未来的软件没有固定界面,只有为你生成的那一帧|12个前沿场景深度推演

前段时间，Andrej Karpathy（OpenAI 创始成员、特斯拉前 AI 负责人）讲了一个自己的故事。

他之前做过一个小 App，叫 MenuGen：在餐厅拍下菜单，它帮你识别每道菜，再给每道菜配一张图。为此他写了识别文字的代码，接了画图的接口，做了一套界面，搭了一个后台。

后来他看到了另一种做法：直接把菜单照片丢给 Gemini，说一句"把菜画到菜单上"。几秒钟后，模型返回一张图。还是他拍的那张菜单，但每道菜旁边，已经出现了那道菜的样子。

Karpathy 说这一幕让他大受震撼："我的 MenuGen 整个都是多余的，它活在旧范式里。这个 App 本不该存在。"

这句话值得每个做软件、用软件的人想一想。按钮、菜单、页面、App，我们一直以为它们就是软件本身。其实它们只是人和机器之间的"翻译层"：机器听不懂人话，所以我们发明了按钮；机器没法理解你此刻想干什么，所以设计师提前把所有可能画成了页面。

当机器能直接听懂你、直接给出结果，这层翻译会变成什么样？

先把结论放在前面：

1界面正在从"设计师提前画好的产品"，变成"为你当场生成的东西"。

2生成界面有三条路：拼积木、写代码、画像素。 今天能用的是前两条，最有想象力的是第三条。

3千人千面不是换皮肤，而是界面的主导权从公司回到个人手里。

4未来使用界面最多的，可能不是人，而是替你办事的 AI。

5最后的形态是"骨架固定、血肉生成"。 常用的东西待在老地方，其余的随你而变。

下面一个一个说。

· · ·

▍ 一、软件界面 50 年，只换过两次"脸"

最早的电脑，你得说机器的语言：敲命令、记参数，错一个字母就报错。这是命令行。

1984 年，苹果 Macintosh 把图形界面带进了普通人的生活：窗口、图标、菜单、鼠标，看见什么就点什么。之后 40 年，从 Windows 到 iPhone，本质上都是这张"脸"的变体。触屏只是把鼠标换成了手指。

2022 年底，ChatGPT 来了。我们得到了一个聊天框。

很多人觉得聊天框就是 AI 时代的界面。Karpathy 的看法正相反：他说每次在聊天框里和大模型打字，都感觉像是在用终端和一台操作系统对话。大模型相当于一种新的计算机，而我们正处在它的"1960 年代"：能力惊人，界面原始，真正通用的图形界面还没被发明出来。

想想你每天用 AI 的体验：想要一个旅行计划，得到的是一大段文字；想比较三款手机，得到的是一张 Markdown 表格。Google 的研究团队在论文里直接管这个叫"一堵文字墙"。

所以，聊天框不是 AI 时代的终点，而是它的命令行。 下一张"脸"正在长出来。

· · ·

▍ 二、下一代软件界面的三条路线：拼积木、写代码、画像素

让 AI 给每个人生成界面，今天大致有三种做法。

第一条路：拼积木

开发者先准备好一盒"积木"：按钮、卡片、表单、图表、日历。AI 根据你的需求，决定用哪几块、怎么摆，App 再用自己原生的组件把它渲染出来。

Google 推出的 A2UI 协议就是这个思路：AI 不直接画界面，而是发出一份"搭建说明书"，手机、网页、桌面端各自照着搭。2026 年 1 月正式成为标准的 MCP Apps，则让一个服务能把自己的小界面直接"嵌"进 ChatGPT 这类 AI 助手里，ChatGPT 已经支持。

打个比方：积木是设计师做好的，拼法是 AI 决定的。 好处是稳定、好看、品牌统一；局限是永远跳不出这盒积木。

第二条路：写代码

更大胆的做法是：没有积木，AI 当场从零写出一整个交互界面。

2025 年 11 月，Google 随 Gemini 3 推出了"动态视图"。你问一个问题，Gemini 不再回一段文字，而是当场设计并写出一个专属的交互页面。同样是解释"肠道微生物"，给 5 岁孩子的是一个会动的卡通小世界，给成年人的是一份可以交互的科学图解。

