宝马慕尼黑大学最新研究揭示：AI助手忙碌时该不该告知用户？

设想这样一个场景：你在车内对智能助手发出指令：“导航到张经理发来的地址，如果电量低于10%，请规划包含快充站的路线。”随后，系统开始执行这个多步骤任务。在等待的几十秒里，你更倾向于它全程静默，还是阶段性地向你汇报进展？这个看似细微的交互设计选择，实则深刻影响着用户对系统的信任、认知负荷以及整体体验。

随着AI助手处理复杂任务的能力日益增强，其工作流程已从简单的即时响应，延伸至包含多个子步骤的自主规划与执行。例如，一次完整的出行规划可能涉及联系人查找、地址提取、电池状态监测、充电站搜索及路线计算等多个环节。在任务执行期间，系统是否应该提供过程反馈，成为了提升人机协作效率与体验的关键设计议题。

在驾驶场景下，这一问题尤为突出。驾驶员注意力资源有限，额外的信息提示可能构成干扰。然而，完全的静默又可能引发用户对系统状态的不确定感，进而削弱信任。这类似于一位厨师：是应该频繁向客人通报备菜、调味的每一步，还是专注于烹饪过程，最终直接呈现完美菜品？

为探寻答案，宝马集团研究与技术部门联合慕尼黑大学及奥格斯堡大学的研究团队，进行了一项严谨的实验。该研究发表于2026年2月（arXiv:2602.15569v1）。实验构建了一个模拟驾驶环境，参与者置身于固定式汽车座舱模型内。环境整合了语音交互界面（通过扬声器提供听觉反馈）、图形界面（位于典型中控位置的平板电脑）以及一项车道保持模拟任务（显示于前方2.7米处的屏幕上）。

实验模拟了两种情境：车辆静止的单任务场景，以及需要同时执行车道保持任务的双任务场景。尽管车辆物理静止，但参与者需通过持续操作鼠标来修正模拟的车道横向偏移，以此精准复现驾驶时分心所需的认知负荷特征。

实验基于一个功能完备的车载语音助手原型展开，该系统能够处理复杂的多步骤请求。每个实验任务的目标指令均显示于屏幕，由参与者朗读触发。系统会实时转录并显示用户语音，确保指令被准确识别，为后续对比不同反馈策略的效果奠定了可靠基础。

两种截然不同的反馈策略对比

研究团队设定了两种核心反馈策略进行对比。第一种是“无过程反馈”策略：用户发出指令后，系统仅以一声提示音和屏幕上的“正在规划中...”状态作为回应，随后保持静默，直至所有步骤完成，才一次性输出最终结果。这代表了当前许多AI系统的典型交互模式。

第二种是“规划与结果反馈”策略：系统不仅在任务结束时给出总结，还会在执行过程中提供信息丰富的实时更新。例如，“已在您的联系人中找到张经理”，或“检测到电量将低于10%，正在搜索沿途快充站”。这些更新通过听觉（语音）和视觉（屏幕文字）双通道同步呈现。

为确保对比公平，研究设定了不同复杂度的任务：中等复杂度任务包含3个步骤，耗时约26秒；高复杂度任务包含6个步骤，耗时约45秒。对于提供过程反馈的策略，更新以固定的5秒间隔推送。这一间隔基于真实原型测试的平均值设定，且低于用户注意力维持的10秒上限，旨在平衡信息量与潜在干扰。

任务设计高度模拟现实。例如，“导航至张经理发来的地址，选择最快路线，若电量低于10%则加入快充站”这一指令，就涵盖了搜索联系人、解析地址、检查电池、查找充电站、规划含充电点的路线等多个逻辑子步骤。为避免参与者因记忆任务而产生偏差，研究在八个任务中交替使用了“最快/最短”路线、“麦当劳/面包店”、“20%/10%”电量阈值等可互换变量，在保持任务逻辑一致性的同时增加了多样性。

全面测量用户体验的四个关键维度

为全方位评估不同反馈策略的影响，研究团队从四个核心维度进行了量化测量。

感知速度：直接衡量用户对系统响应快慢的主观感受。采用7点量表（从“非常慢”到“非常快”）在每个任务结束后立即评分。这如同询问顾客对等餐时长的感受，客观耗时相同，主观体验却可能迥异。

任务负荷：采用NASA任务负荷指数中的三个关键子项——心理需求（所需的思考与决策强度）、时间压力（是否感到仓促）以及挫败感（情绪状态）。三者共同反映了用户在任务执行期间承受的整体压力水平。

用户体验：选取用户体验问卷的三个核心方面：吸引力（整体印象与好感度）、可依赖性（感知到的控制感与可预测性）以及风险处理能力（对系统识别与应对风险能力的信心）。这类似于从美观、可靠、安全三个层面综合评价一款产品。

用户信任：采用针对人工智能的简化信任量表，涵盖对系统的信心、可靠性认知及整体信任度。信任是人机协作的基石，决定了用户是否愿意长期依赖该系统。信任度测量安排在参与者完整体验完某一种策略的所有任务之后进行，以获取对系统的整体性评估。

