AI新界面革命：23岁联创与亚马逊前研究员如何突破人机交互瓶颈

如果说大语言模型拉开了本轮人工智能革命的序幕，那么今天人机交互的瓶颈已不再是模型智商，而是人类接收信息的生理带宽。人类阅读极限约为每秒5个Token，而前沿模型输出速度正迈向每秒上千Token。当数十个Agent协同运转时，庞大生成结果沦为“没人能读完的字符废墟”。正如Andrej Karpathy所比喻，今天盯着ChatGPT对话框聊天，本质上如同上世纪80年代敲击命令行终端。属于AI时代的“图形用户界面”尚未诞生。

创立于2025年末的SigmaZ AI正试图补上这一课。不同于主流“数字人视频通话”或高成本、低可控的纯像素扩散路线，团队提出“Coding as Backbone”路径：利用扩散语言模型极高的并发生成速度，让模型直接输出可执行视觉代码，交由浏览器完成高效渲染。这一架构创新将视频生成推理成本降至传统像素视频模型的1/100，并使视频成为“可点击、可提问、实时重塑每一帧”的原生交互界面。

从Chatbot到交互视频：三次探索的闭环

两位联合创始人——23岁的连续创业者William与曾在亚马逊剑桥实验室及AGI Lab亲历语音智能、Generative UI演进的CTO Derek，拆解了从Chatbot、无限画布到“实时交互视频”的思考闭环。William介绍，团队最初确定AI交互体验必被重塑，但具体形态经历探索。先做Chatbot，用户觉限制大；后尝试无限画布，但边界过宽，用户面对白板不知如何使用，更适合创意场景。第三次尝试“交互视频”，将课件变成交互式视频课堂，用户留存良好。原因有三：理解成本低，用户天然知道视频用途；时间轴增强掌控感；将生成式页面降维为内容，操作成本低。

AI教育产品上线几周获千万级曝光，用户平均停留约11分钟，是同类产品三四倍。但超50%用户用于通用场景，如将图书变交互视频、商品变营销视频。用户反馈不为教育产品付费，但认可视频生成速度快、准确性强、成本低。

交互范式演进：快与便宜才是开关

Derek指出，人机交互界面历经三代：语音智能、Generative UI、实时交互视频。每代界面最终成为人与AI间的瓶颈。阅读速度约每秒5个Token，模型输出已达每秒80至240个Token，未来专用推理芯片可能达每秒数千Token。若使用10个Agent团队，输入输出差距达几百倍。算力不再是天花板，人才是。

Karpathy 2025年5月称与LLM聊天如用80年代Terminal，聊天框终将退回极客角落。2026年5月他再称HTML是当下最理想模态，终点是交互式视频。Derek表示，当站在正确方向，最聪明的人都在往同一方向走。

关于交互范式演进规律，Derek强调：范式迁移开关从来不是“能不能”，而是“快不快、贵不贵”。当现场生成界面变得比预先制作更快更便宜时，范式就翻页。语音助手并非识别能用那天开始赢，而是延迟降至自然对话阈值那天开始赢。

SigmaZ AI的路径，正是试图在“快”和“便宜”上做到极致，让交互视频成为AI时代的默认界面。当模型能以千分之一成本实时生成可交互视频，人机交互的带宽瓶颈或许将迎来真正的解法。这场由两位年轻创业者发起的豪赌，能否像当年的GUI一样彻底改变人机关系，值得拭目以待。