中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

就在這周的前幾天，OpenAI和Google都相繼發(fā)布了新的大模型產(chǎn)品。盡管真正的具身智能還有很長(zhǎng)的路，但大家都在借助新的AI想定義新的人機(jī)交互標(biāo)準(zhǔn)，在多模態(tài)交互上，邁出關(guān)鍵一步。

這是我們首次在易用性方面取得重大突破，意義非凡！因?yàn)檫@揭示了我們與機(jī)器之間未來(lái)的互動(dòng)方式。

——Mira Murati OpenAI首席技術(shù)官

GPT-4o的發(fā)布，無(wú)疑是昨日AI圈一大焦點(diǎn)。很多文章都做了詳細(xì)介紹和功能解析，總結(jié)下來(lái)有3個(gè)核心優(yōu)勢(shì)：

1. 使用門(mén)檻更低：免費(fèi)開(kāi)放、API價(jià)格減半、Mac版工具
2. 使用體驗(yàn)更好：速度翻倍、跨模態(tài)推理、自然對(duì)話(huà)
3. 使用場(chǎng)景更豐富：情緒感知、實(shí)時(shí)語(yǔ)音、視覺(jué)增強(qiáng)

其中最能引發(fā)遐想的，我覺(jué)得是“實(shí)時(shí)理解世界”的能力，包括對(duì)物理現(xiàn)實(shí)的理解，和人類(lèi)情緒的理解。

無(wú)獨(dú)有偶，就在5月15日凌晨，谷歌在Google I/O開(kāi)發(fā)者大會(huì)展示了名為“Gemini Live”的新體驗(yàn)：

和GPT-4o一樣，Gemini Live可以通過(guò)手機(jī)攝像頭拍攝的照片或視頻，查看用戶(hù)的周?chē)h(huán)境，并對(duì)其做出反應(yīng)。作為人類(lèi)的代理，它可以看到和聽(tīng)到我們所做的事，更好地了解我們所處的環(huán)境，并在對(duì)話(huà)中快速做出反應(yīng)，從而讓交互更自然。

這項(xiàng)能力的發(fā)布，很明顯都在指向一個(gè)關(guān)鍵詞：具身智能。

具身智能強(qiáng)調(diào)“感知—行動(dòng)回路”，并呈現(xiàn)出三個(gè)特點(diǎn)：

1. 一定是多模態(tài)的，能像人一樣通過(guò)視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)等感官，以及語(yǔ)言、運(yùn)動(dòng)、交互等行為，完成一系列智能任務(wù)。
2. 能根據(jù)環(huán)境的交互積累經(jīng)驗(yàn)，基于不同數(shù)據(jù)構(gòu)建不同模型，產(chǎn)生不同的智能，在完成任務(wù)上更智能；
3. 機(jī)器人或智能體有自主性，和人類(lèi)的學(xué)習(xí)和認(rèn)知過(guò)程一致。

盡管距離真正的具身智能還有很長(zhǎng)的路要走，但我看到了在多模態(tài)交互上，人類(lèi)邁出了關(guān)鍵一步。

我覺(jué)得無(wú)論是OpenAI還是谷歌，都在借助新的AI技術(shù)，為我們制定了新的大模型產(chǎn)品的人機(jī)交互標(biāo)準(zhǔn)。

一、大模型產(chǎn)品的人機(jī)交互標(biāo)準(zhǔn)是什么？

說(shuō)起大模型產(chǎn)品的交互方式，通常第一反應(yīng)都是CUI（Conversational User Interface 對(duì)話(huà)式用戶(hù)交互界面），或者叫LUI（Language User Interface，語(yǔ)言交互界面）。甚至很多人一度認(rèn)為，這就是AI產(chǎn)品最終的交互方式了。

然而真是這樣么？回歸到交互的本質(zhì)，無(wú)論是圖形界面，還是對(duì)話(huà)界面，目的都是要更精準(zhǔn)地解讀用戶(hù)的輸入意圖，達(dá)成更匹配的輸出。

表面上看，似乎用對(duì)話(huà)方式，用戶(hù)可以更自由、靈活地表達(dá)需求，而不用局限在產(chǎn)品經(jīng)理預(yù)設(shè)的界面上去完成任務(wù)。然而，回歸到交互設(shè)計(jì)原則上看，到底什么樣的交互，是真正對(duì)用戶(hù)友好的？

著名的美國(guó)認(rèn)知心理學(xué)家、用戶(hù)體驗(yàn)設(shè)計(jì)大師唐·諾曼（Don Norman），曾提過(guò)一個(gè)好產(chǎn)品的交互設(shè)計(jì)六項(xiàng)基本原則，分別是：

示能（Affordance）

指一個(gè)物理對(duì)象本身就有的、特定的交互方式，不需要解釋?zhuān)苯泳涂梢员桓兄?。比如一把椅子，不管它怎么設(shè)計(jì)，一定會(huì)有一個(gè)平面可以坐人。這里面的“平面”，就是一種示能。一出現(xiàn)平面，人們就會(huì)天然地認(rèn)為，這個(gè)地方是可以坐的。