Google 在配套论文里做了测试：如果不考虑生成速度，在 83% 的情况下，人们更喜欢这种生成出来的界面，而不是传统的文字回答；在 44% 的情况下，它的质量已经能和人类专家做的页面打个平手。更关键的发现是，这种能力是"涌现"的：老一代模型做不好，新一代模型突然就会了。

Anthropic 在 2025 年 9 月做过一个更激进的实验，叫 Imagine with Claude：没有任何预先写好的功能，你点哪里，Claude 就当场把那里的软件"长"出来。

说到这里，要讲清一个很多人误会的事。最近 X 上刷屏的那些 AI 游戏，比如 Opus 5 做的第一人称射击游戏、一句话生成的《我的世界》复刻版，画面惊艳，但它们不是模型"画"出来的视频，而是模型写出来的代码。

以网友做的射击游戏 Claude of Duty 为例：大约 5.5 万行代码，没有用任何一张外部图片、一个外部模型或一段外部音频。地形是算出来的，材质是着色器代码，连声音都是现场合成的。另外，"一句话生成"背后往往有大量打磨：一个沙漠探索游戏的作者说，他的初始提示词只贡献了最终效果的两成，整个项目做了约 14 个小时、花了约 500 万个 token；一个《我的世界》复刻版消耗了 2500 万个 token。

这条路的好处是精确：文字清晰，按钮真的能按，逻辑真的能跑。局限是慢，Google 自己承认生成一次有时要一分钟以上，而且每次生成都像完成一个小项目。未来随着模型生成速度的提高，这一局限也将不再存在。

第三条路：画像素

第三条路最科幻：没有代码，没有按钮，没有网页。 模型看着你的鼠标、键盘和手指，直接预测下一帧画面应该长什么样。

这条路先在游戏里被走通了。2024 年，Google 的 GameNGen 用神经网络"跑"起了经典游戏《毁灭战士》（DOOM）；同年 10 月，Decart 发布的 Oasis 实时生成了一个《我的世界》式的世界，每秒 20 帧，官方原话是"没有物理引擎，只有一个基础模型"；微软随后在 Copilot Labs 里放出了一个完全由模型生成、可以实时玩的《雷神之锤 II》。

然后，它开始进入软件界面。

入选 ICLR 2026 的 NeuralOS 用大量 Ubuntu 桌面的操作录像训练出一个模型，它能根据你的鼠标和键盘，"画"出整个操作系统：打开窗口、启动程序，全是预测出来的像素。研究者甚至教会了它"运行"一个根本没装过的程序。

2026 年 8 月 31 日，Runway 发布了 Solaris，称之为第一个"界面世界模型"。它提出的问题是：如果操作系统在你使用的同时，把 App 和网站生成出来，会怎样？ 它的分工很有意思：一个大语言模型负责决定"接下来应该发生什么"，一个世界模型负责把这件事"画"成每一帧。目前 Solaris 还处在申请试用阶段。

一句话总结三条路：前两条是让 AI 当程序员，第三条是让 AI 当显示器。

它们不会互相取代，就像今天网页、原生 App 和游戏引擎各司其职一样：要可靠就拼积木，要灵活就写代码，要沉浸就画像素，但很有可能今天的边界在未来被打破。

· · ·

▍ 三、千人千面，"千"的到底是什么

说到"千人千面"，很多人想到的是换主题、换头像、首页推荐不一样。那只是表层。

第一层：结构不同

同一个产品，新手需要引导、更少的按钮、更大的提示；老手想要密集的数据、快捷键和高级筛选。过去只能一刀切，给所有人同一套界面，然后指望新手自己去看教程。

生成式界面改变的是结构本身：该出现哪些功能、信息密度多大、操作分几步，都可以因人而异。就像前面那个例子，给孩子和给成年人讲微生物，不只是用词不同，而是完全不同的两个"应用"。

