許多人認為，自然語言處理和對話界面將徹底改變我們與計算機的互動方式，甚至成為未來人機交互的終極形態(tài)。然而，本文將深入探討對話式交互是否真的能夠成為AI交互的終極答案。

人機交互方式，被認為是AI時代最重要的變化之一。

在這個交互革命的故事里，以對話為代表的自然語言被認為將取代傳統(tǒng)GUI（圖形界面）的交互方式。原因看上去很簡單，因為對話更接近于人類現(xiàn)實世界的溝通方式。

但并不是所有人都這么認為的。不久前，國外一位名叫Julian Lehr的作者，就寫了一篇《反對對話式界面（LUI）的理由》文章。

在這篇文章里，作者從數(shù)據(jù)傳輸?shù)囊暯牵敿氷U述了分析人機交互方式的邏輯，最終得出結(jié)論：語音這種新的交互形態(tài)更多是現(xiàn)有交互形式的補充，并不能完全取代GUI交互。

01 自然語言的第N次革命

每隔幾年，就會出現(xiàn)一個耀眼的人工智能新進展，科技界人士就會大呼“就是它了！下一個計算范式來了！以后我們只會用自然語言了！”。

但之后一切實際上都沒發(fā)生改變，我們?nèi)匀幌褚郧耙粯邮褂糜嬎銠C，直到幾年后這場爭論再次浮出水面。

我們已經(jīng)經(jīng)歷過幾次這樣的周期：虛擬助手（Siri）、智能揚聲器（Alexa、Google Home）、聊天機器人（“對話商務(wù)”）、AirPods即平臺，以及最近的大型語言模型。

不知道為什么大家都會對對話很癡迷?；蛟S是人們看到“自然語言”這個詞，就會想：“好吧，如果它是自然的，那它一定是合乎邏輯的最終狀態(tài)?！?/p>

但我告訴你，事實并非如此。

02 自然語言，一種數(shù)據(jù)傳輸機制

當(dāng)人們說“自然語言”時，他們指的是書面或口頭交流。自然語言是人類之間交換思想和知識的一種方式。換句話說，它是一種數(shù)據(jù)傳輸機制。

在數(shù)據(jù)傳輸機制里，有兩個關(guān)鍵因素：速度和損耗。

速度決定了數(shù)據(jù)從發(fā)送方傳輸?shù)浇邮辗降乃俣?，而損耗則是指數(shù)據(jù)傳輸?shù)臏蚀_性。理想情況下，數(shù)據(jù)傳輸能以最高速度（即時）和完美保真度（無損）進行，但這兩個屬性通常需要權(quán)衡。

那么，自然語言在速度上表現(xiàn)如何呢？

需要指出的是，這些數(shù)據(jù)點只是非常簡化的平均值。這張表格中重要的部分并非單個數(shù)字的準確性，而是整體模式：我們接收數(shù)據(jù)（閱讀、聆聽 ）的速度明顯快于發(fā)送數(shù)據(jù)（寫作、說話）。這就是為什么我們可以以2倍速收聽播客，但不能以2倍速錄制。

為了更好地理解書寫和說話的速度，我們以每分鐘1000-3000個單詞的速度形成思維。自然語言雖然很自然，但它卻是一個瓶頸。

然而，想想你與他人的日常互動，你會發(fā)現(xiàn)大多數(shù)交流都感覺非?？旖莞咝А＿@是因為自然語言只是我們眾多可用的數(shù)據(jù)傳輸機制之一。

比如，與其說“我覺得你剛才說的主意很棒”，我不如直接豎起大拇指，或者點點頭，或者干脆笑一笑。

手勢和面部表情實際上是一種數(shù)據(jù)壓縮技術(shù)。它們以更緊湊但損耗更大的形式對信息進行編碼，以便更快、更方便地傳輸。

自然語言非常適合需要高保真度的數(shù)據(jù)傳輸（或作為異步通信的數(shù)據(jù)存儲機制），但只要有可能，我們就會切換到其他更快捷、更省力的溝通方式。因為速度和便捷永遠信息交互中，最重要的事情。

我最喜歡的真正輕松溝通的例子，是我對祖父母的記憶。在早餐桌上，我的祖母從來不用開口要黃油——我的祖父似乎總是會下意識地把黃油遞給她，因為結(jié)婚五十多年后，他能感覺到祖母要黃油了，他們就像心靈感應(yīng)一樣。

這就是我想要與我的計算機建立的關(guān)系類型。

03 為什么對話不是最佳答案？

與人與人之間的交流類似，人與計算機之間也存在不同的數(shù)據(jù)傳輸機制來交換信息。在計算機發(fā)展的早期，用戶通過命令行與計算機交互。這些基于文本的命令實際上是一種自然語言界面，但需要精確的語法和對系統(tǒng)的深入理解。

GUI（圖形用戶界面）的引入主要解決了一個發(fā)現(xiàn)問題：無需記住確切的文本命令，現(xiàn)在可以通過菜單和按鈕等可視化元素導(dǎo)航和執(zhí)行任務(wù)。這不僅讓操作變得更容易，也更加便捷：點擊按鈕比輸入長文本命令更快。

今天，我們生活在一個將圖形界面與基于鍵盤的命令相結(jié)合的生產(chǎn)力平衡中。

我們?nèi)匀皇褂檬髽?biāo)來導(dǎo)航并告訴計算機下一步做什么，但日常操作通常以快速鍵盤按下的形式來傳達：? b將文本格式化為粗體，? t打開新選項卡，? c / v快速將內(nèi)容從一個地方復(fù)制到另一個地方，等等。

