To B软件的底层功能逻辑，已经变了！

数据猿

发布于 2024-01-23 13:24:25

940

发布于 2024-01-23 13:24:25

文章被收录于专栏：数据猿

想象一下，如果和电脑或手机聊天就像和朋友聊天一样自然，会是什么样子？这不是科幻小说的情节，而是我们正在迈向的未来。随着大语言模型技术的突破，我们现在可以用平常的话语来和机器交流了。过去，我们习惯了点击图标、菜单，通过图形界面（GUI）来告诉电脑我们想要什么。但这种方式有时候会让人感到有点生硬，尤其是当我们试图处理复杂的任务时。

另一方面，科技大佬们都在说所有产品都值得用大模型重新做一遍，那具体应该怎么重新做呢？这篇文章就是要聊聊这个话题。

基于GUI的软件功能交互逻辑是怎样的？

在探讨人机交互的未来之前，先让我们回顾一下现在——特别是基于图形用户界面（GUI）的软件功能和交互逻辑。这些界面，几十年来一直是我们与电子设备互动的主要方式，无论是在办公室还是在家里。

GUI 的设计核心是基于视觉的交互逻辑，想一想你电脑上的桌面，或者手机屏幕上的应用图标。这些视觉元素，像图标、按钮和菜单，是GUI的基础，它们遵循“所见即所得”的原则，让用户通过看到的图形来理解软件的功能。这种设计使得用户能够快速学习和使用新软件，因为它们提供了直观的视觉指引。

然而，这种高度依赖视觉的界面对视觉障碍用户来说可能是个挑战。同时，GUI也需要较大的屏幕空间来有效展示，这在屏幕空间有限的设备上可能是个问题。

而且，GUI通常是任务导向的。它们通过模态窗口和对话框，来引导用户完成特定操作序列。这意味着用户通常被引导去执行特定的任务，步骤明确，界面清晰。然而，这也带来了局限性。模态交互可能打断用户的工作流程，特别是当需要频繁在不同窗口或应用间切换时。这种方式在提高用户任务专注性的同时，可能限制了灵活性和流畅性。这就像是有人在指挥你“按我说的做”，有点儿限制你的自由。

GUI的另一个核心元素是直接操控和即时反馈，用户通过拖拽、点击等动作直接与界面元素互动。这种互动方式为用户提供了直观的反馈，增强了操作的感知。但是，直接操控也意味着用户需要有一定的精细动作控制能力，这对运动能力受限的用户来说可能是个挑战。此外，对于处理复杂或抽象任务，例如大数据集的管理或高级编程，这种交互方式可能不是最有效的。

总的来说，GUI确实挺实用，但也有它的局限。现在，随着技术的发展，大家开始想，有没有更灵活、更适应个人需求的交互方式呢？

基于NLI，软件的功能、交互逻辑将完全不一样

让我们换个角度看看事情，想象一下，如果你只需要跟电脑或手机说话，它就能懂你的意思，多酷啊！这就是大模型给我们带来的魔法——通过自然语言的人机交互。

这些模型的厉害之处在于，它们不仅仅懂得字面上的意思，还能懂得那些言外之意，比如双关语、俚语，甚至是那些说话含糊的地方，这在以前的技术里是想都不敢想的。

而且，这些大模型超级擅长理解上下文。意思就是，它们不仅听得懂你现在说的话，还记得你之前说过的话。这就像是跟一个懂你的老朋友聊天一样，你不用每次都解释一大堆背景。

这些模型可以跟你来回聊上好几轮，不像以前那样你问一句，它答一句。它们能够跟上你的思路，跟你聊得更自然，更像真人一样。

正是这样一个技术突破，让机器变得更懂人，让我们跟机器的交流变得更像是跟人聊天。想想看，在不久之后，我们跟电脑、手机聊天可能就像跟朋友闲聊一样自在，这会带来多么大的改变？

