SigmaZ AI专访：豪赌下一代AI交互，重塑大模型未来

type

status

date

slug

summary

category

icon

password

网址

如果说大语言模型（LLM）拉开了本轮人工智能革命的序幕，那么今天人机交互的瓶颈，早已不再是模型的智商，而是人类接收信息的生理带宽。在每天浏览各类AI新闻和AI日报时，我们不难发现一个残酷的事实：人类的阅读极限大约是每秒5个Token，而前沿模型的输出速度正迈向每秒上千Token。当由数十个Agent组成的系统协同运转时，庞大的生成结果往往沦为“没人能读完的字符废墟”。

正如前特斯拉AI总监Andrej Karpathy所比喻的那样，今天我们盯着chatGPT或claude的对话框聊天，本质上就像在上世纪80年代敲击黑底绿字的终端命令行（Terminal）。属于人工智能时代的真正“图形用户界面（GUI）”，至今尚未完全普及。创立于2025年末的SigmaZ AI，正试图给AI补上这关键的一课。本文将深入解读SigmaZ AI联创团队的专访，探讨他们如何通过“Coding as Backbone”技术路径，豪赌下一代AI Interface。获取更多前沿AI资讯和深度行业洞察，欢迎访问专业的AI门户：AIGC BAR。

人机交互的瓶颈与范式跃迁

在过去的十年里，人机交互经历了从语音智能到Generative UI（生成式UI）的演进。然而，随着AGI（通用人工智能）步伐的加快，传统的文本聊天框已经无法承载大模型庞大的信息输出量。

SigmaZ AI的CTO Derek在专访中指出，每一次交互范式迁移的开关从来不是“能不能”，而是“快不快、贵不贵”。当现场生成一个界面的速度和成本优于预先做好的界面时，范式就翻页了。目前，openai等头部企业在算力和模型能力上不断突破，使得AI有能力驾驭更高带宽的视觉界面。因此，聊天框并不会消失，但它会像当年的Terminal一样退居幕后，留给少数极客。而面向大众的下一代入口，必然是能够实时响应、高带宽的交互形态。

为什么是实时交互视频？

在探索下一代交互界面的过程中，SigmaZ AI团队经历了从Chatbot到无限画布（Infinite Canvas），再到交互视频的多次试错。

他们发现，无限画布虽然自由度高，但边界太宽，用户面对白板往往无从下手，增加了提示词（Prompt）的构建难度。相反，视频形态对用户来说理解成本极低，具备很强的确定性。加上时间轴的引入，用户对内容的掌控感更强。

更重要的是，“实时交互视频”并非传统意义上的一次性生成视频。SigmaZ AI将其定义为一个状态公式：下一个画面 = 当前画面 + 用户的动作 + 上下文。这意味着视频不再是静态的消费品，而是“可点击、可提问、实时重塑每一帧”的原生交互界面。这种形态极大地拓宽了应用场景，无论是自适应教育、商品营销还是复杂的逻辑讲解，都能通过直观的视觉互动来完成，这为未来的AI变现提供了极具想象力的空间。

Coding as Backbone：反共识的技术路径

目前，主流的视觉AI生成路线多采用纯像素扩散（Pixel Diffusion），这种方式虽然能产生电影级的真实感，但计算成本极高且可控性低，难以满足实时交互的需求。

SigmaZ AI选择了一条极具反共识的技术路径：Coding as Backbone（以代码为骨架）。他们利用扩散语言模型（Diffusion Language Models, DLM）极高的并发生成速度，让模型直接输出可执行的视觉代码（Visual Code），再交由浏览器完成免费的高效渲染。

这种结构性的架构创新带来了数量级维度的降本： 1. 将视频生成的推理成本直接打到了传统像素视频模型的1/100。 2. 实现了极高的可控性和准确性，模型不会为了填补画面而产生幻觉（Hallucination）。 3. 彻底解决了自回归（AR）大模型在生成速度上的延迟问题，让“实时响应”成为可能。

双轨技术架构与探索图（Exploration Graph）设计

在技术实现链路上，SigmaZ AI采用了一种巧妙的双轨架构。当用户在视频画面中进行点击或提问时：

首先是“意图反演”，交互层判断用户的手势意图，如果需要新的事实数据，会异步调用后端的推理层进行检索。此时，前端的视觉演化不会冻结，而是继续维持当前场景。随后，模型进行“继承式编辑”，将当前场景的代码模板演化成T+1状态的代码，而不是推倒重来，从而保证了场景的连续性和风格的一致性。

这里有一个非常反直觉的设计：模型本身是无状态的（Stateless），真正的状态被显式地存储在每个用户自己的“探索图（Exploration Graph）”上。无论用户何时回归，环境都可以从离开的地方继续。这种“代码负责真实，Diffusion负责好看”的理念，完美契合了大模型在复杂逻辑处理和多模态生成上的双重优势。

结语：迈向AI原生的视觉世界

SigmaZ AI的豪赌，本质上是对人类与AI沟通方式的重新定义。将文字这根狭窄的“吸管”，升级为可以实时交互的广阔视觉世界。这不仅是一场技术的较量，更是对用户体验的极致追求。

随着算力的提升和DLM等新架构的成熟，我们有理由相信，属于AI时代的真正GUI正在加速到来。从枯燥的文本提示到生动的实时视频交互，AI正变得越来越“看得见、摸得着”。获取更多关于大模型、AGI演进以及最新AI行业动态，欢迎持续关注我们的AI门户：AIGC BAR，与我们一起见证人工智能的下一个黄金时代。