测量时机经过精心设计：感知速度在每个任务后即时测量；用户体验与任务负荷每完成两个任务后测量一次；信任度则在每种策略体验完毕后统一测量。这种安排既保证了数据采集的敏感性，又有效避免了因频繁填写问卷导致的疲劳效应。

令人意外的实验结果揭示真相

研究结果呈现出显著的差异性，部分发现甚至与常规预期相左。核心结论明确：提供过程反馈的策略，在所有四个测量维度上均显著优于仅提供最终结果的策略。

最突出的改善体现在感知速度上。当系统提供过程反馈时，用户主观感觉速度明显更快，且效应量巨大。值得注意的是，两种策略下的实际任务完成时间完全一致，但用户的主观感受却截然不同。这好比两位同时开始烹饪的厨师，一位适时通报进展，另一位沉默至最后上菜，尽管耗时相同，等待的客人会觉得前者效率更高。

更令人惊讶的是任务负荷的变化。原本假设过程反馈可能因增加信息处理量而加重用户认知负担。但结果恰恰相反：提供过程反馈反而降低了整体任务负荷，尤其在挫败感方面下降明显。用户反馈，知晓系统正在执行的具体步骤让他们感到更安心、压力更小。这可以用“不确定性焦虑”理论解释：未知状态本身就会产生心理压力。

用户体验的改善是全方位的。过程反馈策略在吸引力、可依赖性和风险处理能力三个子维度上均有显著提升，其中风险处理能力的提升幅度最大。这表明，当用户能够洞察系统的工作进程时，他们对系统妥善处理潜在问题的信心会显著增强。

信任度的提升虽幅度相对较小，但同样具有统计显著性。深入分析显示，提升主要集中于可靠性与可信度维度，而在“信心”维度上差异不显著。这暗示过程反馈主要通过展示工作过程的透明性来建立信任，而非直接提升用户对系统绝对能力的评价。

任务复杂度调节了效果。研究发现，随着任务时长增加，“仅提供最终结果”策略下的用户感知速度会显著下降，而“提供过程反馈”的策略则能有效缓冲这种负面影响。这说明过程反馈在长时间任务中尤为重要，如同长途旅行需要更多的路标来确认进度。

驾驶情境的影响相对有限。尽管预期驾驶分心可能改变反馈策略的效果，但实验发现，在静止与模拟驾驶两种情境下，主要效应模式基本一致。这表明过程反馈的益处具有相当的鲁棒性。当然，模拟驾驶时的任务负荷有轻微增加趋势，这符合预期，但未达到统计显著水平。

用户期望的智能适应性反馈系统

除了量化实验，研究团队还通过深度访谈，挖掘了用户对未来智能反馈系统的深层期望。

一个普遍共识是：反馈的详细程度应基于系统的可信度进行动态调整。如同与新同事合作需要更多沟通来建立默契，而与老搭档则只需简洁交流。参与者表示，在系统使用初期，需要详细的反馈来理解其工作逻辑并建立可靠性认知；随着时间推移，当系统证明其能力后，用户愿意接受更精简的反馈以提升交互效率。

这种适应性还应考虑任务特征。用户强调，对于模糊、高风险或新颖的任务，无论对系统信任度多高，都希望获得更详细的进程反馈。例如，发送重要邮件或联系关键人物时需要确认步骤；而对于选择快餐店这类低风险决策，则更倾向于让系统自主处理，无需过多中间确认。

关于外部环境的影响，用户偏好出现了有趣分歧。在播放媒体内容时，部分用户希望减少语音反馈以避免干扰，倾向于接收简洁的最终总结，认为“听音乐时持续的语音提示令人烦躁”。另一部分用户则坚持即使有背景音，也应保持一致的反馈，认为“我需要知道进展时，反馈不应被音乐覆盖”。

社交场景引入了额外的敏感性。部分参与者认为，车内有乘客时，持续的过程反馈可能显得冗长，更倾向于使用单一的结果总结，以避免干扰车内的人际交流。这反映了人们对社交场合礼仪的考量。

用户对控制权的需求非常明确。无论系统如何智能适应，参与者都强调需要轻量级的用户控制选项来调节反馈粒度。许多人提到了静音功能的重要性，希望能在需要时通过“保持安静”或“减少提示”等指令快速调整。这种控制在媒体播放或有乘客在场时尤为关键。

一个特别有价值的发现是用户对渐进式信息处理的偏好。参与者对比了接收分步更新与一次性接收全部信息“转储”的体验，普遍认为前者在认知上更轻松。正如一位参与者所言：“信息量相同，但一次性给出更难消化。”这也从认知心理学角度解释了为何过程反馈能降低任务负荷。

用户还对系统的学习能力抱有期待。他们希望系统能记忆重复复杂任务的处理模式，并在后续类似请求中提供更简化的交互。例如，若用户频繁要求规划含充电站的路线，系统应学会在后续请求中自动减少确认步骤，这体现了对个性化与智能化进阶的期待。