最核心的一点是，这将催生出自然语言界面（NLI）的崛起。

我们正见证着产品功能逻辑的一场根本变革，特别是当我们把自然语言界面（NLI）与传统的图形用户界面（GUI）进行比较时。这种变化不仅仅是一个简单的技术更新，它实际上是重新定义了我们如何与软件产品进行交互和沟通。具体来看：

1、用户界面（UI）设计的基本原则需要转变

让我们谈谈用户界面（UI）设计的转变，传统的GUI依赖于视觉元素，比如按钮和图标，来指导用户。但是，在NLI的世界里，这些元素的重要性正在减少，取而代之的是对话框、语音输入和反馈机制。

想象一下，你可以通过简单地说话来浏览网页，或者用语音命令来控制你的应用程序。这种以语言为中心的界面不仅让交互变得更加自然，还大大简化了界面设计，使之变得更加清晰和简洁。

2、用户体验（UX）的功能逻辑需要重新思考

在NLI的世界里，UX设计师需要更多地考虑如何让语言交互流畅和直观。这意味着设计师需要思考如何通过自然语言，来有效地引导用户完成任务，而不是依靠传统的点击和滚动操作。例如，一个智能助手应用可能需要能够理解和响应用户的自然语言查询，而不是让用户通过一系列的菜单选择来找到他们需要的信息。

此外，随着NLI的发展，我们还看到用户界面变得更加个性化。系统可以根据用户的语言习惯、喜好和过去的交互历史来定制响应和选项，这不仅提高了用户体验的质量，还大大减轻了用户的认知负担，因为他们不再需要记住复杂的操作步骤或导航结构。

3、人机交互可以是动态的、非线性的、随性的，让系统来适应人，而不是让人去适应系统的逻辑。

在GUI系统中，用户的交互通常是预设和有限的，你得按照特定的路径和方式去点击、滑动或输入。但在NLI的世界里，一切变得不同了。

NLI带来的最大变革就是它的动态性和非线性，你不再被限制在菜单和按钮的框架内。想问什么就问什么，指令也可以是随机和自发的，系统都能灵活应对。这就像是打破了原本的规则，让交互变得更自由、更符合人类的自然沟通习惯。

更重要的是，NLI能实时调整响应。这不仅仅是对问题的直接回答，而是一种能够根据对话内容和用户需求的变化进行调整的能力。比如，你在电商平台购物时可能会随意地问：“这件衣服有其他颜色吗？”然后又问：“有没有相似的款式推荐？”NLI系统能够理解这种连贯的对话，给出合适的建议，而不是简单地返回到起点或者要求用户重新导航。

这种灵活性和适应性是GUI难以比拟的，在GUI中，用户需要适应软件的操作方式；而在NLI中，软件适应用户的交流方式。这就大大提高了交互的自然性和效率，同时也降低了用户的学习曲线。

两个产品例子

那么，基于NLI的产品可能会“长”成什么样呢？又是怎么跟用户进行交互的呢？接下来，我们分别来看两个例子：C端电商产品，和B端BI数据分析产品。

电商产品——不再是商品展示与筛选平台，而是一个线上购物助手。

想象一下，你打开了一个基于NLI的电商平台。界面简洁，中央有一个像聊天窗口的区域，邀请你开始对话。你可以直接输入或说出：“我在找一双舒适的跑鞋。”

系统立即响应：“您喜欢哪个品牌？有特定的预算吗？”你回答：“预算大概100美元左右，品牌不限。”系统迅速展示了一系列选项，并问：“您是为了训练还是比赛？需要专业跑步鞋吗？”这个对话就像是与了解你的朋友聊天一样自然。

你说：“是为了周末的马拉松训练。”系统随即提供了适合马拉松训练的鞋子，并附带用户评价和详细的产品信息。同时，它还建议：“根据您的需求，这款具有良好缓震效果的跑鞋可能适合您。您还需要配套的运动装备吗？”