第二层：主导权反转

更深的变化，是界面由谁说了算。

用户体验领域的泰斗 Jakob Nielsen 有一条著名的"雅各布定律"：用户大部分时间都在别人的网站上，所以你的网站最好和别人的一样。过去几十年，是用户去适应每家公司的界面。

在 2026 年的一篇文章里，Nielsen 提出了一个反过来的设想，叫 "自带界面"（Bring Your Own Interface）：你的 AI 助理学会了你的习惯，比如导航放哪、表格怎么排、"撤销"对你意味着什么，然后把每一个服务都渲染成你熟悉的样子。你的肌肉记忆不再依赖厂商别乱改按钮，因为你的界面跟着你走。

Nielsen 的评价是：这将是自图形界面诞生以来，界面主导权从公司转向个人的最大一次迁移。

但不是什么都该变

Nielsen 同样清醒。2026 年年中复盘自己的年度预测时，他给"生成式界面取代静态软件"这一条打了 47 分：生成式界面在新手引导、数据看板、搜索小组件这些场景里很成功，但专业软件依然依赖固定布局。如果一个常用按钮每天换个位置，没人受得了。生成式界面最大的挑战是人类的习惯。

所以，更合理的形态是：骨架固定，血肉生成。 就像一座城市，道路和地铁线不会天天变，但街边的橱窗每天都可以不一样。高频的操作待在老地方，低频的、跟情境有关的部分，按你此刻的需要当场生成。

· · ·

▍ 四、软件界面最大的用户，可能不是人

这是一个很少被讨论、但可能最重要的变化。

Karpathy 说，数字世界现在有了第三种"用户"：人用图形界面，程序用 API，而现在多了 AI 智能体，一种"像人一样的计算机"。它会像人一样看网页、点按钮、填表单，但速度快得多，数量也多得多。

数据已经在说明这件事。安全公司 HUMAN Security 的 2026 年报告显示，智能体流量一年增长了约 7851%。Google 的 Chrome 从 2026 年 1 月起在电脑上提供"自动浏览"：Chrome 可以自己浏览、点击、填表，替你完成多步骤任务；6 月底，这项功能来到了安卓手机。Google 还推出了 WebMCP，让网站直接把"下单""查库存"这类功能以工具的形式交给浏览器里的 AI，而不是让 AI 去猜按钮在哪。

这意味着，软件会长出两张脸：

●一张给机器：结构清晰、稳定可靠，让 AI 能准确调用；

●一张给人：按需生成，只在你需要看、需要决定的时候出现。

就像一家餐厅，后厨讲究标准流程，前厅讲究让客人舒服。以后每个软件都会有自己的"后厨"和"前厅"。

那么，人在界面上做什么？Nielsen 的判断是：人的角色从"操作员"变成了"监工"。 你不再一步步点击，而是说出想要的结果，让 AI 去规划和执行。他把未来的界面分成三层：

1意图层：你说想要什么。它会越来越懂你，甚至根据你的日程和习惯，提前把请求草拟好，你只需要点头。

2编排层：AI 把计划摆出来给你看、征求你同意；做完之后，给你一张"回执"：改了什么、用了哪些信息、哪些还能撤销。

3直接操作层：传统的按钮和菜单并没有消失，它们退到后面，当你想亲手调整时随时可用。

Karpathy 补充了另一个角度：图形界面反而变得更重要了。因为 AI 负责生成，人负责确认，而"看"比"读"快得多，图形是通往大脑的高速公路。他还提出了一个很形象的设计："自主性滑杆"。就像钢铁侠的战衣，可以只帮你增强力量，也可以完全自主行动；放手多少，由你来拨。

