过去和 AI 打交道，几乎只有一种方式：在输入框里打字，然后等它回复。这个月，xAI 发布了新一代语音模型 Grok Voice 3.0，各家在语音和视觉上的投入还在加码，交互方式正在悄悄改变。
从“回合制”到“实时对话”
早期的语音助手更像对讲机：你说完，它想好，再一口气说给你听。新一代模型能做到边听边理解，你说到一半想改口，可以直接打断它，它会停下来重新组织回答。
从“描述”到“指给它看”
修理家电时，与其费劲描述某个零件长什么样，不如直接举起摄像头问一句“这个螺丝该怎么拧”。视觉理解让 AI 第一次真正“看到”了用户所处的环境。
还没解决的问题
- 延迟：对话里半秒钟的停顿，就足以让人觉得“它没在听”。
- 环境噪声：嘈杂的街头、几个人同时说话，依然是难题。
- 隐私边界：一个随时在听、随时在看的助手，需要更清晰的开关和提示。
最好的交互界面，也许就是没有界面。