从操作到解释

“帮我把这篇文章改得更好。”

如果把这句话输入一个大语言模型，系统通常不会报告“缺少参数”。它会直接开始修改，或者询问你想改善结构、措辞还是语气。

但“更好”究竟是什么？更短、更严谨、更有文采、更像作者本人，还是更适合某个读者？这句话没有指定操作，也没有给出验收标准。系统若继续，就必须补上表达中没有说出的东西。

这正是 AI 时代的交互与传统界面之间最值得观察的变化：人不再总是从系统已经列出的动作中选择一个，而开始交给系统一段需要解释的表达。

操作为什么曾经比较明确

在传统图形界面里，点击“保存”通常对应一个已经实现的操作。设计者事先决定按钮叫什么、在什么状态下可用、触发哪段程序，以及成功或失败后显示什么。

使用者当然仍然需要解释界面：他要认出软盘图标表示保存，判断当前文件是否值得覆盖，也可能误以为“删除”只是暂时隐藏。但从系统一侧看，输入事件与程序行为之间的映射大多已经封闭：

点击某个对象
→ 触发某个事件
→ 执行某个函数
→ 返回某种状态

命令行也一样。mv draft.md final.md 要求人记住语法，但系统不必猜测 mv 在这一次究竟想表达什么。命令、参数和执行规则已经由语言规范定义。

这种明确不是计算机天然具有的，而是界面替双方提前完成了大量协商。菜单排除了多数无关行动，控件类型规定了输入形式，必填项迫使人补齐信息，确认框在高风险步骤前重新询问。人在操作之前，设计者已经把开放任务切成了有限状态和有限动作。

因此，传统界面的一个重要功能，是让语义提前闭合。它把“我想处理这份材料”收窄成新建、打开、重命名、移动、复制、删除等可执行动作。

自然语言没有这样的边界

自然语言的力量恰恰来自它不要求一切事先闭合。

我们可以说：

“这段感觉不对。”
“照刚才那个方向再来一个。”
“不要太像产品说明。”
“你知道我说的是哪个问题。”
“先这样吧。”

这些表达依赖上下文、共同经验、语气和没有明说的目标。同一句“可以了”，既可能表示认可结果，也可能表示停止讨论。人类对话能够继续，不是因为句子本身包含完整指令，而是因为参与者不断利用当前情境补全意义。

语言学与心理语言学把这种共享背景称为 common ground，可以译作共同基础。Herbert Clark 与 Susan Brennan 认为，对话参与者并非只是交替发送完整信息，还会通过回应、确认、追问和修正，逐步建立“我们已经理解到哪里”。这个过程被称为 grounding。

因此，对话不是两台机器交换数据包。一个人说出的话，只是一次暂时的贡献；另一方如何回应，又会反过来证明、修正或者推翻双方以为已经共享的理解。

当自然语言成为计算入口，这种原本发生在人与人之间的工作，被带进了人机关系。

机器早就可以“对话”，为什么现在不同

语言界面并非大语言模型才出现。

1966 年，Joseph Weizenbaum 发表 ELIZA。它通过关键词、分解规则与重组规则生成回应，使人在终端上获得对话体验。ELIZA 说明了一件至今仍然重要的事：只要回应在语言形式上足够连贯，人就会主动为它补充语境与意义。

但 ELIZA 的解释空间由脚本作者预先写下。某个关键词触发哪些规则、句子如何重组，都能在程序中找到相对明确的路径。它呈现了对话，却没有摆脱预设映射，只是把映射藏到了自然语言后面。

大语言模型把这个尺度扩大了。它从大规模人类语言材料中学习符号之间的统计结构，再根据当前输入和上下文生成后续内容。任务不再需要全部由产品设计者逐项写成菜单或意图分类；写作、翻译、归纳、编程、规划和讨论可以共用同一个语言入口。

这不意味着模型忠实复制了人类大脑。人工神经网络在历史上受到生物神经系统启发，但大语言模型并不是人类神经元或心智机制的等比例模型。它更直接面对的是人类留下的文本、代码、图像及反馈，从这些产物中学习可以生成和组合的模式。

它也不意味着系统已经获得了与人相同的理解。这里所说的“解释”，首先是一个交互层面的描述：

系统把一段没有充分规定操作的表达，结合当前上下文，转化为某种具体回应或行动。

只要同一句话在不同上下文中会导向不同系统行为，且这种映射不是由一个固定按钮预先指定，解释问题就已经出现。我们不需要先解决机器是否拥有意识，才能研究这种解释如何影响交互。

Prompt 不是换成自然语言的命令

把 prompt 叫作“自然语言命令”，容易延续一个旧假设：用户已经拥有完整意图，只差把它准确编码给机器。

有些任务确实如此。比如“把以下 JSON 中的日期统一转换成 ISO 8601”，目标和输出形式都很明确，自然语言只是调用功能的方便方式。

但许多使用大语言模型的场景并非如此。写作者只觉得开头太慢，却还不知道应该删掉背景还是改变叙述角度；研究者觉得问题值得追，却尚未形成假设；设计者要求“更克制”，要看到几个方案后才知道自己所说的克制包含哪些视觉特征。

