多模态交互正重塑人机互动的未来，从单一感官通道到视觉、听觉、触觉的融合，AI技术让交互方式无限接近真实世界的自然交流。本文将深入探讨多模态交互的定义、优势、理论基础及设计挑战，揭示其如何在不同场景中提升用户体验，以及在未来人机交互中的潜力与局限。
随着 AI 时代的到来，越来越多的产品实现了从单一模态的交互到多模态交互的跨越。逐渐涌现的多模态大模型、具身智能等，让我们不再局限在单一维度的人机交互。
AI 时代下的人机交互正无限接近于真实世界的人与人之间的自然交流，为用户提供多维度的输入输出能力及情感反馈。
在人机交互（HCI）领域，“模态”（Modality）一词有两种常见的含义：
单模态交互（Unimodal Interaction）是指用户与系统之间仅通过单一感官通道（如视觉、听觉、触觉等）进行信息输入或输出的交互方式。例如：我们通过键盘输入文字，屏幕展示文字，传递单一视觉通道的信息。
想象一下，夏日傍晚走过一段热闹街区，我们能观察到沿街餐厅的布置，闻到食物飘散的香味，听见人群的谈笑声，同时还能品尝手中的饮料，所以人与环境、人与人天然就是多模态的交互。
我们理解多模态交互定义之前，先明确三个概念：感官、媒介、模态：
多模态交互定义（Multimodal Interaction） 是指用户与系统之间通过多种感官通道或交互方式（如语音、视觉、触控、手势等）协同完成信息输入、处理和输出的过程。
多模态交互从1979年首次提出发展至今，PC 时代”Put That There”首次将语音和手势交互相结合，开创了多模态交互的先河。后续多模态交互逐渐应用在：智能手机、智能音箱、智能眼镜等产品形态。2024年，Open AI 发布的原生多模态大模型，支持语音和视觉的实时交互。它能够很好的理解用户语音中的语调和情感，并以富有情感化的语气、笑声进行回应。同年，谷歌也发布了支持实时视觉与语音交互的多模态手机助理。
谷歌多模态大模型：支持视觉和语音实时问答
多模态交互得以快速发展的原因：一、与多模态交互相关的 AI 算法逐渐成熟，包括语音识别、自然语言理解和计算机视觉技术；出现“会听、会说、会看、会写”的多模态大语言模型。二、AI 芯片和传感器能力增强与成本的下降。两者为多模态交互的推理能力和感知能力奠定了技术基础。
“理想的界面是没有界面。计算机可以给我：我所想的东西、或者我应该考虑的东西。”—— 来源：Van Dam, Post-WIMP User Interface,1997
多模态交互更贴近人类本能交互方式，可以通过对话、面部表情、肢体动作等表达自己的意图，而不是仅仅局限在单模态交互的方式。降低认知负荷，以智能音箱为例，对于正在咿呀学语的幼儿来说，通过对话方式让音箱播放音乐不仅有趣，而且比点击屏幕界面要简单得多，能让他们更轻松、直接地表达自己的意图。
多模态交互提供多样化的输入输出模态，适应不同的人群需求。例如：在不方便操作手机的离手场景，用户可以通过语音执行指令；视障人群可以结合语音与手势进行交互；听障人群可以借助视觉与手势操作设备。
提升效率：多模态并行输入输出，不局限在单模态交互，提升交互效率。例如：现有的扫地机器人是围绕预设空间进行清理，在不远的未来，我们可以指着餐桌同时对扫地机器人说：“帮我清理一下餐桌下面的食物残渣。”通过手势和语音结合的多模态输入，提升输入效率。提升鲁棒性：在复杂多变的环境中，面对未知问题的抗干扰能力、容错性较强。例如：自动驾驶采用多传感器互补策略，通过摄像头、毫米波雷达、激光雷达等不同传感器的特性，识别交通信号灯、近距离障碍物等。
在增强现实（AR）、虚拟现实（MR）等应用中，通过视觉、声音、震动等多感官信息传输，能为用户营造更加身临其境的体验，从而提升其参与度和投入感。
目前多模态交互的理论基础主要来自认知心理学领域，分别是：多重资源理论和记忆模型。
多重资源理论（MRT）核心观点阐明了人的注意力不是单一维度，而是分布在多个维度（视觉、听觉、空间等感知）。
如果任务都集中在一个感知通道，会造成认知负荷。多模态交互正是基于不同感官通道的协同，降低用户负荷。我们在开车时，视觉通道需要：看路面；车机导航如果仍然需要用户：看屏幕后点击操作，会导致视觉通道拥挤，互相抢占资源。如果此时导航操作采用语音的方式，就避免了这个问题，让驾驶场景更加安全。
Baddeley 定义的工作记忆模型将人类短时认知加工分为：语音环路、视觉空间模版、情景缓冲区、中央执行系统。可以看到我们对于短期记忆的信息处理天然就是“多模态的”，从人类短期信息存储与加工机制的角度，论证了多模态交互也能减轻认知负荷、提升效率。
回到用户体验层面，多模态交互需要考虑什么呢？