所以，未来屏幕上最常用的，也许不是"开始"按钮，而是"批准"和"查看回执"。

· · ·

▍ 五、从屏幕走进世界

界面还有一个更大的变化方向：它不再只待在一块屏幕里。

2025 年 8 月，DeepMind 发布了 Genie 3：输入一句话，它就生成一个可以实时漫游的世界，720p 分辨率、每秒 24 帧，能保持几分钟的连贯。你还可以边走边改："下雨吧"，天就下雨；"来一只鹿"，鹿就从树林里跑出来。要知道，2024 年初的第一代 Genie 还只能生成低分辨率的 2D 小游戏，前后只用了一年半。2026 年 1 月，Google 已经把基于它的原型开放给了部分付费用户。

李飞飞创办的 World Labs 走的是另一条路。2025 年 11 月，他们开放了 Marble：用一句话、一张照片或一段视频，生成一个可以保存、编辑和导出的 3D 世界。生成的世界可以直接用 VR 进入，在 Apple Vision Pro 上打开浏览器就能走进去。2026 年 1 月，他们又开放了 World API，任何开发者都能把"生成一个世界"做进自己的产品。

另一头，眼镜正在变成新的屏幕。Meta Ray-Ban Display 在镜片里藏了一块小显示屏，配一个能读取手腕肌肉电信号的腕带：手放在口袋里，捏一捏手指就能操作。Google 说安卓 XR 是"第一个诞生于 Gemini 时代的安卓平台"，眼镜上的 AI 能看懂你眼前的东西，并替你采取行动。

有一个细节很有意思：给眼镜设计界面时，Google 要求开发者背景必须是纯黑色。因为在透明镜片上，黑色等于"透明"，任何别的颜色都会挡住真实世界。界面设计的基本规则，已经在被改写。

这一切指向同一个方向："应用"会变成"场景"，界面会溶解进环境里。 图形界面的核心隐喻是"窗口"，你透过它看数字世界；空间界面的核心隐喻是"地方"，你直接走进去。

当然，这还是早期。Genie 3 目前的"记忆"大约一分钟，眼镜上的应用也还不多。但正因为早，想象的空间才足够大。

· · ·

▍ 六、脑补一下：你每天用的软件，10 年后长什么样

前面讲的都是趋势，趋势总是有点抽象。我们换个玩法：把你手机和电脑里最常用的 12 个软件挨个拎出来，想象当"会生成界面的 AI"、"世界模型"和"随身 AI 助理"都成熟之后，它们会长成什么样(欢迎在评论区留言，分享你对未来软件的想象)。

先立一个规矩：凡是今天已经能做到的或者做成熟的，都不算。

· · ·

1. 微信：聊天记录，变成一个可以回去的地方

今天：聊天是一条往上滚的文字流。约个饭，群里来回拉扯半小时。

未来的一天：

周三晚上，你在六个人的大学群里说了一句"周五聚一下？"，然后就去忙别的了。

每个人的 AI 助理在后台碰了个头：老张周五加班到八点，小李最近在控糖，阿May 只方便在地铁 2 号线附近。十秒钟后，群里长出一张卡片：三家餐厅、一个时间、人均预算。

你点开第二家，不是翻照片，而是直接"走"了进去。那是世界模型根据店铺照片生成的空间，你能看到靠窗那张大桌傍晚的光线。六个人的头像浮在这个空间里，谁点了"就这家"，谁的头像就坐到桌边。

聚完饭，群里多出一个"回忆"：用当晚大家拍的几十张照片生成的立体场景。半年后你想起那一晚，点进去，还能绕着那张桌子走一圈。

群里的妈妈呢？同一场对话，在她那边自动变成大字号和语音按钮。她什么新功能都不用学。

交互变化：从"在群里聊着把事办了"，到"说一句话，各自的 AI 把事办完"；照片从一张平面，变成一个可以回去的地方。

· · ·

2. 小红书：从"种草"，到"先活一遍"

今天：刷笔记、点收藏。收藏夹里躺着三百篇大理攻略，真到了大理，一篇也想不起来。

未来的一天：

你收藏的三百篇笔记不再是一个列表，而是被 AI 融合成了一座"你的大理"：每篇笔记是这座城里亮着的一盏灯。

出发前一晚，你花五分钟把三天行程"先活一遍"。清晨走进洱海边那家民宿，世界模型按你出发那一周的天气，渲染出湖面上的晨雾；中午那家被夸爆的菌子火锅，门口会不会排长队，AI 用往年同期的数据帮你模拟出来。你觉得第二天太赶，直接把"喜洲古镇"那盏灯拖到第三天，整条路线跟着重排。

