投资人流行投有眼力见儿的AI，交互智能成下一道考题

当智能开始拥有不同形态的身体，如何与人类共同生活，正在成为AI 产业必须回答的新问题。

一台机器人发现你口渴了，于是走过来递给你一杯水；一副 AI 眼镜识别出你眼前的建筑，主动告诉你它的历史；一只智能耳机注意到你今天的日程很满，于是提醒你该休息了。从技术上看，这些行为都没有什么问题。机器正确理解了信息，完成了推理，并给出了符合预期的回应。

但如果你正在与客户谈判、和朋友争吵，或者只是想安静地待一会儿呢？机器可能理解了你说的话、看见了你眼前的世界，甚至推测出了你的情绪，却依然不知道自己是否应该在此刻出现。

过去几年，人工智能的发展主要围绕一个问题展开：如何让机器变得更聪明？而今，另一个问题正在浮现：当越来越多的智能体进入人类的生活，它们应该如何与人相处？

这并不只是机器人行业的问题。

从 AI 眼镜、智能耳机，到家庭智能终端、汽车座舱，再到拥有运控能力的具身机器人，智能正在以不同的物理形态进入人类的日常空间。它们能够调用的模型越来越强，能够感知的信息越来越丰富，与人的物理距离也越来越近。

但一个越来越明显的事实是：智能水平的提高，并不会自动带来体验质量的提高。

“在让机器学会理解语言、理解世界之后，产业或许正在走向智能化的下一道考题——交互。”一位投资人向融中财经表示。

从创造智能，到为智能寻找身体

向前回顾这一轮人工智能产业的发展，可以看到一条愈发清晰的演进路径。

起点，是智能能力本身的突破。

大语言模型让机器获得了前所未有的语言理解、知识处理和推理能力。随后，多模态模型开始把文本之外的图像、声音、视频纳入统一的理解框架，AI 从处理符号逐渐走向理解更丰富的真实世界信息。

但在这一阶段，人类与 AI 的主要交互方式仍然是屏幕上的对话框：人输入问题，机器生成答案；人提出指令，机器完成任务。无论模型内部的能力如何演进，人与智能系统的关系仍然遵循一套简单直接的逻辑：人主动发起，机器被动响应。

接下来，产业开始为这些智能能力寻找新的载体。

首先是具身智能。研究者们试图让机器不仅能够理解物理世界，还能通过运动、操作和环境反馈直接参与其中。

其次，则是更广泛的 AI 硬件。

智能眼镜让 AI 获得接近人类视角的视觉输入；耳机提供了与人长时间相伴的听觉通道；智能家居终端进入了相对固定的生活空间；汽车座舱则具备了理解驾驶状态和乘员行为的可能。

不同的终端拥有不同的感知能力、反馈通道和物理形态，但背后是相似的趋势：AI正在从需要被主动打开的软件，逐渐变成可以持续出现在生活中的智能存在。

2026 年，Google 在I/O 大会上进一步公布了搭载 Gemini 的智能眼镜方向，包括音频眼镜和显示眼镜。Meta 去年秋天推出的 Ray-Ban Display 售价 799 美元，还配了一只能读取手腕肌电信号的腕带，今年又持续扩展了它的导航、通信和情境化交互能力。国内的小米、雷鸟、Rokid 等厂商，也在过去一年里密集推出了 AI 眼镜。

这些产品并不一定拥有机械手臂，也不需要像人类一样行走，但它们正在改变一个基本事实：AI 不再只在我们向它提问的时候存在。当设备能够感知用户所处的环境，记住历史偏好，并在合适的时候主动提供帮助，传统以指令为中心的交互方式便开始显得不够用了。

“用户买回去头几天，会不停地叫它、试它，新鲜劲一过，大部分时候根本想不起来它的存在。”一位做 AI 眼镜的创业者告诉融中财经，这也是越来越多团队开始琢磨主动交互的原因，“可主动一旦过了头，用户的第一反应就是把它摘下来。”

过去的智能系统主要处理一条指令与一个结果之间的关系。未来的智能终端则需要处理一个更复杂的问题：自己与人之间，以及人与周围其他人之间的关系。这意味着，产业不能只继续给智能增加更多能力，还必须重新定义这些能力应当如何被使用。

机器已经有了能力，却还缺少“眼力见儿”

北京话有一个方言叫作“有眼力见儿”。一个有眼力见儿的人，不只是知道别人需要什么，更知道什么时候可以帮忙，什么时候不该打扰，怎样表达善意，以及在对方不愿意接受的时候如何体面地退出。

机器恰恰缺少这种能力。“主动是把双刃剑，分寸没拿捏好，就是骚扰。”一位投资人表示道。

以机器人递水为例。

一位交互智能领域的创业者给融中财经讲过这样一个场景：机器人发现用户长时间没有喝水，于是主动倒水、递水并发出语音提醒，从任务执行的角度来看，几乎每一步都是正确的。但如果用户正在一场重要的会议中，这个行为就可能构成一次不必要的打扰。

