上次在深大的演示，以及给学员用的灵感火花，其实是我之前对人机交互的一个新理解的产物。

今天去深大上课，同一个演示两种反应。

我把这个理解叫做意图计算。

---

人的意图，为什么需要被「计算」

「计算」这个词，用在意图上，感觉有点奇怪。

我们通常说计算，是指对已知输入做确定性的处理，得到输出。但人的意图，恰恰不是已知的——它是模糊的、隐性的、未成形的。

你问一个人「你想做什么产品？」，他大概率说「我也不太确定……」。

不是他没有想法，是他的想法还没有被激活。它们以某种模糊的感受存在于脑子里，等待某个问题、某个参照物、某个选项去触发。

这里有一个认知事实：人对「感觉对不对」的判断力，远强于「从零创造」的能力。

给你一个选项，你立刻知道它像不像你想要的。但让你凭空说出来，你会卡住。这跟有没有经验无关，是人类认知的基本特点——识别远比生成容易。

所以「计算」的意思不是推导，不是预测，而是：

通过一系列结构化的输入，把原本不存在于可表达形态的意图，一步步逼近、显现、固化成可操作的结构。

意图在这个过程开始之前，并不完整存在。它是被计算出来的。

---

意图计算的前提：找到正交维度

意图计算能不能成立，关键不在 AI，在于能否把一个领域的决策空间，分解成一组正交维度。

什么叫正交？就是每个维度问的是独立的东西，互相不重叠。

以产品设计为例，这个领域的决策空间理论上是无穷的——用户是谁、场景是什么、功能做几个、视觉调性如何……但这些无穷的可能性，背后其实由少数几个根本性的维度在支撑。找到这几个维度，问题空间就从无穷压缩成了有限。

难的地方在这里：正交维度不是自然存在的，是需要被设计出来的。

这需要对一个领域有足够深的结构性理解——知道哪些维度是真正独立的，哪些看似不同其实是同一个维度的变体，哪些是大家以为重要、其实对结果没有决定性影响的。

这个工作，过去只能靠领域专家做。一个经验丰富的产品经理知道怎么问用户、问哪几个问题最关键;一个好的咨询顾问知道用几个框架就能把客户的真实需求逼出来。他们做的，就是用自己的领域知识，构建出一套隐性的正交维度体系。

过去这件事没法规模化。一个好顾问一次只能服务一个客户，一个资深产品经理一次只能带一个团队。意图计算这个能力，过去一直卡在「人」这个瓶颈上。

AI 的介入，不是「辅助」这件事，是第一次让这件事可以脱离单点专家，规模化地跑起来。

具体发生在两个地方：

一是把维度转化成动态的探针。 传统问卷是静态的，所有人答同一套题。AI 可以根据上下文动态调整，让每一个问题都在挖掘新的信息，不冗余，不浪费——这是过去只有最好的顾问，面对面坐着，才能做到的事。现在它可以同时对一千个人做。

二是让正交维度本身可以被迭代。 维度设计过去是一次性的——专家拍脑袋定一版，用三年。现在每一次用户的真实反应都在反馈哪些维度真的有区分度、哪些维度其实是伪独立。维度从静态模板，变成了会自己进化的结构。

但要说清楚：AI 做的是执行和迭代，维度的初始结构，仍然需要有人真正理解这个领域才能设计出来。这是意图计算里最有含金量的地方，也是最不会被替代的地方。

---

问卷，是意图计算的原始形态

从这个角度看，问卷从来不是在「收集数据」。

市场调研问卷、用户访谈提纲、心理测评量表——它们做的都是同一件事：把人脑子里模糊的状态，通过结构化的问题，转化成可处理的信息。

这，就是意图计算最原始的形态。

只是传统问卷有一个根本缺陷——它是静态的。设计者提前假设了所有维度，维度设计者的认知偏差直接污染结果，也无法根据前几题的回答动态调整后续问题。

更糟的是，传统问卷把「表达」的成本全压在用户身上。用户必须从零生成回答，而前面说过，人最不擅长的就是从零生成。所以问卷拿到的，往往不是用户的真实意图，是用户能勉强说出来的那一部分。

AI 把这两堵墙同时打穿了。

动态生成问题、根据上下文调整维度、让每一次探针都最大化信息增益，同时用「选项」「对比」「反例」代替「开放提问」，让用户回到他最擅长的识别模式——这些事情，过去靠人做成本极高，现在变成了可以规模化的能力。

问卷存在了一百年，但它一直在等一个合适的引擎。

---

更大的视角：人机交互的每一次进化，都是意图计算的进化

把这个框架拉长来看，人机交互的每一次范式转换，本质上都是在解同一个问题：

如何更低成本、更高精度地捕捉人的意图？

• 命令行

  ：用户必须把意图精确编码成语法，门槛极高，意图必须完全显性化才能输入

• 图形界面

  ：用菜单和按钮帮用户「选」出意图，第一次用「识别」代替了「生成」

• 触屏

  ：用手势让意图表达更直觉，更接近身体本能

• 自然语言对话

  ：意图可以模糊表达，机器来做理解

• 意图计算

  ：连模糊表达都省了，隐性意图被主动钓出来

每一步，都是在降低「表达意图的门槛」，同时提高「捕捉意图的精度」。

意图计算不是一个新概念，它是人机交互一直在解的那个根问题。

只是我们现在，第一次有了真正合适的工具去解它。

而且要看清楚一件事：每一次交互范式的切换，都会重新定义谁是入口。命令行时代的入口是操作系统，图形界面时代的入口是桌面，触屏时代的入口是 App Store，对话时代的入口正在被重新争夺。

下一代的入口，不会是一个更聪明的 ChatBot，也不会是一个更华丽的 Agent 框架。

下一代的入口，是谁先把「意图表示层」做出来。

搜索、推荐、Agent、工作流、教育、医疗辅助——所有 AI 系统最终都会卡在同一道门上：你到底想达成什么。谁先把这道门做厚，谁就站在所有下游应用的上游。

---

真正的门槛，在维度设计

理解了意图计算，很多问题的答案就清楚了。

被替代的，是执行——是在维度确定之后，按流程走完每一步的能力。

不被替代的，是设计正交维度本身的能力——理解一个领域的决策结构，知道哪几个问题真正关键，知道如何把无穷的可能性压缩成有限的、正交的、可计算的维度。

这个能力的本质，是深度的领域理解 + 结构化思维。

AI 能帮你做计算，但告诉 AI「该计算什么」，仍然是人的工作。

换一个说法：AI 越强，维度设计者越值钱。因为 AI 把执行的成本压到了零，而整个系统能不能产生价值，完全取决于最上游那组维度有没有设计对。一个错的维度结构，AI 跑得越快，错得越远。

---

最后

人机交互的终局，不是机器学会了人的语言。

是人第一次有了一种工具，可以把自己脑子里还没成形的东西，放到外面，看着它一点一点显影出来。

这是一件比「让 AI 更聪明」大得多的事。

它改变的不是我们怎么用机器。

是我们怎么知道自己要什么。