2026年5月，前OpenAI首席技术官Mira Murati创立的Thinking Machines Lab发布Interaction Models研究预览，提出当前大多数AI交互仍停留在回合制模式，即用户说完一句话机器才开始回答，而机器生成答案时对外部世界的持续感知又受到限制。该团队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，将交互能力从模型外部的语音界面转为模型架构本身需要解决的问题。
资本层面同步出现动作。由Oculus联合创始人Brendan Iribe参与创办的Sesame于2025年10月完成2.5亿美元B轮融资，由红杉资本和Spark Capital领投。该公司研发将响应时间压缩至两三百毫秒的对话语音模型，并配套一副仅靠声音交互的轻量眼镜。多位投资人向融中财经表示，当前美元基金考察交互方向时，关注重点已从语音识别准确率转向AI在具体情境中的行为判断能力。
这一趋势的背景是AI硬件形态的快速扩张。2026年Google在I/O大会上公布了搭载Gemini的智能眼镜方向，包括音频眼镜和显示眼镜；Meta此前推出的Ray-Ban Display售价799美元，并配备可读取手腕肌电信号的腕带，今年持续扩展导航、通信和情境化交互能力。国内小米、雷鸟、Rokid等厂商也在过去一年密集推出AI眼镜产品。设备能够感知环境、记住偏好并主动提供帮助，传统以指令为中心的交互方式开始显现局限。
但主动交互的边界问题随之暴露。一位AI眼镜创业者表示，用户购买后头几天会频繁试用，新鲜感消退后大部分时候想不起设备的存在；而主动一旦过度，用户的第一反应是将其摘下。类似案例可追溯至微软上世纪90年代末在Office中内置的回形针助手Clippy，该功能因频繁主动弹出提示而受到广泛批评，最终在2007版Office中被移除。
从技术路径看，过去的任务智能主要解决目标识别、执行与结果校验三个问题，而下一阶段交互智能需要进一步判断是否应当行动、以何种方式行动以及何时停止，同时理解物理环境与人类社会情境规则。当智能终端长期进入家庭、工作场所和公共空间，识别用户意图之外的判断——用户是否希望在此刻发生交互——正成为产品体验的关键变量。对AI硬件与模型厂商而言，交互能力是否能够独立为一项可被资本定价的技术资产，将影响下一阶段的产品竞争格局。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