穿搭笔记也不再是商家和模特的身材。点一下，那套衣服就穿到了你的数字分身上，在你家的穿衣镜前转一圈给你看。

更有意思的是反过来。旅行回来，你不用绞尽脑汁写笔记了：AI 把你三天拍的东西整理成一篇别人能"走进来"的空间笔记，你只需要决定分享哪几个角落。

交互变化：从"看别人的生活"，到"先试一遍自己的生活"。

· · ·

3. 淘宝 / 京东：货架消失，你家就是样板间

今天：搜索、筛选、比价、翻评论。一张沙发比一个星期，买回来发现颜色和客厅不搭。

未来的一天：

你拿手机绕客厅扫一圈，你的家就有了一个"数字孪生"，也就是一个一模一样的虚拟副本。

你说："想换个沙发，五千以内，家里有猫。"

你的购物助理出门了。它去和几百家店铺的 AI 导购谈：哪款面料抗猫抓，哪家周六前能送到，能不能再便宜两百。

你看到的不是一页商品列表，而是你自己的客厅，里面已经摆好三个候选沙发，可以一个个"换上"。戴上眼镜，你坐下去，看看从沙发上看电视的角度对不对。下午四点的阳光打在那块燕麦色布料上，比任何商品图都真实。

想要的颜色没有？"那就做一个。"设计当场生成，直接下单给工厂。这张沙发，全世界只有你家有。

交互变化：从"人去逛货架"，到"货走进你家"；讨价还价交给两边的 AI。

· · ·

4. 抖音：从"刷视频"，到"走进视频"

今天：手指一滑，下一个。

未来的一天：

你刷到一条京都小巷的旅行视频，觉得好看，按住屏幕。视频停住，然后"打开"了：你可以离开博主的镜头，自己拐进旁边那条巷子，看看巷子尽头是什么。那里原本没有被拍到，是世界模型"续写"出来的。

短剧也变了。男主正要做出那个愚蠢的决定，你说一句"别去"，剧情就在你这里拐了个弯，之后每一集都是为你一个人实时演出来的。你还可以把自己放进去，当那个配角。

同一条爆款视频，一百万人走进去，走出了一百万条不同的路。创作者做的不再是"一条视频"，而是"一个可以被探索的世界"。

交互变化：从"看"到"进入"，从"看完"到"演下去"。

· · ·

5. 王者荣耀：每个人都带着一支 AI 小队

今天：五个陌生人，一张固定的峡谷地图，打完一局看一眼数据。

未来的一天：

开局前，你像配铭文一样，给自己带上三个 AI 助理：

●教练：只在你耳边说话。"对面打野五秒前在上路消失了，别压线。"它会在你视野里画出一条半透明的"最优走位"虚影，想跟就跟，不想跟就关。

●替补：队友掉线了？他的 AI 助理立刻接管，按他平时的打法和英雄习惯继续打。再也没有"4 打 5"。

●参谋：团战前把整张地图拉成沙盘，推演三种开团方案的胜率。你喊一句"打龙"，全队的 AI 同步调整站位。

更激进的模式里，一个真人带四个 AI 英雄，五个真人各带一支 AI 军团互相对抗。你从"操作一个英雄"变成了"指挥一支队伍"。

每个人的界面也不一样。新手屏幕上按钮少、提示多；老玩家的屏幕干干净净，只留技能和小地图。

峡谷也不再是那张一成不变的地图：每局由世界模型现场生成地形和天气，下雨天草丛更深，视野更短。打完之后，回放是一个可以走进去的 3D 现场。你可以站到对面打野的位置，看看他当时看到了什么。

