聊天GPT式界面是否会取代图形用户界面？

在参加了由Jordi主持的关于超级著名的ChatGPT的研讨会后，我对这个问题着迷了：

自然语言处理接口（如ChatGPT）是否会取代传统的图形用户界面？

我记得大约7年前在Tiendanube工作时，我也曾提出类似的问题，当时我们正在尝试谈话式商务。那时候，聊天机器人全面爆发，成为了一种趋势。最终，所有的热潮都逝去了，一些聊天机器人留存下来，但远远没有达到革命的程度。技术仍然很原始，用户体验也远非愉悦。图形用户界面从未受到威胁。

现在是2023年，ChatGPT打破了现状。非常显著。使用这项技术交谈感觉非常自然，令人感到害怕。

ChatGPT中文站 — Created with Bing Images. Powered by DALL-E

自然互动

在他的书《未来事物的设计》中，唐纳德·诺曼讨论了设计与人们与技术的相互作用的各个方面。虽然这本书主要关注未来技术的设计，但诺曼确实提及了自然交互的概念。

诺曼强调了与人类能力和行为相一致的技术设计的重要性。他认为技术应该被设计成适应和支持自然互动，在这种情况下，用户可以轻松理解和操作设备，而不需要明确的学习或有意识的努力。

诺曼批评了用户应该适应技术的想法，相反建议技术应该适应用户。他强调了需要直观的界面，能够利用自然人类的技能和能力。这包括设计能够利用人类感知、记忆和认知的设备和系统，让用户可以以轻松和熟悉的方式进行交互。

现在想想自然语言处理技术。没有学习曲线，没有特别的语言，没有新的符号学。这是自然交互的顶峰。

不是所有闪光的东西都是金子

无论如何，虽然自然语言处理在近年来取得了重要进展，但仍存在一些未解决的挑战。

只是举几个例子，以下是自然语言处理所面临持续挑战的一些关键领域：

理解上下文和常识：自然语言处理模型经常难以 grasp 必要的上下文和常识知识来准确解释语言。虽然类似 GPT-3 的模型可以生成连贯的回答，但由于理解对话或世界知识的广泛背景的限制，也可能产生不正确或毫无意义的答案。

处理歧义和歧义解决：语言本质上是模棱两可的，NLP 模型可能会在消歧方面遇到困难。准确和一致地解决不明确的指称、词义或惯用表达对 NLP 系统来说是一项具有挑战性的任务。

处理罕见或超出词汇表的单词：NLP模型通常从大型数据集中学习，但当遇到训练数据中不存在的罕见单词或特定领域术语时，它们可能会遇到困难。有效处理这些词汇表外的单词并推广到新的词汇表仍然是一个挑战。

伦理和偏见相关问题：NLP模型可能无意中延续培训数据中存在的偏见。它们可能会生成反映性别、种族或文化偏见的响应，从而导致偏见或不公平的输出。减轻偏见并确保合理使用NLP模型是一个持续的挑战。

将语言根植于物理世界：理解语言与物理世界的关系是NLP所面临的一个挑战。尽管在图像字幕或视觉问答等领域已经取得了进展，但完全将视觉或传感器信息与语言理解融合仍然是一个挑战。

在较长的对话中进行上下文理解：自然语言处理模型通常很难在延续的对话中保持一致的上下文理解。保持连贯的对话或理解先前对话中提到的参考可能对当前模型造成困难。虽然我认识有类似困难的人。

生成解释和提供推理：虽然NLP模型能够生成响应，但它们常常缺乏明确的推理或解释决策的能力。透明地解释为什么会生成特定的响应或提供详细的推理，仍然是一个悬而未决的挑战。

GUI（图形用户界面）和适应性特征

理想情况下，良好的设计应提供清晰和直观的可用性，使用户能够轻松地理解和预测如何使用特定的对象或系统。在前面提到的书中，诺曼还强调了知觉和实际可用性之间的区别。所知觉可用性是用户从对象中感知或解释的线索或信号，而实际可用性是对象提供的真实功能和功能性。他建议设计师应努力使知觉和实际可用性相一致，以最小化混淆和增强可用性。

反馈帮助用户了解其行为的后果，并提供关于系统或对象状态的信息。有效的反馈增强了感知到的可用性，并指导用户与设计进行交互。

图形用户界面，当正确设计时，具有以用户能够完美理解其功能和功能为方式进行交流的能力。用户能够预测系统的行为。

您清楚地知道音量旋钮的工作原理、操作方法、所有功能以及当您触摸它时会立即发生的事情。