人机交互的当前任务，在于找出那些能够帮助人类解决的重要难题——即收集并扩展新的数据集，找到能够实现人类与机器间协作的新方式，发明出能使设备与人类世界更易于访问的新系统，创造出 ML 支持型传感繁育，将成果应用于交互与健康领域，并致力于帮助人们更好地构建 ML 模型等。

这一领域中的种种挑战与影响，反映出的是这样一项基本事实——最重要的是创造并解决新问题，而非改进现有解决方案。因此，我们需要遵循发现并验证问题，不断提出潜在的解决方案与原型设计并加以改进，最终验证解决方案是否能够实际解决预期问题这一完整的基本流程。

随着机器学习算法的商品化，那些能够立足整体机器学习应用场景统筹全局的人才，将成为新时代下的 VIP。

设计与 AI

长期以来，人机交互工作者一直在考量人类应该如何与 AI 实现相互作用，以及如何开展工作以切实达成这种作用。早在上世纪九十年代，Pattie Maes 与人机交互先驱 Ben Schneiderman 就曾在“代理与直接操纵”这场经典的辩论当中体现出这样的思维。Ben 后来又发现，信息可视化探索实际上是一种方法论反应，其希望解决的是人类如何直接与日益丰富、日益复杂的数据世界进行交互这个问题。

很久之前，同时涉及 AI 与人机交互领域的从业者们就已经意识到，构建包含“AI”元素的用户界面时，其基本思路应该有所不同；这主要是因为 AI 往往存在不确定性，且正确率往往有待商榷。Eric Horvitz 和其他一些研究者将此称为“混合主动交互”。大家可以在这篇 经典论文《CHI 1999》当中读到相关论点。Eric 曾与 Saleema Amershi 等其他作者在他们的 CHI 2019 论文《人类 -AI 交互指南（Guidelines for Human-AI Interaction）》当中对此做出更新陈述。

在某种程度上，人类好像更倾向于在接近终点时才真正开始认真考虑问题，但这无疑为时已晚。一位我觉得不太适合公布姓名的同事曾经把目前 AI 行业的工作，描述成“努力给 AI 这头猪涂上口红，希望让它变得漂亮一点”。也正因为如此，目前设计与 AI 的前沿体现为探索设计师们该如何将机器学习作为一种设计素材。这项工作的核心要点，在于教会设计师们如何看待机器学习。这不仅是要思考如何在界面当中向用户呈现确定性较差的 AI 结果；相反，其核心应该是如何找出需要解决的问题，归纳出能够使 ML 方法与人类期望相匹配的问题内容，最后确定哪些问题可以被转换为已经得到良好解决特定用例。

设计要素，正迅速成为同类产品之间的关键差异化因素；换言之，那些能够更好地运用机器学习成果的设计师，最终将为我们带来最大的技术价值。

计算社会科学

机器学习正在探索我们所做的一切，因此我们应当认真考虑机器学习的含义，以及我们可以采取哪些措施来减轻其负面影响。计算社会科学家们带来的方法，倾向于更多以面向人类的方式进行研究，使用人机交互中体现出的各类技术，并立足调查、访谈、日志分析以及民族志等素材从心理学及认知科学等基础领域借鉴宝贵经验。

这些技术已经对用户如何理解（或者误解）作为其交互对象的算法（例如 Facebook 的新闻推送、可能导致极端主义思潮的 YouTube 推荐系统、识别社交媒体内虚假新闻传播活动的机制、用户界面元素如何影响在线会话以及用户对于网络隐私问题的认知等等）给出了深刻的见解。

人机交互在识别或解决这些问题方面并不具备垄断能力，但考虑到我们自身既是创造者也是设计师，人机交互在揭露与干预此类问题当中确实拥有着不可替代的独特地位。

总结陈词

“只要保质保量把工作做好，一切就都会好起来！”……在 AI 领域，人们越来越清醒地意识到 AI 之秋即将来临，因此要想在这一领域保有必要的技能与存在感，人机交互绝对是个不容忽视的重要领域。