还有一个彩蛋：和"巅峰期的自己"打一局。AI 用你三年的对局数据，复刻出那个赛季最强的你。

交互变化：从"一个人操作一个英雄"，到"一个人带一支 AI 小队"。

· · ·

6. 高德地图：出发之前，先把路走一遍

今天：盯着手机上的蓝色箭头，在十字路口原地转圈找方向。

未来的一天：

第一次去一座陌生城市开会。前一晚，你在酒店里把明早的路线"走"了一遍：世界模型根据街景生成了那条街，你看清楚了地铁出口出来是一家便利店，右转过天桥，写字楼的正门其实在侧面。（DeepMind 的 Genie 3 已经在用谷歌街景数据来"锚定"它生成的世界。）

第二天早上戴上眼镜，路线直接画在路面上，写字楼正确的那扇门在远处微微发光。

出行目的不同，地图也完全不同。赶时间时，界面只剩一条线和一个倒计时；周末闲逛时，它会轻声说："左边小巷里有家开了四十年的面馆，绕过去只多走三分钟。"

开车更彻底。车里的 AI 提前和停车场的 AI 订好了车位，导航的终点不是"某某大厦"，而是"B2 层 137 号车位"。

交互变化：从"看地图找路"，到"路就画在眼前"。

· · ·

7. 携程 / 12306：整个旅程，只剩一条可以拖动的时间线

今天：机票、酒店、高铁、门票分散在四个 App 里，改签一次，重新操作一遍。

未来的一天：

你告诉助理："国庆带爸妈去趟西安，他们腿脚不太好。"

你看到的不是搜索结果，而是一条时间线：五天，每天几个节点。每个节点都能点进去"预览"。酒店房间可以走进去看看卫生间有没有扶手，去兵马俑那天的人流会被模拟成一段画面。你把第三天整块拖到第四天，所有票自动跟着改。

旅途中高铁晚点四十分钟。你还没收到通知，助理已经把接站的车改了时间，把晚饭订位往后推了一小时。你唯一看到的界面，是一张"已处理"的回执：改了什么、多花了多少钱、哪些还能撤销。

交互变化：从"在四个 App 之间来回操作"，到"只看计划和回执"。

· · ·

8. Excel / WPS：表格背后，是一座可以走进去的仓库

今天：库存表几千行。盘点时，拿着打印出来的表格，一格一格对。

未来的一天：

你打开库存表，点一下"进入仓库"。表格翻转成一座仓库的数字孪生：每个货架、每个格子都和表里的一行一一对应，数据来自仓库里的摄像头和传感器，是实时的。

账实一致的货架是安静的灰色，数量对不上的格子在发红光。仓库内的机器人走到 C 区第三排，发现那一格"蓝色保温杯"账上 120 个，摄像头只数到 96 个。你点一下，现实仓库里的巡检机器人开过去复核，二十秒后传回一张照片：有两箱被错放到了 D 区。你在虚拟仓库里把那两箱"拖"回 C 区，现实中的机器人就去搬。

一年一度的大盘点，变成一个下午在虚拟仓库里散步。

财务模型也一样。你说"如果原材料涨价 10%"，整个公司的沙盘就分叉出一个平行世界。现金流像河流一样在里面流动，哪条支流会先变细，一眼就能看见。

交互变化：从"对着数字想象现实"，到"走进现实核对数字"。

· · ·

9. Photoshop / 美图秀秀：照片拍完了，机位还能再换

今天：修图，就是在一张平面上涂涂抹抹。

未来的一天：

照片不再是一张平面，而是一个被"冻结"的场景。

你给朋友在海边拍了张照，回家发现角度不好。没关系，你"走进"照片，往左挪两步，重新取景。（World Labs 的 Marble 今天已经能从一张照片生成一个可以走动的 3D 世界。）太阳太硬？把太阳拖低一点，变成傍晚。朋友闭眼了？让她睁开，因为模型记得这个场景里的她。

