OpenAI 发布智能回答界面 Intelligent UI：回答可视化，能点、能调，还能玩

让 ChatGPT 教你找北极星，它可以给出一段详细说明；教你打麻将，它可以列出规则。可看完文字，你往往还要自己把方位对应到星空，把“四组加一对”对应到眼前的牌。AI 已经解释了一遍，你还得在脑中再拼一遍。

GPT-6 带来的 Intelligent UI，改变的就是这一步：找星星时，答案变成能逐步点开的星图；学规则时，牌面和说明放在一起；需要一个小工具时，聊天里就能出现可操作的计算器或小游戏。你可以直接在答案上点、调、试，把查看、理解和使用接在一起。

Intelligent UI 是什么？

Intelligent UI 是 ChatGPT 随 GPT-6 推出的智能回答界面。 它会根据你问的问题，把文字、图形和可操作的控件组合成适合当前任务的回答，让你能在聊天里查看、调整和使用。

主要功能特点：

• 按问题选择回答形式：需要比较时并排呈现，需要讲过程时用图解或步骤；简单问题仍可以直接用文字回答。
• 用图形和步骤帮助理解：把部件关系、星图方位、牌面规则或绘画细节放到眼前，减少自己在脑中拼画面的负担。
• 让你动手探索变化：通过步骤按钮、表单或其他控件查看过程，改变输入后观察结果。
• 在聊天里直接使用小工具：按需求生成计算器、分账工具或小游戏，得到回答后就能操作。
• 直接调整已有答案：在界面上选择颜色、风格等条件，查看不同选项对应的结果。
• 边生成边呈现：界面随回答逐步出现，不必等整段内容全部生成完才开始查看。

为什么有些日常任务光靠文字很难说清？

房间配色、旅行计划、折纸步骤和自行车说明，都可能写成很长的文字，却仍让人拿不准：颜色放在一起是什么样，景点之间怎么走，纸该沿哪条线折，某个部件究竟装在哪里。

这类涉及空间位置、层级结构或动手步骤的任务，光靠连续文字往往很难直观传递。例如了解机械部件的联动关系、规划出行途中的停留点，或者对照折痕逐步折纸时，读者都需要在脑海中费力把文字转化成空间方位与先后顺序。

Intelligent UI 把这些关系直接放进回答里：自行车部件按系统分类查看，旅行路线放到地图上，并配上景点照片；房间配色用色卡对照，折纸用分步图解呈现。读者可以把说明和正在观察的对象对应起来，不用全靠文字猜位置、想步骤。

图形和控件仍要与文字配合。庭院种植方案把容器布局示意图和文字说明放在一起；简单问题可以直接用文字回答。关键在于根据理解和使用的需要，选择并排对比、图解、交互组件或简短文字，而不是让每条回答都变得复杂。

---

回答怎样变得更好懂、更好用

1. 跟着星图找到北极星

• 用户提问：“我该怎么找到北极星？”（How do I find the North Star?）
• 生成界面：屏幕上没有直接扔出一堆方位术语，而是呈现出一幅交互式夜空星图，底部提供了 4 个循序渐进的步骤按钮：
  1. 定位北斗七星（Find the Dipper）；
  2. 锁定两颗指极星（Find the pointers）：点亮勺头的天璇星与天枢星；
  3. 顺着连线延长（Follow the line）：画面拉出一条标有“5x 间距”的虚线；
  4. 揭示北极星（Reveal Polaris）：星图高亮目标，并弹出“你找到北极星了！”的完成反馈。
• 实用价值：原本抽象的空间几何指引，变成了一个读者可以按自己节奏一步步点按推进的“掌上天象仪”。

2. 把麻将规则对应到牌面

• 用户提问：“教我打麻将。”（Teach me how to play mahjong）
• 生成界面：界面直接排出一组直观的牌面示例（一万到三万、一筒到三筒、一条到三条，加上三张东风与两张红中），其中前三组一二三分别是顺子，三个东是一组刻子，两个红中是一对，醒目标注出麻将的基础赢牌公式——“目标：四组加一对”（The objective: four sets and a pair）。下方卡片则独立展示万、筒、条三种花色，并说明每种数字牌都有 4 张相同的牌。
• 实用价值：初学者无需死记顺子、刻子、雀头等生涩名词，可以先把每组规则与实际牌面对应起来。