意符（Signifiers）

意符是一種提示，告訴用戶(hù)可以采取什么行為。比如我們經(jīng)?？吹剑行┥虉?chǎng)的大門(mén)上，會(huì)寫(xiě)上“推”或者“拉”的提示，這個(gè)推和拉就是一種意符。

約束（Constraint）

約束限定了一系列可能的操作。在設(shè)計(jì)中有效使用約束因素，就可以讓用戶(hù)在任何未知環(huán)境下都能找到合適的操作方法。比如拼樂(lè)高積木、使用電源插座。

映射（Mapping）

映射表示兩組事物要素之間的關(guān)系，是可以直觀(guān)反映在物理位置上的。比如辦公室的頂燈和對(duì)應(yīng)的開(kāi)關(guān)，它們之間的排布是一一對(duì)應(yīng)的，你就可以知道按哪個(gè)按鈕開(kāi)關(guān)哪排燈。

反饋（Feedback）

好設(shè)計(jì)一定要有即時(shí)反饋，稍有延遲便會(huì)令人不安。生活中我們經(jīng)常會(huì)碰到有人在電梯前反復(fù)按樓層鍵，就是因?yàn)槿鄙偌皶r(shí)反饋。反饋需要精心策劃，以一種不顯著的方式確認(rèn)所有操作。

概念模型（Conceptual Models）

指高度簡(jiǎn)化的說(shuō)明，告訴用戶(hù)產(chǎn)品是如何工作的。比如電腦中的文件和文件夾就是一套概念模型，實(shí)際上硬盤(pán)上并不存在文件夾，但這比復(fù)雜的計(jì)算機(jī)指令更能讓用戶(hù)理解計(jì)算機(jī)的操作。

我們把傳統(tǒng)對(duì)話(huà)式交互，分別帶入這6個(gè)原則：

你會(huì)發(fā)現(xiàn)，似乎文字對(duì)話(huà)框式的使用方式，并不符合一個(gè)好產(chǎn)品的交互原則。

而GPT-4o和Gemini Live的出現(xiàn)，我認(rèn)為是重新定義了大語(yǔ)言模型產(chǎn)品的交互設(shè)計(jì)標(biāo)準(zhǔn)。因?yàn)樗鼮槲覀儙?lái)了：

• 更即時(shí)的交互反饋
• 更立體的交互方式
• 更情緒化的交互過(guò)程

二、更即時(shí)的交互反饋

Murati在發(fā)布會(huì)上提到，與GPT-4-Turbo相比，GPT-4o的速度快2倍。尤其在語(yǔ)音對(duì)話(huà)場(chǎng)景，GPT-3.5的平均延遲為2.8秒，GPT-4為5.4秒，而GPT-4o對(duì)音頻輸入的平均響應(yīng)時(shí)間為320毫秒，最短的響應(yīng)時(shí)間為232毫秒，與人類(lèi)的響應(yīng)時(shí)間相似。Gemini Live也支持在聊天時(shí)打斷，讓AI實(shí)時(shí)適應(yīng)人類(lèi)語(yǔ)言表達(dá)的模式。

這樣的高效，帶來(lái)了更自然的使用體驗(yàn)，讓人類(lèi)和大模型的交流，更符合人與人之間面對(duì)面溝通的概念模型。也創(chuàng)造了更即時(shí)的反饋。將這些技術(shù)和增強(qiáng)的語(yǔ)音引擎相結(jié)合，就可以實(shí)現(xiàn)更一致的情感表達(dá)和現(xiàn)實(shí)的多輪對(duì)話(huà)。

三、更立體的交互方式

人機(jī)交互的底層原理，可以概括為：事件有反饋，操作有結(jié)果。

輸入的對(duì)象是機(jī)器，輸入給機(jī)器的內(nèi)容，是固定化的指令和多樣化的信息。而輸出的對(duì)象是人，輸出的內(nèi)容是給到人的感官反饋。優(yōu)秀的交互設(shè)計(jì)，就是用更多元的輸入，帶給用戶(hù)更豐富的輸出。

喬布斯說(shuō)過(guò)：

蘋(píng)果電腦就是21世紀(jì)人類(lèi)的自行車(chē)，只要愿意，誰(shuí)都可以擁有它。它是工具，是人類(lèi)大腦的延伸。

在人與電腦之間，可以發(fā)展出特殊的關(guān)系，它可以改善個(gè)人的生產(chǎn)力。

GPT-4o交付給我們的，不光是人類(lèi)的第二大腦，更是第二雙眼睛、耳朵和嘴。

通過(guò)GPT-4o，大模型的示能方式可以延展為“能說(shuō)話(huà)的攝像頭”，扮演教你做題的數(shù)學(xué)老師、為你同聲傳譯的翻譯官、理解你情緒的咨詢(xún)師。

