目录
人类不仅具有感知、记忆和思考外界环境信息，而且拥有根据信息内容作出决策的认知能力，还具有情绪表达、共情、人际交往等社会行为能力，更具有自我反省等复杂的综合能力。随着认知神经科学的发展，其与信息科学、计算科学及其他工程科学之间的联系变得越来越紧密，彼此间的互动变得越来越活跃。人机交互的研究应运而生。
人机交互（HCI）是指人与计算机之间使用某种对话语言，以一定的交互方式，为完成确定任务的人与计算机之间的信息交换过程。人机交互是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器，也可以是计算机化的系统和软件，甚至是人工智能。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流、操作、使用。随着模式识别，如语音识别、汉字识别等输入设备的发展，操作员和计算机在类似于自然语言或受限制的自然语言这一级上进行交互成为可能。
人机交互的不断更新发展，促成了人因工程科学与计算机研究相融合的一个典型新生领域：人机交互接口。人机交互接口是指人与外部设备间建立的直接连接通路，实现人机之间的信息交互。
基于人工智能技术的各类智能系统正在改变传统人机交互领域的人机关系模式和研究范式。智能系统中的智能体在特定操作场景中具备情境感知、用户意图识别、自主学习、自主决策、自主执行等能力，由此带来了一个新的研究领域：智能人机交互（iHCI）。iHCI是AI 技术与人机交互技术不断发展和融合的产物，目前已经进入人们日常的工作和生活中。例如，语音交互、人脸识别等。
在交互模式上，人机交互技术利用视觉、听觉等多模态交互，能提高人机交互的自然性和有效性；从交互技术来看，人机交互领域研究正在向用户生理和情感计算、用户意图识别等方面发展；在交互理念上，人机交互研究注重人机协同合作等方面，强调“以用户为中心”的人机组队（human- machine teaming）合作。例如，文献[1]关注了一个对人与AI互补的关键因素：人类对人工智能能力的心智模型，特别是人工智能系统的错误边界，即知道“人工智能什么时候出错”。同时文章着重讨论了人工智能误差边界的两个关键性质：简约性和随机性，为人机交互模型选择和优化提供参考。从研究层面来看，人机交互研究正在促使人、智能系统以及社会技术系统之间的紧密结合，解决智能技术的责任、伦理、道德等问题。
人机交互分为两大类：传统人机交互与智能人机交互。传统人机交互的人因工程研究主要针对人与非智能系统之间的交互；而智能人机交互主要针对人与智能体之间的交互。文章中分别阐述了两种人机交互的特征。
传统人机交互有如下特征：
第一，计算系统被动地接受用户输入，只能够单向地服从于用户，接受和执行用户指令，并且根据算法和规则做出相应的输出反应。
第二，人机之间的交互主要基于“刺激-反应”的物理关系。人机系统只有人类操作员这一单一认知体，非智能系统不拥有智能自主化等类似人类的认知特征。
第三，机器输入的感知目标主要是人、机、物等简单属性，例如显示器目标位置、颜色、移动轨迹等。文献[3]进行眼睛凝视和头部运动线索在换道意图预测中的比较研究，结果表明眼睛凝视的添加能够提高驾驶性能。
第四，基于人类的精准输入形式（通常是单一精准的输入），例如键盘、鼠标输入，系统不必关注用户行为和意图等状态，但是限制了人机交互的应用。
第五，机器不拥有智能自主化特征能力，人机系统中只有人类智能，不存在人与机器智能之间的互补。
智能人机交互系统有如下特征：
第一，人与智能体的交互是双向的，智能系统可以通过感应系统来捕获和理解用户生理、认知、情感、意图等状态以及环境上下文场景等信息，主动地启动人机交互任务（例如环境智能，脑机界面）。如文献[5]所言，人与智能体借助模型可预测对方行为，双向适应对方，双向均可分享信任、情景意识、意图、决策控制等。
第二，作为拥有自主化特征的机器智能体，智能体与人的交互中可以进行自主感知、理解、自主学习、自主执行等，人与智能系统（智能体）成为协同合作的队友，整个人机系统可以成为协同合作的两个认知体，分享信息、任务、目标、控制等。文献[6]指出当使用智能人机交互系统时，操作员扮演关键的监控角色，可以在智能体无法处理的情况下进行干预。但文章也承认，许多复杂的智能人机交互系统在处理意外情况时非常脆弱。这种脆弱性在民航、自动驾驶等领域可能引发严重事故。
第三，智能系统输入的感知目标更具“情境化”：通过对操作场景上下文、用户行为等数据，针对“情境化”特征进行智能推演（例如用户行为体征刻画，用户消费行为画像，城市交通流量情境等），从而提供适合当前场景、满足用户需求的系统输出。
第四，智能系统有可能从不确定性条件下，从基于多模态通道的人机模糊交互（例如用户内在的交互意图，多样的应用场景，随机的交互信号数据和环境噪声）中推理出用户意图，并做出合适的系统反应，提高人机交互的自然性和有效性。
第五，人类的生物智能（人的信息加工等能力）与机器智能（模式识别、推理等能力）之间可形成互补，在人机交互中形成更强大的、可持续发展的人机混合智能。
1. Bansal, G., et al., Beyond Accuracy: The Role of Mental Models in Human-AI Team Performance. 2019.
2. Xu, W., User Centered Design (VI): Human Factors Approaches for Intelligent Human-Computer Interaction. 2021.
3. Doshi, A. and M. Trivedi, A comparative exploration of eye gaze and head motion cues for lane change intent prediction. 2008. 49-54.