你感兴趣地回复：“展示一些。”接着，系统展示了与你选择的鞋子风格和功能相匹配的运动服和配件。在整个购物过程中，系统不仅回应了你的具体需求，还主动提供了相关建议，使得购物体验既个性化又高效。

在这个基于NLI的电商平台上，你不再需要穿越复杂的分类或过滤器，一切所需信息都通过对话获得，就像有一个虚拟的购物助手在帮助你做出最好的选择。

接下来，我们再来看一个B端产品的例子。

BI数据分析产品—— 不需要拖拉拽，只需要说出你的需求。

想象一下，你正在使用一个基于NLI的BI数据分析平台。这个平台的界面非常简洁，主要是一个对话框，你可以在这里用自然语言提出数据查询和分析的请求。

你登录进系统，开始提问：“展示上个季度所有产品的销售数据。”系统迅速理解你的请求，并展示了一个详细的销售报告，包括各产品的销量、收入和增长趋势。

然后，你可能想深入了解特定产品的表现，于是你继续输入：“对比一下产品A和产品B在不同区域的销售表现。”系统不仅展示了这两个产品在不同地区的销售数据，还智能地生成了一个直观的对比图表，帮助你更清楚地看到区域市场的差异。

为了进一步的分析，你问：“哪些因素影响了产品A的销售？”这时，系统通过其高级数据分析功能，提出了几个可能的因素，如市场趋势、促销活动的效果和竞争对手的表现，并提供了相关数据的深入分析。

在这个基于NLI的BI平台上，你不需要精通复杂的查询语言或手动操作数据。你只需提出问题，系统就能理解你的意图并提供相应的数据和分析。这使得数据分析变得更加直观和快捷，即使是非技术背景的用户也能轻松进行复杂的数据分析。

前途是光明的，但道路是曲折的

当然，上面我们做了一些很美好的设想，但要实现这些设想其实是很有难度的。

虽然这些大模型挺聪明的，能懂我们说的话，但有时候它们还是会弄错。比如，当我们说些复杂或者有点含糊的话时，这些系统可能就不太能跟上了。而且，这些模型虽然能记住我们聊过的内容，但如果聊得太久，它们可能就会有点跟不上节奏，忘了之前聊过什么。

而且，如果要让这个系统服务全世界的用户，它还得能懂各种各样的语言和方言，这可不是件容易的事。

还有一个头疼的问题是隐私，为了让这些系统更懂我们，它们需要收集很多我们的信息。这就让人担心，我们的私人信息会不会被泄露出去。

另外，大家都习惯了用传统的点击和滑动的方式和电子设备交流。突然让大家改用语言来操作，这需要一段时间去适应。

响应的精准度和流程化也是一个大挑战，用户可能会有各种各样的需求，有些是直接和明确的，有些则是模糊和多层次的。系统需要能够从这些需求中提炼出关键信息，并给出恰当的回应。这不仅需要系统能够处理复杂的查询逻辑，还要能在必要时引导用户提供更多信息，以便形成更加完整和精确的响应。

当然，开发和维护这种高大上的NLI系统可不便宜，对很多公司来说，这可能是个大投资。用某些科技大佬的话说，要用大模型来将所有业务重做一遍，那意味这原有产品体系的大规模改造，这是一个系统工程。不仅投入巨大，失败的风险也很大。就像当初从PC互联网转向移动互联网，大家都知道这是一个大趋势，但真正拿到移动互联网船票的人毕竟是少数。

而且，基于人机对话的产品具体应该是什么样，我们完全不知道。在这个过程中，肯定会产生很多让人啼笑皆非的“试验品”。还记得2018年罗永浩发布的那个“TNT工作站”么？号称是要颠覆人们的办公方式，通过语言来让电脑办公，结果嗓子都吼哑了，也没能完成几项工作。当然，罗永浩当年发布“TNT工作站”的时候，大模型技术还没成型，人机之间的语言交流还远不如现在流畅。所以，这是时代的局限，不怪罗永浩。