我们熟悉的界面交互是采用固定的流程进行约束，用户去学习、适应不同的功能。遇到错误异常情况，需要按照预设的路径：选择返回重新开始。而多模态交互意味着更直觉化、个人化的输入方式，不同用户之间行为习惯导致的差异性巨大。
我们可以看到谷歌 Gemini 2.5 pro 对于多模态 AI 助理核心能力的定义是：
例如：在一个修理单车的场景，用户可以与手机进行视觉加语言的实时多模态交互，用户可以随时查询墙面上单车零件信息，助理根据不同的指令自动化操作手机界面。当用户与其他朋友对话时候，AI 助理面对临时性的对话打断，也可以灵活的屏蔽非机主声音，等用户结束与他人的对话后，也可以完整的接续语境。
2025 谷歌 I/O 大会Gemini 2.5 pro
除了应对用户更直觉、随性的输入，再往深层考虑，AI 时代的多模态交互需要理解：贯穿于生活中常识性、约定俗成的规则、人类信仰等内容。
下面是心理学家兼语言学家斯蒂芬·平克(Steven Pinker)设计的一段简短对话：鲍勃：“我要离开你。”爱丽丝：“她是谁？”电视剧中经常出现这种对话，我们可以很容易的理解这段话意思，甚至可以推测出爱丽丝现在很生气。 但是让智能助手理解这段话并不简单，它需要理解贯穿于生活中的常识性规则、欲望和关系等等。
再举个手势设计的例子，“ok”这个手势在不同的国家有不同的含义：在中国、美国表示事情是妥妥的；在土耳其、希腊则是极具侮辱性的手势。所以多模态交互需要从对话、手势、视觉、声音等维度去考虑人类的信仰、文化背景。
多模态交互在语音、触控、视觉的多维输入输出方式，让原本局限在手机屏幕内的界面交互向真实物理世界进行外延。设备可以感知物理世界的景象、声音，同时直接反馈给用户，让数字世界和物理世界开始深度融合。
真实物理世界是多变的，这就要求功能交互具备灵活的适应性、主动学习能力。正如 Rich Sutton 在 RLC 会议上表示物理世界是复杂的、非线性的、动态的。AI 要能够从运行中学习、规划、行动。
因为真正的 AI 与真实世界、人类进行交互的时候，会发现世界可能并不想原来预训练时所期望的那样，肯定无法完全预先了解、预见与世界互动交互所需要的所有复杂细节和所有抽象的概念。从中我们可以预见到动态学习、推理判断、执行能力是AI时代下多模态交互的基石。
“我想任何有意识的实体可能都期望：将自己设置成被无限可能地使用。”—— 来源：《2001太空漫游》
图左：特斯拉 Optimus
图右：树宇 H 型人形机器人
具身智能同样强调交互中的“动态适应”能力，能够在复杂、未知的环境中学习适应。通过“身体”的硬件与环境进行互动、实践，从而更贴近真实的人机交互场景。
2025 谷歌 Android XR 智能眼镜
2025 年谷歌 I/O 大会上，发布了搭载 AI 助手的 Android XR 智能眼镜，通过设备端通过内置镜头、麦克风“听到、看到”输入信息，通过镜片内置显示屏、扬声器反馈导航信息。
“我们将迎来崭新的巨大平台，世间万物均可以与 AI（人工智能）链接，现实世界与数字化将完美融合，被称为镜像世界的 AR（增强现实）将会诞生”。—— 来源：凯文·凯利《5000天后的世界》
谷歌智能眼镜
左图：实时翻译
右图：导航
当多模态交互应用在智能眼镜、具身智能等场景，设备正在搜索、获取大量的非常个人化的数据，比如：你在你看什么、你的表情是什么、你做了什么动作、你所在位置、你周围的环境……所以我们应该更加注重用户隐私与个性化服务之间的平衡。
我们需要理解：一方面用户不希望自己的隐私数据被随意获取，另一方面想要获得个性化服务就必须提供相关数据。
那么平衡隐私与个性化这个天平的核心在于：互见性。即用户拥有知情权，可以从知道自己哪些数据被获取、被谁调用或访问。同时用户有途径通过公开透明的途径进行申诉的机制。这样一来，当用户才会让渡部分隐私权，提供多模态的个人数据从而获取更优质的个性化服务。
本文系统性梳理了多模态交互的核心定义、独特优势、理论基础及设计思考。
在这个 AI 井喷式发展的时代语境下，变化的，是不断革新的硬件感知能力和多模态算法能力。促使多模态交互应用在手机、可穿戴设备、车载、具身智能等不同领域。
不变的，是我们对更自然、更真实的人机交互方式的探索。人类天然是通过视觉、声音、表情、动作传递信息和表达自我，而“多模态交互”的意义，正是让人机交互逐渐贴近人与人、人与原生世界的交互范式。
参考文献
图片来自网络公开资料，若涉及版权请联系修改。
本文由 @HAI Design 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。