那些改变你日常的人机交互技术，不止大模型的聊天框

你每天都在用，却根本没注意到的隐形交互

早上醒来摸手机解锁。脸对着屏幕就开了。这就是人机交互技术啊。很多人觉得这就是个普通功能，哪里算什么前沿技术？不对，最早的人脸识别解锁，那交互逻辑是你必须把脸对准屏幕框，站定等个一两秒，现在呢？你刚拿起来，还没停稳就开了，这背后是交互逻辑的更新，不是算法参数涨了那么简单。

你现在用的输入法，打一半就给你出整句，甚至能接上你上一秒想说的话，这不也是人机交互技术？原来的输入法联想只看你当前打了什么字，现在能结合你过去十分钟的聊天内容，猜你接下来想打什么，本质就是把人的表达习惯揉进了机器的输出逻辑里。

说实话我之前参加过一个人机交互的小型闭门沙龙，有个浙大的年轻博士说，现在行业最大的误区就是，把人机交互等同于“做UI界面”。不对，交互的核心是让机器准确读懂人的真实意图，不是画个好看的按钮做个渐变色就完事。

比如你开车的时候用车载导航，随口说一句“我有点冷”，导航直接联动车机调低了空调温度，不需要你一字一句说“打开空调调低两度”，这就是交互的进步。从原来的“必须说对指令机器才动”，变成现在“机器能get你随口说的需求”，这中间差了十年的技术迭代。

大模型带火的新一代交互，到底坑在哪

这两年大模型火了，所有人都在喊自然语言交互就是人机交互的最终形态。我之前踩过坑，试用过三个不同品牌的全语音交互智能家居，体验真的一言难尽。你说“打开客厅的主灯”，它给你打开餐厅的筒灯。你说“调暗一点”，它直接给你把全屋灯都关了。

不是语音识别不准，是交互逻辑从根上错了。原来的交互是“你触发一步，机器做一步”，边界很清楚。现在很多做自然交互的团队，为了炫技，让机器全程监听所有声音，什么话都要理解一遍，结果呢？你刚和朋友聊到昨天吃的火锅，它突然跳出来说“找到三家附近的火锅店”，这不捣乱吗？

不过话说回来，今年上半年卡内基梅隆大学发布的那篇动态意图锚定交互的成果，确实解决了不少行业痛点。它不是全程盯着你的每一句话，它会先通过多模态信号判断，你这句话是不是说给机器的，只有明确触发了交互意图，它才启动处理。我去年看过原型演示，准确率比之前的无锚定交互高了38%，真的挺惊喜。

很多人以为人机交互就是拼大模型参数，参数越大交互越好，哪有这么简单。人跟人说话还要看场景看语气看关系呢，机器凭啥就能啥都懂？核心就是要给交互划好边界，哪些该管哪些不该管，这才是现在顶尖科研团队在啃的硬骨头，不是堆参数就能解决的。

未来三五年，人机交互会落地到哪些地方

最近我关注到国内手机厂商做的微动作空气手势交互，不是早几年那种要你举着胳膊挥半天的噱头产品，现在它能捕捉你毫米级的手指动作，还能过滤掉无意识手抖带来的误触，你在空气中点一下滑一下，就能翻照片切歌接电话，我体验过一次，真的惊艳。

想想看，当你手上沾了面粉正在做面包，或者刚从菜市场出来拎着满手菜，想切个歌接个电话，不需要擦手放袋子，隔空动一下手指就搞定，这个场景不香吗？原来很多人觉得空气手势没用，那是之前的技术没做到位，交互逻辑错了，现在做对了，一下子就实用了。

还有很少被普通大众关注的多通道融合交互，什么意思？就是机器同时收集你的语音、手势、眼神甚至微表情，把这些信息拼起来，猜你真正想要什么。比如你站在冰箱前面，皱着眉随口说一句“没东西吃了”，机器不会傻愣愣给你搜“没东西吃了怎么办”，它看到你盯着冰箱，又有皱眉的负面情绪，直接给你弹出附近超市的半小时配送界面，这才是真的懂人。

现在很多厂商就喜欢搞噱头，什么元宇宙全身交互，什么脑机接口打游戏，大部分日常场景根本用不上。你在家躺沙发上看个电影，还要穿上动捕服站着互动？疯了吧。

好的人机交互，从来都是让人感觉不到技术的存在。你想做什么，自然而然就做成了，根本不需要你费脑子想“我该怎么给机器说清楚我的指令”。就像你现在用的电容触摸屏，你根本不会天天想着“我在用人机交互技术”，你只知道我点一下就能打开app，滑动就能翻页，这就对了。

再过十年回头看，现在我们天天对着打字聊天的大模型聊天框，肯定会像我们今天看十年前的按键功能机一样，觉得原始得不可思议。交互技术的每一点进步，最后都会变成我们习以为常的日常，润物细无声，这才是它最厉害的地方。