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 Mellon170研究者、Georgia Tech110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 - Scene2HapMax 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LLMCVPR 2026 HighlightByteDance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。