设计师的工作也变了。给客户做一张海报，AI 会生成一群"模拟观众"，你能看到他们的视线先落在哪里、在第几秒划走，改完再看一遍。

交互变化：从"修一张图"，到"重拍一个场景"。

· · ·

10. 浏览器 / 搜索：网页消失，每个网站都长成你习惯的样子

今天：每个网站一套布局。每次搜索，要么十条蓝色链接，要么一段 AI 总结。

未来的一天：

你不再"访问"网站。你的 AI 助理替你去访问，再把内容按你的习惯重新摆一遍：所有购物网站的"退货"都在同一个位置，所有新闻都按你喜欢的密度排版；给视力下降的父亲用，字号自动放大。这就是 Jakob Nielsen 说的"自带界面"：不是你去适应每个网站，而是每个网站来适应你。

搜索也不再是十条链接。你问"罗马帝国为什么会衰落"，得到的是一条可以走进去的时间走廊：左手边是公元 100 年的罗马广场，右手边是公元 400 年的同一个广场，一位历史学家陪你边走边讲。你随时可以打断他："那时候一块面包多少钱？"

问一个真正复杂的问题，比如"我该不该在这座城市买房"，你会看到一间"作战室"：几个 AI 研究员正在分头查政策、查房价、查通勤时间。你可以走到其中一个身边，看它查到了什么，给它换个方向。

交互变化：从"人去找信息"，到"信息按你的方式来找你"。

· · ·

11. Windows 桌面：没有图标的桌面

今天：满屏图标，几十个窗口，开会前找一份文件要十分钟。

未来的一天：

早上开机，桌面上一个图标都没有。电脑问你："今天先做什么？"

你说："准备下午的季度汇报。"

屏幕当场"长出"一个工作间：上季度的数据、三封相关邮件、同事昨晚改过的 PPT、下午要见的三个人的资料，按你最顺手的方式摆好。这不是打开了哪个 App，而是为这件事现场生成的界面。（Runway 今年 8 月发布的 Solaris，就是在逐帧生成这样的界面，背后没有一行界面代码。）

做到一半，你说："我需要一个工具，把这三份合同的条款差异对比出来。"一个世界上原本不存在的小软件出现了，用完就消失。软件变成了一次性的，像纸巾一样。

戴上头显，这个工作间就成了一个真正的房间：数据贴满一面墙，PPT 悬在面前，同事的分身坐在对面。

交互变化：从"先找到软件，再做事"，到"说出要做的事，软件当场长出来"。

· · ·

12. 多邻国：学西班牙语，就去马德里的咖啡馆

今天：连线题、选择题，一只绿色猫头鹰每天催你打卡。

未来的一天：

你的第 30 课，是走进马德里街角的一家咖啡馆。

服务员是世界模型生成的，她记得你上周来过，会因为你点错了单露出困惑的表情，也会在你卡住时悄悄放慢语速。你的水平越高，店里越热闹：邻桌开始聊足球，老板凑过来讲一个你只听懂一半的笑话。

走在真实的街上，戴着眼镜，路边的招牌和菜单会悄悄浮现出你还没学会的单词。今天学的词，明天就在现实里遇见。

交互变化：从"做题"，到"住进那门语言里"。

· · ·

小结：12 个未来，其实是 3 件事

把这 12 个场景放在一起，会发现它们说的其实是同样三件事：

1从"看"到"进入"。 视频、照片、笔记、表格，背后都变成了可以走进去的空间。

2从"操作"到"委托"。 你说出目标，各自的 AI 去谈、去跑、去办，你只看计划和回执。

3从"一个界面"到"每人一个界面"。 同一个群聊，妈妈和你看到的不一样；同一局游戏，新手和老手看到的不一样。

过去，我们花大量时间学习怎么使用软件。接下来，软件要学的是怎么变成你需要的那个样子，而不只是设计者想要的样子。

· · ·

▍ 七、还差几步

上面这些场景，有的两三年内就会出现，有的还要更久。它们之间隔着几道技术门槛，而每一道都在被快速跨过。

第一步：速度。 Google 的生成式界面，生成一次有时要一分钟以上；而要"画像素"，模型必须每 0.04 秒左右生成一帧。Decart 在发布 Oasis 时算过一笔账：当时主流的视频模型生成 1 秒视频要 10 到 20 秒，实时交互需要快 100 倍以上。他们靠专门的推理优化做到了，专为这类模型设计的芯片也在路上。MiniMax H3权重开放以后，社区已经可以做到用1.653 秒生成5秒768P音画同步的视频，随着技术的进步，未来生成速度将不再是挑战。

