你不需要摄像头。你不需要可穿戴设备。你甚至不需要看到房间。
只要有 WiFi 信号，就能知道房间里有没有人、他们在做什么、甚至他们的心率和呼吸频率。
这不是科幻设定。这是一个在 GitHub 上拿到 63,537 星的开源项目：RuView（π RuView），由 ruvnet 开发，本周新增超过 7,600 星。
WiFi 是怎么变成传感器的？
原理说起来其实不复杂。
你的 WiFi 路由器每时每刻都在向空间发射无线电波。当有人走进房间、坐下、走动、甚至只是呼吸时，这些电波会被扰动——人体的存在会改变信号的传播路径和相位。
RuView 做的事情就是捕捉这些扰动，把它转换成可用的数据。具体来说，它利用的是 WiFi 的 CSI（Channel State Information，信道状态信息）——这是 802.11 协议中本来就存在的物理层数据，描述了信号在每一个子载波上的幅度和相位。
普通路由器不暴露 CSI，但 ESP32 芯片可以。RuView 用 ESP32 作为传感器节点（最低只要 9 美元一个），构建一个 mesh 网络来采集 CSI 数据，然后用脉冲神经网络（spiking neural network）在本地分析。
它能做什么？
存在和占用检测——穿墙检测是否有人、有多少人、进出记录 生命体征监测——非接触式呼吸频率和心率测量，睡觉或坐着都能测 活动识别——行走、坐下、手势、跌倒检测，从时序 CSI 模式中提取 环境映射——RF 指纹识别房间、检测家具移动、发现新物体 睡眠质量——夜间持续监测，睡眠阶段分类和呼吸暂停筛查
这些都不需要摄像头。不需要红外传感器。不需要穿戴设备。就是一个 9 美元的 ESP32 板子放在房间里。
技术架构的硬核之处
RuView 不是简单跑个脚本。它有一个相当完整的系统设计：
多频 mesh 扫描——跨 6 个 WiFi 信道扫描，甚至能利用邻居的路由器作为"免费雷达照射源"。这个思路很聪明——不需要自己发射信号，利用环境中已有的 WiFi 信号就行。
脉冲神经网络——不是传统的深度学习模型，而是脉冲神经网络（SNN），这种网络更接近生物神经元的运作方式，在边缘设备上运行效率极高。系统能在 30 秒内适应新环境。
加密认证——每个测量数据都通过 Ed25519 见证链进行加密认证，确保数据不被篡改。这对医疗和安防场景是必要的。
边缘计算——整个系统完全在边缘硬件上运行，不需要云端、不需要互联网。数据不出房间。
63,000 星——这数字太夸张了
63,537 星。这是什么量级？
GitHub 上，超过 60,000 星的项目通常是知名框架（如 Kubernetes、TensorFlow）或现象级工具。RuView 作为一个相对小众的物联网/AI 交叉项目，达到这个数字说明了一个趋势：人们对无摄像头感知技术的需求远超想象。
想想应用场景：
- 老人看护——不需要摄像头（保护隐私），但能检测跌倒、监测睡眠
- 智能建筑——自动检测房间占用情况，调节空调和照明
- 安防——穿墙检测入侵者
- 医疗——非接触式生命体征监测
- 睡眠研究——夜间持续监测呼吸和心率
这些场景中，"不需要摄像头"本身就是一个巨大的卖点。隐私敏感的用户和场景（卧室、养老院、医院）对无摄像头方案的需求是真实且迫切的。
诚实的局限
项目 README 对局限性的描述非常坦诚，这在 GitHub 项目中不常见：
ESP32-C3 和原版 ESP32 不支持——单核性能不够，跑不动 CSI DSP 处理。需要 ESP32-S3 或更新的型号。
单节点空间分辨率有限——建议至少用 2 个节点，或者搭配 Cognitum Seed（他们的硬件产品）使用效果最佳。
无摄像头姿态识别精度有限——目前 PCK@20 约 2.5%（用代理标签评估）。团队正在做摄像头监督训练，目标 35%+ 的 PCK@20，但数据收集和评估阶段仍在进行中，尚无公开发布的测量结果。
这些不是小问题。特别是姿态精度——2.5% 的 PCK@20 意味着在大多数场景下，仅靠 WiFi 信号做精确的人体姿态估计还不现实。但作为存在检测和粗略活动识别，已经够用了。
它和"智能家居"有什么关系？
目前的智能家居方案，检测人的方式要么是 PIR 传感器（只能检测移动，不能区分人和宠物），要么是摄像头（侵犯隐私），要么是毫米波雷达（成本高、功耗大）。
RuView 提供了一个新的选项：用已有的 WiFi 基础设施做感知。你不需要买额外的传感器——如果你已经有 ESP32 设备，甚至可以零成本部署。
这可能不是下一个消费级爆品，但在特定场景（养老、安防、医疗）里，它的价值是实实在在的。