这种尴尬并不新鲜。上世纪 90 年代末，微软在 Office 里放了一个会眨眼的回形针助手“大眼夹”（Clippy），只要检测到用户在写信，它就会跳出来问一句：“看起来你正在写一封信，需要帮忙吗？”它算得上最早一批“主动式 AI”，也是被吐槽得最狠的软件形象之一，几经调整后，在 2007 版 Office 中被彻底拿掉。

过去的任务智能主要回答三个问题：目标是什么，怎样执行，以及执行结果是否正确。

而下一阶段的交互智能则需要进一步回答：现在该不该行动，应该以什么方式行动，又应当在什么时刻停止。它需要理解的不只是物理环境，还有人类社会的情境与规则。

人与人之间的交流从来不是简单的信息交换。一次停顿、一个眼神、身体朝向的变化，甚至刻意保持的沉默，都可能包含复杂的社交含义，然而这些信息并不总能被还原成一句明确的语言指令。

因此，当智能终端开始长期进入家庭、工作场所和公共空间，真正困难的事情可能不再只是识别用户想要什么，而是判断用户是否希望在此刻与它发生交互。也就是让机器人变得有“眼力见儿”。

交互，正在从产品功能变成独立的智能能力

这一变化已经开始出现在头部 AI 实验室的技术路线中。

2026 年 5 月，前OpenAI 首席技术官 Mira Murati 创立的Thinking Machines Lab 发布了 Interaction Models 的研究预览。团队提出了一个值得关注的判断：今天的大多数 AI 交互仍然是回合制的。用户说完一句话，机器才开始回答；机器生成答案的时候，对外部世界的持续感知又受到限制。

然而，人类真实的交流并不是这样简单的一来一回，我们会在别人说话的时候观察对方，会根据语气判断是否应该插话，也会通过停顿、附和和手势不断调整彼此的沟通节奏。

Thinking Machines Lab 的研究尝试让模型同时处理连续的音频、视频与文本输入，并以约 200 毫秒的微回合进行实时交互。团队在解释这一方向时，引用了传播学中的共在、同时性等概念。

这意味着，交互不再只是模型外部附加的一套语音界面，而开始成为模型架构本身需要解决的问题。

资本也在往这个方向挤。由 Oculus 联合创始人布伦丹·艾里布（Brendan Iribe）参与创办的 Sesame，2025 年 10 月拿到了红杉资本和Spark Capital 领投的 2.5 亿美元 B 轮融资。它做的是一套把响应时间压到两三百毫秒的对话语音模型，外加一副只靠声音交互的轻量眼镜。

“这一轮美元基金看交互，看的早就不是语音识别准不准了，而是 AI 会不会接话、懂不懂留白。”一位美元基金投资人说。

国内也有创业公司在这条赛道上探索。与让机器人尽可能准确地判断人类情绪不同，港科系SYNAPUFF 将研究重点放在人机共栖交互上。即让智能体通过感知、决策与反馈的闭环，逐步建立适合当前情境的交互方式。其中一个值得关注的思路，是利用社交成本较低、可以撤回的行为进行试探。

比如，一台具有身体动作能力的机器人，可以通过轻微转头、改变朝向或一个短暂的注视，试探用户是否愿意与它交流。而在没有机械身体的终端上，类似的行为也可以表现为一次轻微的触觉提示、一段非侵入式的音效，或者一个不要求立即回应的视觉信号。如果用户表现出交互意愿，系统便可以进一步交互；如果没有得到回应，系统则应该知道何时停止。这类机制真正需要研究的是如何让机器学会试探、判断、协商与克制，而非更加频繁地主动行动。更重要的是，这种能力不应该完全依赖某一种终端形态。

同一个交互决策，在机器人上可能通过动作表达，在眼镜上可能通过视觉提示表达，在耳机上可能是一段短促的声音，在智能座舱中则可能表现为方向盘的轻微触觉反馈。

物理载体不同，但底层需要解决的问题具有共性：理解当前情境，判断人的交互意愿，选择合适的介入时机，并通过恰当的反馈方式完成交流。

下一代交互，需要一套新的评价体系

如果把交互当作独立的智能能力，就会面临一个新的挑战：怎样判断它究竟有没有变好？在任务执行领域，评价标准相对明确。机器人是否成功抓取物体，AI 是否正确完成代码生成，自动驾驶系统是否安全到达目的地，都可以通过特定指标进行衡量。

但社会性交互并不总是存在唯一的正确答案。同一个用户在不同时间，面对同一种交互行为，可能产生完全不同的反应。这也使得单纯通过静态问答、情绪识别准确率，或一次性交互满意度，很难完整评价系统的能力。一种可能的方向，是把交互理解为持续的闭环决策过程，并对其中的关键环节进行评估。

例如，系统能否准确判断主动交互的时机？不必要的打扰发生了多少次？用户拒绝之后，系统能否及时停止？用户是否愿意继续交互？同一个智能体能否在长期相处中形成稳定、可预期的行为方式？这些问题并非完全不可量化，只是需要不同于传统任务智能的评价方法。

