让测试者盯着屏幕中心的一个大号数字，然后快速扫过屏幕上的不同区域。你会发现，当测试者扫视到边缘区域时，追踪回中心的速度明显变慢，并且好办出错。出于边缘区域的信息密度和中心不同，大脑得花更多力气去“翻译”那些稀疏的信号。

这说明眼球追踪不是自动的，它高度依赖大脑的主动干预。 最终说句大实话，目前的虚拟现实和游戏技术，实际上都在玩这套“眼球追踪”的原理。VR 头显通过电机转动眼球，让图像瞬间对齐；游戏里的瞄准镜也是先让眼聚焦点后再让鼠标移动。

本质上，这都是利用了眼“主动追踪”的特性，把复杂的动作分解成“看准了再说”的流程。别看听起来挺绕，但核心逻辑没变：就是把眼球当成一个独立的追踪器，配合大脑的指令，让物体在视网膜上成像得恰到益处。

只要把这个流程理顺了，你就能用更低的成本让物体实时出目前你的视线里了。