然而，這些快捷方式并非自然語言。它們是另一種形式的數(shù)據(jù)壓縮。就像豎起大拇指或點頭一樣，它們幫助我們更快地溝通。

現(xiàn)代生產(chǎn)力工具將這些數(shù)據(jù)壓縮快捷方式提升到了一個新的高度。在Linear、Raycast或Superhuman等工具中，每個命令都只需按一下鍵即可完成。

一旦建立了肌肉記憶，數(shù)據(jù)輸入就會變得毫不費力。這幾乎就像在早餐桌上有人遞上黃油，而無需開口索要一樣。

觸控界面被認為是人機交互進化史上的第三個關(guān)鍵里程碑，但它一直以來都更多地是對桌面計算的增強，而非替代。智能手機非常適合“遠離鍵盤”的工作流程，但重要的生產(chǎn)力工作仍然在桌面上進行。

這是因為文本并非移動設(shè)備原生的輸入機制。

實體鍵盤感覺就像身心自然延伸，但在手機上打字總是有點不方便——這體現(xiàn)在數(shù)據(jù)傳輸速度上：移動設(shè)備上的平均打字速度僅為每分鐘36個字，明顯低于桌面設(shè)備上每分鐘約60個字的速度。

我們已經(jīng)能夠用移動設(shè)備專用的數(shù)據(jù)壓縮算法（例如表情符號或Snapchat自拍）取代自然語言，但我們從未找到過與鍵盤快捷鍵相當(dāng)?shù)囊苿佣藨?yīng)用。

想想看，為什么iPhone推出近20年后，我們?nèi)匀粵]有一款真正以移動為先的生產(chǎn)力應(yīng)用？

你可以會說，語音為什么不會取代文本？

從數(shù)據(jù)上看，語音信息的使用量正在增加。

雖然說話（每分鐘150字）確實比打字（每分鐘60字）傳輸數(shù)據(jù)更快，但這并不意味著它就是一種更好的與計算機交互的方式。

過去我們總認為，Alexa或Siri這樣的語音界面之所以失敗，是因為AI不夠智能。但這只是故事的一半。

交互的核心問題從來不是輸出功能的質(zhì)量，而是輸入功能的不便：

像“嘿，谷歌，今天舊金山的天氣怎么樣？”這樣的自然語言提示，比直接點擊主屏幕上的天氣應(yīng)用要花10倍的時間。

大模型（LLM）并不能解決這個問題。它們的輸出質(zhì)量正在以驚人的速度提升，但輸入方式卻與我們現(xiàn)有的相比大相徑庭。我明明可以直接按個按鈕或鍵盤快捷鍵，為什么還要用自然語言描述我想要的操作呢？直接遞給我黃油就行了。

04 對話式UI，更像是現(xiàn)有交互的增強

這并不是說大模型不好。事實上，這篇文章就是在大模型幫助下完成的。

但與典型的人機指令不同，與大模型的交互更像是一次真誠、深入的對話和思想交流。在這種特殊的工作流程里，交互的速度并不是最重要的因素。

值得注意的是，ChatGPT開辟了一個新的應(yīng)用場景，而沒有取代現(xiàn)在其他的軟件。

這就是我的核心論點：對話界面的不便性和較差的數(shù)據(jù)傳輸速度，使得它們不太可能取代現(xiàn)有的交互模式，他只是對現(xiàn)有計算交互的一個補充。

讓我印象比較深刻的對話式交互的應(yīng)用案例是，在一次黑客馬拉松比賽中，個團隊將亞馬遜Alexa改造成了《星際爭霸II》的游戲內(nèi)語音助手。語音沒有取代鼠標(biāo)和鍵盤，而是作為一種額外的輸入機制，增加了數(shù)據(jù)傳輸?shù)膸挕?/p>

你會發(fā)現(xiàn)，同樣的模式適用于任何類型的知識型工作，當(dāng)你忙于其他事情時，語音命令就成了一種便捷的交互方式。

我們不會用聊天界面取代Figma、Notion或Excel，也不需要在這些工具和大模型之間頻繁切換。

相反，AI應(yīng)該充當(dāng)一個始終在線的命令元層，可以調(diào)用所有工具。用戶應(yīng)該能夠通過簡單的語音提示從任何地方觸發(fā)操作，而無需中斷當(dāng)前正在使用鼠標(biāo)和鍵盤的操作。

要實現(xiàn)這一點，AI需要在操作系統(tǒng)層面發(fā)揮作用。它不僅是單一工具的界面，而是跨工具的界面。

正如Kevin Kwok寫道：“生產(chǎn)力和協(xié)作不應(yīng)是兩個獨立的工作流程。”雖然他指的是人與人之間的協(xié)作，但在人與人工智能協(xié)作的世界里，這句話更加貼切，因為生產(chǎn)力和協(xié)作之間的界限正變得越來越模糊。

我們要做的的第二件事是。如何壓縮語音輸入以加快傳輸速度。

比如，在語音交互里，什么話相當(dāng)于豎起大拇指或鍵盤快捷鍵？或許我能用簡單的聲音和口哨更快地提示克勞德嗎？ChatGPT是否應(yīng)該有權(quán)訪問我的攝像頭，以便它能夠根據(jù)我的面部表情實時更改答案？

畢竟，作為輔助界面，速度和便利性才是最重要的。

05 總結(jié)

我并不是反對對話界面，而是反對將其作用過度夸大。

我們花了太多時間思考人工智能如何替代（界面、工作流程和工作），卻很少思考它如何補充。

從過去看，技術(shù)的進步很少遵循簡單的替代路徑。它往往開啟了全新的、前所未有的事物，而不僅僅是取代之前的一切。

這一點也在AI上也同樣適用。未來，聊天界面并不是要取代現(xiàn)有的計算范式，而是要增強它們，使人機交互變得輕松自如。