3. 在聊天里直接玩复古掌机

• 用户提问：“帮我做一个我能玩的复古掌机。”（Make a retro gaming console I can play）
• 生成界面：ChatGPT 直接在对话流中渲染出一台带有经典绿墨液晶屏的复古掌机，屏幕上实时运行着球拍对战游戏，显示玩家（YOU）与 ChatGPT（CHAT）的实时比分，机身下方配有可点击的虚拟十字方向键和 A/B 功能按钮，用户点按即可直接在聊天中操作游戏。
• 实用价值：用户无需离开对话即可直接使用互动小工具。你也可以在聊天里使用聚餐分账计算器（Bill splitter）和退休储蓄测算器（Retirement savings calculator）等实用工具，填入数字即可就地完成测算。

4. 看着画面理解莫奈的水为什么像在流动

• 用户提问：“莫奈是如何让水面看起来像在流动的？”（How did Monet make water look like it's moving?）
• 生成界面：对话框展示莫奈名作《睡莲》的全貌，并拆解出四个微观特写卡片：
  • 扭曲的倒影（Distorted reflections）：树木与桥梁的倒影向下延伸拉长，随后碎散成斑驳色彩，让大脑将这些扭曲形态感知为水面的晃动；
  • 破碎的笔触（Broken brushstrokes）：用短横笔触打断倒影来模拟水面涟漪，不再画成一整片连续的蓝色，而是呈现出数十个细碎的笔触痕迹；
  • 鲜明的对比色（Contrasting colors）：蓝、紫、绿与少许暖色直接相邻并置而非平滑融合，营造出宛如阳光在水面上跳动的闪烁感；
  • 深浅交错的空间层次（Layers of depth）：睡莲浮叶漂在水面，云朵和树木的倒影映在下方，让视线在水面表面、倒影与纵深层次之间不断切换。
• 实用价值：将绘画技法解析转化为图文对照的局部细节分析，画面文字与局部特写互相呼应，帮助观察画作如何呈现水面运动感。

5. 在灵感板上调整颜色与风格

• 用户提问：“我的狗需要一件很酷的背心，能做一个灵感板吗？”（My dog needs a cool vest. Can you make a moodboard?）
• 生成界面：界面生成了包含调色板与风格标签的“狗狗背心灵感板”，罗列了复古运动（Retro sporty）、街头潮牌（Streetwear）、极繁主义（Maximalist）、柔和俏皮（Soft and playful）以及户外机能（Outdoorsy）等选项。用户点击不同标签，界面上的狗狗参考图与服装效果立刻随之同步刷新。
• 实用价值：用户无需频繁发送文字修改需求，在生成的界面上点选就能直接完成个性化试错与微调。

6. 把自行车拆成可查看的部件

• 用户提问：“拆解一辆 7 速自行车的结构设计”（break down the design of a 7‑speed bike）
• 生成界面：在回答上方提供六个切换按钮：全部（All）、车架（Frame）、车轮（Wheels）、传动（Drivetrain）、刹车（Brakes）和操控组件（Cockpit）。下方展示对应的结构说明，包括双三角车架承重与前叉转向、脚踏带动链条驱动后轮的 7 速挡位，以及手刹拉线带动刹车皮贴紧轮圈减速等。
• 实用价值：用户可以通过按钮按需切换各个子系统，将复杂的工业产品拆解为可分类浏览的图文模块。

7. 调整聚餐人数，带着清单去采购

准备一顿朋友聚餐，知道菜单之后，还要算买多少食材、安排什么时候开始做。在官网同一个聚餐问题的对照中，GPT-5.6 Instant 给出菜单、按固定人数列出的采购数量表和时间安排；GPT-6 Instant 则把人数做成可增减的控件，按人数计算采购量，并提供“复制购物清单”按钮。回答里另有一份可勾选的烹饪时间表，让你逐项标记已经完成的准备工作。

这里的价值，是把条件、计算结果和执行入口放在一起。 人数有变化时，可以调整人数、查看采购量，再复制清单去买东西；开始准备后，就对照时间表勾选步骤。你拿到的不只是一个建议，还能在同一个回答里调整计划、取走结果，并跟进执行。

8. 改变输入，理解复杂概念

有些问题的难点，是看不出“条件变了，结果为什么也跟着变”。Intelligent UI 可以用视觉和交互解释，让你改变输入后观察结果，或按步骤理解问题。官网列出的学习场景包括中心极限定理（解释样本均值经标准化后，为何在一定条件下趋近钟形分布的统计定理）、GDP、无人机摄影和三门问题（选定一扇门、主持人打开另一扇空门后，是否应该换选的概率问题）。这类回答把文字解释与可观察的变化放在一起，帮助你理解条件和结果之间的关系。