第二步：记忆。 Genie 3 的世界能连贯几分钟，能记住大约一分钟前发生的事。要支撑一个你每天都用的软件，这远远不够。但别忘了，从只能生成 2D 小游戏的 Genie 1，到能实时漫游 3D 世界的 Genie 3，只用了一年半。随着模型和智能体记忆能力的不断升级，记忆的瓶颈将会被解决。

第三步：精确。 像素世界目前最不擅长的，恰恰是软件最需要的东西：清晰的文字、精确的输入、每次都一样的行为。NeuralOS 的研究者承认，精确模拟键盘输入仍然很难。所以近期最可能的形态是混合：文字和关键操作交给代码，空间感和氛围交给像素。Solaris 也采用了类似的分工：一个语言模型负责判断，一个世界模型负责渲染。

第四步：成本。 每一帧都要消耗算力。但过去几年，同等能力的模型调用价格一路下降，今天几分钱能办到的事，几年前要花几块钱。成本曲线一直站在想象力这一边。

· · ·

▍ 八、一张时间表

以下是我的个人判断，不是预言，仅供参考。

▎ 1–2 年（2027–2028）

● "拼积木"和"写代码"成为 AI 助手、搜索和办公软件的标配，AI 的回答不再是一堵文字墙，而是一个能用的小界面。

● 大多数主流 App 都会长出一张"机器脸"，方便 AI 调用，未来不利用AI访问的APP的价值可能也会逐步变弱。

● 让手机助理跨多个 App 办完一件事，会变得很平常。

▎ 3–5 年（2029–2031）

● "自带界面"出现雏形：你的个人 AI 成为所有服务的"前台"。

● 眼镜成为很多人的第二块屏幕。

● 世界模型全面进入电商、内容和旅行：可以走进去的视频、样板间和目的地预览开始普及。

▎ 5–10 年（2031–2036）

● 逐帧生成的界面先在娱乐、创作和教育领域普及。

● 操作系统出现"生成式桌面"，一次性软件成为日常。

● 涉及钱和身份的环节依然保持固定、可预期的骨架，血肉则随你而变。

▍ 九、写给三类人

▎ 如果你是设计师或产品经理

你的交付物会从"一张张页面"，变成规则、组件库和评判标准：什么情况下该生成什么，好坏由什么来衡量。Google 为了评估生成式界面，专门整理了一套由专家制作的参考答案库。两项新手艺会越来越值钱：设计"骨架"，也就是哪些东西永远不该动；以及设计"回执"，让人一眼看懂 AI 替他做了什么。

▎ 如果你是开发者

把自己的软件做一张“脸”和地图给AI使用。MCP、结构化数据、WebMCP 这些"给 AI 用的接口"，会像当年的移动端适配一样，从加分项变成必选项。你的产品被 AI 调用的次数，可能会远多于被人打开的次数。

▎ 如果你是普通用户

你的习惯和偏好，会变成一份随身携带的"界面档案"。它越懂你，所有软件就越顺手。而比"学会用某个软件"更重要的能力，是清楚地说出你想要什么。

· · ·

▍ 结语

回到开头 Karpathy 的那句话："这个 App 本不该存在。"

它说的不是软件会消失，而是软件的形状会改变：从一个等着你去学的产品，变成一个随你而变的东西；从一块你盯着看的屏幕，变成一个你可以走进去的地方；从你亲手点完的每一步，变成一张你只需确认的回执。

过去 40 年，是人学会使用软件。

接下来，是软件学会长成你的样子。

欢迎在评论区留下你对未来软件形态演进的看法。