关于软件与人机交互的新思考

最近花了一些时间思考“软件”这个我们每天都在用的东西，到底意味着什么。从最初的工具属性，到现在的 AI 浪潮，回到原点，把这些零散的想法整理一下。

软件

软件对于人的作用，从使用角度，其实主要是帮助人类实现某些目的，满足人类的需求的工具和手段。

• 实现人类目的
  • 娱乐：游戏、内容消费
  • 教育：学习、获得技能
  • 工作：生产力、协作
  • 生活：衣食住行、交易、健康
  • 社交：连接、沟通
• 人类需求（用马斯洛作“上层框架”）
  • 生理、安全、社交、尊重、自我实现、认知、审美、自我超越
• 把“目的”和“需求”拆开
  • 目的（Goal）：想达成的结果
  • 需求（Need）：达成目的时在意的东西（效率、确定性、安全感、掌控感、胜任感、归属感……）
  • 产品机会点：高频目的 × 高痛需求 × 现有工具的结构性不足

软件本质

• 固定下来、抽象出来的人类习惯
  • What
    • 核心是了解人：软件给人使用、为人服务
    • 软件做的是：为某些人群的一类需求，抽象出一套符合人类习惯、可重复执行的规则与流程
  • How
    • 抽象出这样的规则，首先要理解人类特点：人类基因中固有的特质 + 时间依赖的外部变化，共同塑造出人的做事方式。基于这些特点构建软件，解决用户需求。
    • 人类做事特点，一部分是固有在基因中的；过程上又有时间事件序列依赖，同时受外部影响（也就是用户习惯培养）。但“习惯培养”很多时候只是把人类的一些隐形特点激发出来。
    • 要了解这样的人类特点，一种方式是通过学习，提高对人的认知，了解人类习惯的 pattern，预测会有的人的行为模式，此为认知+预测。另一种是社会实验，也就是实现不同版本，获得人类的反馈，从而了解真实世界中隐藏的人类特点。
    • 抽象出来的体验，与内容体验相对：Capture the underlying principles of an experience, not the experience itself。

Open video in new tab ↗

• 人类能力的增强（Augmentation：用软件做“人做不到/做不好的事”）。人类大脑虽然精密，但受限于生物机能，记忆容量有限，且难以进行大规模并发思考和行动。
  • “思考”
    • 超强算力与并行: 人类习惯线性思维，而软件具备指数级处理能力。同时把经验流程化、模板化（capture the underlying principles），让“质量”更稳定
    • 记忆的无限延伸：对抗遗忘曲线，把知识/经历外置成可检索、可复用、可共享的记忆
  • “行动”
    • 跨时空协作：把个体能力扩展为网络化能力（协作、同步、沉淀）
    • 使用工具：实现电子迁移到原子迁移的转化，影响环境。上个时代的 O2O 就是典型的例子。

因此，软件应当被视为杠杆。它不仅实现了已有习惯的“自动化”，更协助人类完成了单纯依靠生物本体无法实现的任务。这正是软件产生巨大价值的根源。

软件的运作方式

• Data mapping / representation transform
  • 软件经常在做的事：把一种表征（representation）映射成另一种表征，并在这个过程中做计算、聚合、筛选、排序、生成
  • 世界被“电子化”之后，出现两类表征
    • 物理世界的映射：人、房间、车、店、商品、位置、时间。比如 Airbnb、Uber、DoorDash，将人、房间、车、店映射到网络空间。
    • 数字世界自生的表征：关系图谱（关注/好友）、信用分、点评、权限与策略、工作流状态。再比如 Excel 的运算与呈现、数据库的 join/聚合、文字/图片/视频编辑

人机交互（HCI）：一种妥协，也是一套成本管理

从根本上看，交互界面的存在，本质上是因为机器尚未达到足够的智能，而不得不采用的一种“妥协”方案。

• 交互界面为什么存在。更便利地将想法、需求转变为工具的执行，以获得结果。人需要找到适合自己的工具，以实现自己的目的和需求。不同的人有不同的需求和习惯，对应的工具很多；最合适的是契合用户需求、符合用户习惯的，也是最容易获得用户粘性的产品。用户需求是个抽象概念，需求需要有边界/范围：通常来自“高频重复的一件事”，或“一系列经常一起出现的事件链”，这些天然会形成边界。
  • 意图、需求满足体验层级
    • 完美: 意图产生 -> 需求即满足（Zero UI）。
    • 次优: 意图表达 -> 需求被满足。
    • 现实（HCI）: 意图表达 -> 学习/操作/努力 -> 需求被满足。
  • 当机器还不能可靠理解人类意图时，人只能用更显式、更结构化的方式表达；交互因此成为“妥协成本”。
    • 好的交互不等于“让用户多操作”，而是尽量降低总成本
  • 反馈回路（Feedback Loop）
    • 行动 → 系统状态变化 → 用户理解 → 下一步行动（循环）
    • 一个很实用的检查方式：系统要不断回答
      • 发生了什么（反馈/可见性）
      • 现在到哪了（状态/进度）
      • 如果错了怎么办（可恢复：撤销、回滚、纠错路径）
• 界面形态的演化（从命令行到今天）
  • 早期：DOS/终端 + 命令行（command line / CLI），用户敲命令，计算机返回结果或执行动作
  • 后来：网页、App、各种 GUI
  • 我对这条演化链的解释：机器越不智能，人越需要更复杂的界面来表达意图与约束
  • 一个有趣的对照：如果把 LLM 接到“命令行”时代，最原始的人机交互可能反而接近聊天（chatbot）；今天的 Chatbot/Agent 也在把它重新拉回来。

LLM 时代：交互从“操控（Control）”走向“协作（Collaboration）”

• 一个必须承认的变化：LLM 的反馈是概率性的。传统软件很多反馈是确定的（保存成功/失败、点赞变红），LLM 输出可能波动，甚至“看起来很对但其实不对”。因此，我们应更在意信任机制，而不是“每次都对”
  • 可校验：输出能被验证（引用/依据/复现路径）
  • 可追溯：系统做了什么、为什么这么做
  • 可恢复：错了能低成本纠偏（撤销/回滚/替代方案）
  • 可控：权限、范围、成本、风险在用户掌控中
• Pull vs Push：从被动响应到主动服务（Agent），但前提是边界清晰。
  • Pull：用户主动操作，系统响应（今天大多数软件）
  • Push：系统基于预测主动服务（Agent ）。Push 的前提不应只是“更聪明”，也应该“更可控”
    • 可授权：明确授予权限与目标
    • 可边界：范围（时间/对象/金额/影响面）可配置
    • 可撤销/可回滚：一键停用、撤销动作、恢复状态
    • 可审计：能看到日志（做了什么、为什么、用到了哪些数据）
    • 可降级：自动执行随时降级为建议/草稿/待确认

哪些人机交互在大模型的技术条件下可以有更好的体验，减少交互复杂性，更符合人类与计算机交互的nature？ 欢迎评论区讨论。