在这些场景中，人的意图不是一个已经完成、等待模型识别的内部对象。它会在外部结果的刺激下继续形成：

模糊感受
→ 暂时表达
→ 系统给出一种解释和结果
→ 人发现赞同或不赞同之处
→ 目标变得更清楚
→ 再次表达

Lucy Suchman 对“计划决定行动”的批评也提供了一个重要提醒：计划无法提前穷尽真实情境中的所有偶发条件，行动会根据现场不断调整。用语言与模型共同写作、研究或设计时，我们看到的正是这种情境性。最初的 prompt 往往不是完整规格，而是共同任务的第一份草案。

所以，prompt 的质量不能只用“是否足够精确”衡量。有时精确是必要的；有时过早要求精确，反而会假装使用者已经知道尚待探索的答案。

“从操作到解释”包含哪些缝隙

一句自然语言抵达一个具体结果，中间至少经过四道不同的缝隙。

表达的缝隙

人能说出的，不等于他感受到或想要的全部。背景知识被省略，评价标准没有成形，同一个词在双方那里可能指向不同经验。

解释的缝隙

系统必须从多个可能含义中形成一种当前理解。“整理”可以是重排结构、删除重复、统一格式，也可以是把文件放进文件夹。模型选择其中一种，并不代表它找到了藏在句子里的唯一答案。

生成的缝隙

即使任务理解大致相同，也可能生成多个成立的结果。措辞、结构、例子和细节不同，不一定说明理解改变；结果表面相似，也不保证底层假设一致。

判断的缝隙

系统给出结果后，人还要判断它是否符合目标。但流畅输出可能掩盖事实错误，完整计划也可能建立在错误前提上。用户必须同时评价结果与系统对任务的理解。

这四道缝隙常被笼统地叫作“不确定性”，但它们不是一回事。语言多义不等于随机采样，生成可变不等于内部黑箱，黑箱也不等于用户没有明确意图。把它们分开，设计才知道自己在解决什么。

交互循环发生了什么变化

传统的人机交互常被描述为：

意图 → 操作 → 系统状态变化 → 反馈 → 下一步操作

当语言成为入口，意图不能再稳稳放在循环起点。一个更贴近实际的描述是：

尚未完全成形的意图
→ 表达
→ 系统形成一种解释
→ 回应或行动
→ 人比较结果与自己的感受
→ 确认、修正或重新描述任务
→ 双方暂时形成新的共同基础

反馈的功能也随之改变。

过去，进度条告诉人系统还在运行，成功提示告诉人文件已经保存。它们主要暴露执行状态。现在，仅仅显示“正在思考”或“已完成”并不足以说明交互质量。人还需要知道：

系统把任务理解成了什么？
它补充了哪些没有明说的假设？
它将修改哪些对象？
当前结果是建议、草稿，还是已经发生的行动？
如果理解错了，应该从哪里修正？

反馈开始承担另一项职责：让系统的解释能够被检查。

解释不是一次发生的

如果把模型的第一轮输出当成“意图识别结果”，我们仍然在用旧界面思考。

真正的语言交互更接近持续协商。用户补充一句，模型调整任务；模型给出一个草案，用户借草案发现遗漏；双方通过指代、修改和确认，逐渐建立只属于这次工作的共同上下文。

这种过程不会天然成功。模型可能表面接受修正，后面又回到旧假设；它可能不知道自己误解了，却以很确定的语气继续；过长上下文也可能使已经建立的约定变弱。对话形式只是提供了修正渠道，并不保证修正真正进入系统行为。

因此，AI 交互设计不能满足于“让用户可以继续输入”。它还要关心：

理解是否可见。 系统是否适时呈现它对任务、对象和限制的当前理解？
假设是否可检查。 系统补上的关键信息是否会在行动前暴露？
追问是否合时。 低风险、可撤销的步骤可以先做，高风险且解释分歧大的行动应先确认。
修正是否局部。 用户能否只改正误解的部分，而不是从头重写 prompt？
行动是否分层。 建议、预览、草稿和外部执行是否具有清晰边界？
共同基础是否能维持。 已经确认的术语、偏好和约束是否在后续交互中继续有效？

Microsoft Research 在 2019 年提出的人机 AI 交互指南，已经强调能力边界、结果质量预期、纠正、撤销和用户控制。大语言模型让这些问题更加集中：当同一个输入框能够通向大量能力时，系统能做什么、正在理解什么以及将要做什么，都不再能完全依靠固定界面呈现。

界面没有消失

“从操作到解释”并不意味着按钮、菜单和直接操纵将被聊天框取代。

恰恰相反，语言打开可能性以后，传统界面经常需要回来帮助它收束。日期选择器比让模型猜日期范围可靠；差异视图比一句“我修改好了”更容易检查；权限开关、计划预览、撤销按钮和结构化引用，能够为开放解释建立明确边界。

未来的交互可能不是语言界面与图形界面的竞争，而是两者分工：

语言用来表达尚未结构化的目标；
模型用来提出解释、生成方案并连接能力；
可见界面用来检查对象、状态、差异和边界；
明确操作用来确认、修正、授权与撤销。

过去，界面主要回答“这里可以做什么”。现在，它还要回答“系统以为我们正在做什么”。

这就是从操作到解释真正改变的地方。人不再只是寻找正确功能，系统也不再只是等待正确输入。双方要在行动之前和行动之中，逐渐形成一项足够共同的任务。

AI 时代的交互质量，也不能只看系统是否快速给出了结果。它还要看解释能否显露，误解能否修正，行动能否控制，以及人是否在这个过程中更清楚地知道自己想要什么。