而文字表達(dá)帶來(lái)的低約束性問(wèn)題，也可以借助對(duì)視覺(jué)、聲音、語(yǔ)調(diào)的理解，讓大模型圍繞特定環(huán)境給出更精準(zhǔn)的對(duì)話(huà)引導(dǎo)。想象下，當(dāng)打開(kāi)AI后，它會(huì)先環(huán)顧四周，知道你在哪兒，身邊都有誰(shuí)，大家在說(shuō)什么，再開(kāi)啟一場(chǎng)更符合場(chǎng)景的對(duì)話(huà)，這樣的交互簡(jiǎn)直不能再自然了。

四、更情緒化的交互過(guò)程

“人類(lèi)的生命，不能以時(shí)間長(zhǎng)短來(lái)衡量，心中充滿(mǎn)愛(ài)時(shí)，剎那即為永恒”

人與機(jī)器的區(qū)別之一，就在于能否理解情緒，甚至表達(dá)情緒。

AI+情緒，也一直是創(chuàng)業(yè)者熱衷投入的賽道。無(wú)論是微軟小冰、Glow、Character.AI、Replika等聊天陪伴型機(jī)器人，還是Pi、Hume.AI這種對(duì)情緒理解更深入的技術(shù)解決方案。都希望借助情感化設(shè)計(jì)，提供更貼心和人性化的服務(wù)。

唐·諾曼（Don Norman）在《設(shè)計(jì)心理學(xué)3-情感設(shè)計(jì)》中寫(xiě)到，情感化設(shè)計(jì)，自底向上分為：本能層、行為層、反思層三層結(jié)構(gòu)。

• 本能層表現(xiàn)為感性認(rèn)知，憑借第一印象吸引用戶(hù)。
• 行為層體現(xiàn)在操作產(chǎn)品時(shí)，是否有清晰流暢的步驟，明確的使用動(dòng)線(xiàn)，靠體驗(yàn)留住用戶(hù)。
• 反思層則代表產(chǎn)品融入了獨(dú)特的文化內(nèi)涵和差異化的亮點(diǎn)設(shè)計(jì)，能打動(dòng)人心，扎根在記憶中。

想象下，具備情緒感知和視覺(jué)理解的AI，可以在本能層表現(xiàn)的更加自然生動(dòng)，在行為層給出更連貫、可打斷、有記憶的個(gè)性化輸出，在反思層深深植入每個(gè)人獨(dú)有的陪伴角色。

當(dāng)然，也許你會(huì)覺(jué)得我想多了，這些新技術(shù)沒(méi)那么厲害。不就是在文字聊天的基礎(chǔ)上，增加了語(yǔ)音和視頻通話(huà)的功能么？說(shuō)它是重新定義了AI交互，太夸張了。

說(shuō)的沒(méi)毛病。不過(guò)我更關(guān)心的，不在定義本身，而是想為你提供一種設(shè)計(jì)AI產(chǎn)品交互界面的新思路。

我的觀(guān)點(diǎn)是：

作為生產(chǎn)力工具的大模型產(chǎn)品，在產(chǎn)品設(shè)計(jì)之初，就應(yīng)該考慮多模態(tài)的交互方式。

• 大模型產(chǎn)品，應(yīng)該是可以“看”的——通過(guò)視覺(jué)或其他感官，感知環(huán)境。
• 大模型產(chǎn)品，應(yīng)該是可以“說(shuō)”的——根據(jù)環(huán)境的不同，進(jìn)行自然語(yǔ)言對(duì)話(huà)。
• 大模型產(chǎn)品，應(yīng)該是可以“聽(tīng)”的——在對(duì)話(huà)和觀(guān)察中感知情緒，認(rèn)真聆聽(tīng)，做出反應(yīng)。
• 大模型產(chǎn)品，應(yīng)該是可以“記”的——在長(zhǎng)期交互中形成記憶，動(dòng)態(tài)調(diào)整和你的互動(dòng)方式和輸出的內(nèi)容。

回看當(dāng)初OpenAI發(fā)布Sora時(shí)，曾提出“視頻生成模型是世界模擬器”的觀(guān)點(diǎn)（Video generation models as world simulators）。構(gòu)建世界模擬器的前提，就是要增強(qiáng)對(duì)世界的理解，補(bǔ)充更多物理規(guī)律和世界常識(shí)。多模態(tài)交互的設(shè)計(jì)，正是達(dá)成這一目標(biāo)的最優(yōu)解。

五、結(jié)語(yǔ)

最后，我們?cè)賮?lái)看看本文開(kāi)頭提到的交互設(shè)計(jì)六原則，我想試著把多模態(tài)交互也填進(jìn)去，看看和傳統(tǒng)chat式交互的對(duì)比差異。

客觀(guān)看，就算增加了多模態(tài)，當(dāng)前的大模型和人類(lèi)的交互方式，仍不是最優(yōu)的，那還有沒(méi)有其他解法呢？

肯定是有的，好的交互，永遠(yuǎn)不是單一設(shè)計(jì)。

我們完全可以融合GUI+CUI/LUI+多模態(tài)幾種形式到一起，在指定場(chǎng)景下，為特定角色設(shè)計(jì)交互方式。比如老師機(jī)器人、醫(yī)生機(jī)器人、教練機(jī)器人。人類(lèi)都可以分角色，為什么AI不行呢？