人机交互技术正在换脑子：从点按屏幕到读懂意图

先说个真事。上周我戴着Vision Pro在客厅里比划，手势识别在弱光下直接翻车。手一抬，窗口没动。再抬，飞了。那一刻我特别想骂人——这就是人机交互技术最真实的一面：Demo里丝滑，生活里全是边界条件。

所以别再把交互当成UI皮肤。它不是给界面刷层漆。人机交互技术研究的，是人怎么把意图塞进机器，机器又怎么把状态回给人。这条链路里，延迟、误识别、认知负荷、反馈缺失，任何一个都能把体验撕开口子。

屏幕交互的尽头，不是更大的屏

触屏这十几年很成功。成功到我们快忘了它的前提：你得看着、得伸手、得精准点中。Fitts定律早就说了，目标越小越远，pointing time越长。手机厂商把屏做大，其实是在跟拇指活动范围打架。对吧？

眼手交互是个折中。眼睛负责选，手负责确认。Apple Vision Pro走的就是这条路：眼动追踪定位目标，捏合手势触发。听起来简单，工程上难在眼动信号的抖动过滤和注视点与手势的时序对齐。你眼睛扫过一排图标，系统得判断你是在看还是在选。看和选，差几百毫秒，体验差一条街。

科研里更狠。CHI和UIST上这几年不少工作在搞意图预测：用眼动、头部姿态、甚至鼠标轨迹的微特征，提前几百毫秒猜你要点哪。猜对了，界面提前放大命中区域；猜错了，用户会明显感到界面在跟自己抢控制权。这里没有银弹。预测模型越激进，误触成本越高。交互设计得留后悔药。

多模态融合听着美，工程上全是坑

语音、手势、眼动、触觉，单拎出来都能讲故事。合一起呢？麻烦来了。语音说“把这个放那边”，这个和那边指什么？手势指了左边，眼睛看的是右边。系统该信谁？

多模态融合有早期融合和晚期融合。早期融合在特征层拼，信息保留多，但对齐难；晚期融合在各模态决策层投票，稳一点，可容易丢掉跨模态的细线索。真实产品里，融合策略往往得跟任务场景绑死。车载场景和手术室场景，权重能一样吗？不可能。

大模型进来之后，事情有变化。它更像一个交互调度器：把语音转写、视觉场景、用户历史、当前任务状态揉在一起，做意图消歧。比如你说“打开那个”，模型结合视线和最近打开记录，猜出是哪个文档。注意，是猜。猜就得有置信度。置信度低的时候，界面必须主动问一句，而不是硬着头皮执行。很多翻车就翻在系统太自信。

不过话说回来，多模态不是模态越多越好。我见过一些原型，语音加手势加眼动加表情，传感器堆了一身，用户戴五分钟就烦。交互的第一原则不是炫技，是降低用户的动作成本和心理负担。这句话听着像废话，做起来全是取舍。

触觉和脑机接口：别被Demo骗了

触觉反馈这两年回温。机械式手套力反馈真实，但笨重；电刺激轻便，可刺痛感和个体差异烦人；超声聚焦能隔空给触感，工作区窄，精度也有限。科研上比较务实的方向是事件型触觉反馈：不追求连续模拟，只在关键节点给一下，比如按钮确认、边界碰撞、抓取成功。省功耗，也省认知。

脑机接口更得冷静。Neuralink那种侵入式，信号质量高，但手术风险和长期生物相容性是硬门槛。非侵入EEG便宜，可空间分辨率低、易受肌电和眼电干扰。你在实验室里让被试静坐，能解码左右手想象；到了真实环境，走两步、说句话，信号就花了。Meta的神经腕带走的是肌电EMG路线，不是读脑，读的是手腕肌肉信号。这个区分很重要。别一听神经就以为读心。

那脑机接口在HCI里有没有用？有。短期更现实的是混合BCI：脑电给粗粒度意图，眼动或手势给精细选择。别指望它替代键盘鼠标。它更像辅助通道，给重度运动障碍用户多一条路。这个价值已经足够大。

评价体系得改，不然全是玄学

交互研究最怕自嗨。做个炫酷原型，找十个同学试一下，问“你觉得酷吗”，然后写论文。这不叫评估。靠谱的得看任务完成时间、错误率、学习曲线，还有主观负荷。SUS量表、NASA-TLX负荷量表，都是常用工具。更关键的是生态效度：实验室里坐着测，和地铁里站着用，结果能一样？

现在大模型驱动的界面还有个新问题：每次交互路径都可能不一样。传统可用性测试假设任务流程稳定，可自适应界面会变。怎么评估一个会学习的界面？这是开放问题。有人开始用反事实评估：同一意图下，比较系统不同决策的后果。也有人做长期田野研究，把原型扔进真实场景跑几周。慢，但有用。

所以下次有人跟你吹“颠覆式交互”，你先问三件事：延迟多少？误识别怎么恢复？用户能不能撤销？答不上来，大概率还是Demo。人机交互技术走到今天，拼的不是谁传感器多，是谁能把意图、反馈、容错这三件事做扎实。就这。