巴塞罗那，4月的CHI 2026刚结束。1705篇论文，6730份投稿，25.3%的录用率 —— 这个数字本身不算惊人，惊人的是这1705篇里有相当比例在讨论同一件事：LLM到底怎么跟人交互。
67个研讨会里，至少有十几个直接贴着"LLM"或"AI Interaction"的标签。Google派了30多篇论文和10个研讨会，Microsoft、Apple、Carnegie Mellon（170+研究者）、Georgia Tech（110+专家）悉数到场。这不是学术会议，这是行业在用脚投票。
本文从CHI 2026出发，拆解当前HCI领域最值得关注的5个研究方向，配合世界模型与多模态LLM的最新动态，给你一张当下AI×人机交互的全景图。
一、Agentic AI：从工具到队友的范式转移
CHI 2026最密集的讨论集中在人智协作（Human-Agent Collaboration）上。多场workshop的核心议题只有一个：LLM-powered agents能不能从"听话的工具"变成靠谱的队友。
关键问题不是能力，是信任校准。模型在什么情况下应该主动提出不同意见？失败了怎么恢复？人类应该把多少决策权交给系统？这些问题没有标准答案，但CHI 2026的研究者已经开始用实证方式逼近它们。
值得注意的一个细节：大多数讨论假设的是单人×单agent场景。但现实正在快速复杂化 ——
多用户LLM agents是今年新冒出来的研究方向。研究者开始测试模型同时服务多个主体时的表现：冲突利益怎么协调？隐私约束怎么执行？跨用户协调能力是否具备？大多数现有AI助手围绕单用户设计，这个假设正在被动摇。
Agent Team，从零构建 Claude Code Agent 工作流
二、健康公平：AI设计谁为中心的问题
CHI 2026的Best Paper - "Promise or Peril?"（Georgia Tech + Google）做了一件看起来简单但极其重要的事：系统性研究黑人成年人对AI健康应用的真实看法。
结论指向一个根本问题：AI设计对话里，谁被中心化了？当"以人为中心"被当作口号，研究者用民族志方法把它还原成了具体的人、具体的需求、具体的信任结构。这篇论文的获奖本身就是一个信号 —— HCI社区开始认真对待"AI公平"这个命题，而不是停留在声明层面。
三、具身AI与触觉：从屏幕走向物理世界
Best Paper - "Scene2Hap"（Max Planck Institute）用多模态LLM生成整个VR场景的触觉反馈。这意味着什么？生成式AI从文字、图像一路延伸到了物理交互设计。VR不再只是视觉，触觉反馈让虚拟体验多了真实的一维。
这个方向的潜力不在于游戏，而在于远程操作、手术辅助、危险环境探测这类需要"手感"的场景。CHI 2026有多个workshop在讨论Embodied AI与Haptics的结合，包括具身导航、机器人交互、VR触觉反馈。传统HCI研究（用户研究、可用性工程）和具身AI研究（物理模拟、机器人实验）的方法论张力还没有解决，但两者正在加速汇流。
四、世界模型：2026年的突破窗口
DeepMind CEO Demis Hassabis的观点正在被更多数据支撑：通往AGI的路径将来自持续学习、记忆架构、世界模型、推理/规划、混合系统的突破，而不是单纯放大模型参数。
2026年的预期突破包括：
可信赖的世界模型 + 持续学习原型
Agent/robotics中的实时物理仿真系统（类似Genie）
记忆架构成为agentic框架的标准组件
JEPA/V-JEPA系列（Meta Yann LeCun主导）专注于预测性、扎根式智能，强调世界模型是实现真正通用AI的关键路径。这个路线和OpenAI/Anthropic的LLM scaling路线形成了当前最激烈的学术辩论——我们后面会单独拆这个命题。
五、多模态个性化LLM：CVPR 2026 Highlight
ByteDance发布的PersonaVLM把多模态大语言模型（MLLMs）转化为具有记忆、推理和个性对齐能力的个性化助理。在Persona-MME基准测试中，框架相比基线提升22.4%，超越GPT-4o达5.2%。
这个数字本身可能不够直观。换个角度：多模态LLM正在从"通用能力"向持久个性迁移。模型不再只是回答问题，而是记住你的偏好、你的工作流、你反复强调的约束条件。这意味着什么？AI助手正在获得连续性，而不只是即时响应。
六、一个被低估的警示信号
MIT的最新研究：使用LLM的用户在四个月期间持续在神经、语言和行为层面表现不佳。这个结果没有被广泛讨论，但它对所有"AI增强人类能力"的叙事都是一个直接质疑。
不是AI没价值，是我们对"AI作为人类能力放大器"的假设可能需要重新检验。在某些任务上，依赖LLM可能正在让使用者变弱，而不是变强。这个研究需要更多复现，但它提出的问题值得每个设计AI产品的人认真面对。
AI时代真正稀缺的，不是编程能力，是专家直觉
七、CHI往年文献综述告诉我们什么
Harvard、MIT、Stanford、Oxford的联合团队对2020–2024年CHI会议上153篇涉及LLM的论文做了系统文献综述（arXiv:2501.12557）。核心发现：
LLM工作覆盖10个不同领域，主要通过实证研究和artifact贡献
作者以5种不同角色使用LLM：研究工具、模拟用户、被研究对象等
关键问题：作者频繁提出有效性和可复现性担忧，且绝大多数研究闭源模型
研究社区缺乏使用LLM的明确指南和最佳实践
最后一点是这份综述里最值得留意的：HCI研究者已经在大量使用LLM，但还没有建立起方法论规范。工具跑在了指南前面。
参考
[1] ACM CHI 2026 Wraps With Record Papers — AI2Work
[2] Understanding the LLM-ification of CHI (arXiv:2501.12557) — Rock Yuren Pang et al.
[3] 2026 is Breakthrough Year for Reliable AI World Models — NextBigFuture / Brian Wang
[4] Multi-User LLM Agents — Twitter @HuggingPapers
[5] Foundation Models for Embodied Navigation: A Survey — Twitter @jiqizhixin
[6] PersonaVLM: Long-Term Personalized Multimodal LLMs (CVPR 2026 Highlight) — Twitter @HuggingPapers
[7] MIT Research: LLM users underperform over four months — Twitter @0xtotem
如果你对AI×HCI的交叉方向感兴趣，欢迎来 MixLab 无界社区和我们一起讨论。这里聚集着最先触达未来的那一小部份人，正在把AI落地实践里的真实问题跑出来。