---

幕后机制：模型是如何边聊边“捏”出界面的？

让大语言模型输出一段文字很容易，但要在对话中即时构建结构合理、交互顺畅的界面，背后主要依赖三项关键技术支撑：

交互界面的生成过程可以概括为：用户提出具体任务 → GPT-6 根据问题判定最适合的呈现形式（纯文本、图表或交互组件） → 结合原生流式组件库编排元素 → 由编译器实时处理，让界面随生成进度逐步呈现。

1. 原生流式组件库（Native streamable component library）： OpenAI 搭建了一套可在网页端与移动端运行的原生组件库，涵盖按钮、表单、图表等常用元素。该组件库为每项回答提供了统一的设计基础，同时让模型可以灵活决定不同组件如何组合。
2. 渐进式流式编译器（Streaming Compiler）： 配备了专门的流式编译器，在模型生成界面的同时进行实时编译处理。这样用户无需等待整段回答完全生成完毕，界面即可随着生成进度渐进显示出来。
3. 界面设计决策训练（Design judgment training）： 研发团队扩展了训练方法，评估模型所生成界面的清晰度、实用性与完整性。模型借此学习如何合理组织信息，判断何时采用交互组件，以及何时简短的纯文本回答更为合适。

OpenAI 也表示，模型的界面设计判断仍需提升，可生成的内容范围还在扩展；如何为不同问题选好界面，仍是持续改进的能力。

1. 提出问题你想理解什么或完成什么
2. 模型选择形式文字、图形、按钮与表单
3. 组件逐步呈现编译器在生成过程中处理界面
4. 直接使用在聊天中查看、调整或操作

依据 OpenAI 发布说明的过程示意。

---

响应提速：让 ChatGPT 边思考边给出回答

在引入推理模型后，用户虽然能够解决更难的问题，但通常必须等待模型完全结束思考才能看到答案。如今 ChatGPT 能够在继续思考的同时开始作答。OpenAI 训练模型兼顾用户的等待时间，利用当时已掌握的知识与分析结果逐步构建回答。

模型学会在多个分段回复中逐步成型完整答案，每段都补充有用信息而不添加无谓的垫话，并保持全文与一次性写出时一样连贯、符合事实。

这里衡量的是“多久开始回答”，不代表完成整个回答或任务的总耗时也缩短了 44%。根据 OpenAI 的内部评估数据：

• 日常高价值 Agent 任务：在 Extra High 推理档位下，GPT-6 开始回答的时间与 Medium 推理档位的 GPT-5.6 相当，而整体得分优于 GPT-5.6 Extra High。
• 需要联网搜索的问题：GPT-6 Instant 开始给出回答的平均等待时间，比 GPT-5.6 Instant 缩短了 44%。
• 检索与回答质量：模型能更合理地判断何时需要联网查询，更可靠地找到能支撑答案的信息；在复杂难题的内部评估中，它比 GPT-5.6 更频繁地准确切中用户问题的核心要害。

---

安全防护与多轮防御升级

在安全架构上，GPT-6 吸收了 Astra 系列的防御进展，重点提升了对现实风险的识别精度：

• 抵御多轮自适应越狱（Multi-turn adaptive jailbreak attempts）：针对攻击者通过多轮闲聊逐步试探、试图绕过安全策略的攻击模式，GPT-6 具备跨轮次的上下文安全感知能力。
• 遏制高危领域滥用：加固了涉及网络攻击、生物危害以及暴力犯罪等高危场景的防护屏障。
• 减少“一刀切”误拒：优化了安全边界判断，避免对正常无害但涉及某些敏感词汇的问题产生过度拒绝。
• 明确自身能力局限：当缺乏回答所需的信息或工具时，模型更善于识别并主动说明自身能力的局限。

---

推送范围与版本分工

不同用户使用的模型与推出范围有所区别：

本次更新仅适用于 ChatGPT 的聊天界面（Chat 标签页）。驱动 Work 与 Codex 的底层模型在此次发布中保持不变。

---

交互演进：从人适应软件到软件适应人

几十年来，人们一直在学习如何使用各种预设软件，在针对特定任务设计的固定界面中穿梭操作。

OpenAI 认为未来的交互形态将会发生改变：不再是人去适应软件，而是软件去适应人。智能界面正是在朝这个方向迈步——随着模型设计判断能力的迭代，未来用户只需描述自己想完成的任务，系统就能随之构建出贴合该任务的操作界面，让获取与处理信息的过程更直接。

下载完整双语视频合辑 · 下载六段视频与可编辑字幕包