而在长期交互中，还有另一种容易被低估的能力：人格一致性。一个智能体未必需要始终温柔、顺从，甚至未必需要以服务用户为唯一目标。

例如在娱乐和 IP 场景中，一个调皮、反叛的角色可能比一个永远正确的助手更有吸引力。

迪士尼乐园里的角色就是很好的例子。许多角色几乎不通过语言与游客交流，却能够凭借眼神、动作、姿态和反应节奏，让人迅速理解它们各自的性格。

玲娜贝儿的调皮，米老鼠的热情，并不是通过一次自我介绍传递出来的，而是通过大量具有一致性的非语言行为被反复感知。这种经验也为智能交互提供了启发：人们感知到的角色人格，并非只有语言模型生成的文本，而是语言、动作、声音、触觉以及交互时机共同塑造的结果。

迪士尼自己也在把这套经验搬到机器人身上。其研究团队打造的 BDX 双足机器人不说一句话，只靠歪头、踱步、蹦跳，就能让游客读懂它是好奇还是紧张。去年 11 月，会走路的雪宝（Olaf）机器人也在巴黎迪士尼首次亮相。

SYNAPUFF 等创业团队正在尝试将非语言行为的表达与智能体的情境决策结合起来，并进一步研究不同人格约束下的行为表现。

从这个角度看，未来的交互系统可能需要区分两种不同的能力。

一层是相对通用的共栖交互能力，解决智能体如何理解社会情境、尊重人类边界，以及如何选择合适的时机和方式进行交流。

另一层则是个性化的人格表达能力，决定这个智能体究竟以什么性格、怎样的语言和行为风格与人相处。

前者解决如何相处，后者决定与谁相处。

一个性格叛逆的角色可以不总是讨好用户，但它仍然需要理解什么时候玩笑应该停止；一个严谨的 AI 助手可以不具备鲜明的娱乐人格，但同样需要掌握与人交流的分寸。

对于越来越多长期存在于生活中的智能终端而言，这可能是一套比单纯提升情绪识别准确率更加完整的交互框架。

硬件形态会持续分化，交互能力可能逐渐走向共性

过去的消费电子产业，竞争主要围绕硬件性能、功能配置和成本展开。而当越来越多的设备能够接入强大的基础模型，终端之间的差异将不再只取决于模型参数或者任务执行能力。一个新的问题是：用户究竟愿意让什么样的智能体长期参与自己的生活？

不同硬件可能拥有完全不同的价值主张。

AI 眼镜强调随身感知与即时辅助；智能耳机强调低打扰和持续连接；机器人可以提供动作、空间行为与物理接触；家庭终端则可能更重视长期记忆和多人协同。

这些产品未必需要遵循完全相同的交互策略，却都需要解决主动介入、情境理解、表达方式和交互边界的问题。由此，交互可能逐渐从分散在各类终端中的产品功能，演变为一类可以独立研究、训练和部署的技术能力。

对模型公司而言，这意味着交互不应只是基础模型外部的一套提示词或界面规则。硬件厂商则会发现，产品体验的上限，也许不再仅仅由传感器、屏幕、电机和算力决定。新的机会，可能恰恰藏在两者之间：构建能够适配不同终端、理解社会情境并持续优化交互行为的系统。

“硬件层面已经越来越难拉开差距了，同一家方案商的板子，换个外壳就是一个新品牌。”一位长期看消费电子的投资人说，“现在我们投 AI 终端，都看交互定义逻辑到底如何，这一层如果做不好，产品就没有灵魂。”

但这条路径并不轻松。

它需要积累真实情境下的多模态交互数据，需要处理不同硬件反馈能力之间的差异，也需要解决长期记忆、人格一致性等问题。更关键的是，行业还需要证明这些能力能够稳定改善用户体验，而不只是制造某些看起来颇具人情味的演示瞬间。无论这类能力最终由基础模型公司、终端厂商，还是独立的交互技术提供者实现，它都将面对一个共同的技术命题：如何让智能系统不只是理解人类的指令，还能理解人类的社会生活。

一位创业者坦言，交互数据最难的不是采，而是标。“一个人皱了下眉，是嫌机器人烦，还是只是在想事情？同一段视频，五个普通标注员能给出三种答案，只有经验的交互专家才能给出准确的方向。”

这也正是人机共栖交互范式值得被重新定义的原因。

过去，人类需要学会使用机器。触摸屏、图形界面、语音助手，每一代交互技术都在降低人们使用计算能力的门槛。但随着 AI 开始具有持续感知、主动决策和自主行动的能力，人与机器的关系正在发生新的变化。我们不再只是偶尔操作一个工具，而可能需要与一个长期存在于身边的智能系统共同分享时间、空间与注意力。它不必长得像人，也不必模仿人类的情感，但它必须理解人的节奏、边界与意愿，并学会在复杂的现实情境中优化自己的行为。

智能化的上一阶段，是让机器能够理解语言、理解世界，并拥有行动能力。

而下一道考题，是让这些能力真正融入人类的日常生活。

让机器变聪明，是智能化的起点。让机器学会与人相处，才是智能真正进入生活的开始。

本文来自微信公众号“融中财经”（ID：thecapital），作者：王涛，编辑：吾人，36氪经授权发布。