设计启示：构建更好的AI交互体验

基于上述发现，研究团队提出了一系列具有实操价值的设计建议，这些原则不仅适用于车载助手，也对其他领域的AI系统设计具有广泛参考意义。

首要建议是，对于耗时较长、步骤较多的任务，应默认提供过程反馈，尤其是在系统使用的初期阶段。这在提升感知速度、优化用户体验、建立信任及管理任务负荷方面已被证实具有显著益处。在用户与系统建立信任关系的初期，透明度是构建信心的基石。

反馈内容方面，研究强烈建议使用包含实质性信息的更新，而非简单的进度提示。例如，“已提取张经理发来的地址”比“正在处理中”有效得多。这有助于维持“共同理解”，让用户始终知晓系统当前步骤及其意图。简单的进度条或通用提示无法提供这种理解层面的支持。

针对长期使用的适应策略，建议采用“高透明度起步，逐步精简”的方法。系统初期通过详细反馈建立透明度与信任，随着可靠性的累积，可逐步减少反馈的详细程度。但这种精简必须是可逆的——当系统遇到新颖、模糊或高风险任务时，应自动切换回更详细的反馈模式。

情境适应方面的建议更为细致。对于内部任务因素（如任务的新颖性、模糊性、风险等级），系统应据此动态调整反馈粒度。对于外部情境因素（如媒体播放、社交场合），由于用户偏好差异较大，最佳实践是提供简单的用户控制选项，例如支持“静音反馈”或“简要模式”的语音命令。

技术实现上，同时采用听觉与视觉双通道反馈被证明是有效的多模态策略，这符合认知负荷理论中关于利用不同资源通道的原则。听觉反馈适合在驾驶等以视觉为主的任务中使用，而视觉反馈则可提供更持久、可供回顾的信息呈现。

研究还为反馈时机提供了具体指引。5秒的更新间隔被证明是有效的平衡点，既能维持用户的参与感与掌控感，又不会因过于频繁而造成干扰。该间隔低于注意力维持的上限，同时为系统完成一个有意义的子步骤留出了时间。

这些设计原则很可能适用于其他领域，如客户服务AI、社交机器人或智能家居助手。关键在于，确保AI助手执行任务时使用的感知通道（如听觉）与用户当前主要任务（如驾驶时的视觉）不同，以最小化干扰。

研究的局限性与未来展望

研究团队也客观指出了本研究的若干局限性。首先，所有参与者均来自同一家汽车公司，尽管涵盖了不同部门与人口统计特征，但研究结果的文化普适性可能受限。不同文化背景、年龄层或技术熟练度的用户可能存在差异化的反馈偏好。

其次，驾驶情境为模拟环境，虽能提供可控的认知负荷，但无法完全复现真实驾驶的动态复杂性，如多变交通流、环境干扰或紧急状况。此外，模拟设计将车辆状态感知与任务需求混合在一起。研究团队认为观察到的效应主要由注意力需求驱动，但未来研究可通过对比手动驾驶与自动驾驶场景，更清晰地分离这些因素。

再次，反馈策略的设计相对标准化。过程反馈以固定5秒间隔提供，但自适应或情境感知的反馈策略可能会产生不同效果。同样，反馈始终通过语音和视觉双通道提供，不同的模态组合（如仅语音或仅视觉）也可能带来不同影响。

最后，时间维度存在局限。研究捕捉的是用户对不同策略的即时反应，而长期适应效应仅能通过访谈中的自我报告来评估，缺乏来自长期真实使用的行为数据。这为未来的纵向跟踪研究留下了重要空间。

尽管存在这些局限，此项研究为理解AI助手的反馈设计奠定了重要基础。它不仅验证了过程反馈在多个维度上的积极价值，还揭示了用户对自适应反馈系统的复杂需求。这些发现为设计更人性化、更值得信赖的AI交互指明了方向。

归根结底，这项研究回答了一个看似简单却至关重要的问题：当AI助手在后台执行复杂任务时，它是否应该让用户知晓进程？答案是肯定的，但方式需要智慧。如同优秀的服务会在适当时机更新进展而非过度打扰，AI助手也需在透明性与效率之间找到最佳平衡点。随着AI系统自主性与复杂度的不断提升，这种人机交流的艺术将变得愈发关键。毕竟，再先进的技术，若无法与人类和谐共处，便难以实现其真正的价值。

Q&A

Q1：车载AI助手提供过程反馈具体有哪些优势？

A：研究证实，提供过程反馈在四个关键层面带来显著提升：1) 大幅改善感知速度，用户感觉系统响应更快；2) 有效降低任务负荷，特别是缓解挫败感；3) 全面优化用户体验，涵盖吸引力、可靠性与风险处理信心；4) 增强用户信任，尤其是对系统可靠性的信任。最反直觉的发现是，原本担忧的认知负担增加并未发生，过程反馈反而减轻了用户的等待压力。

Q2：AI助手在何种情况下应提供详细反馈，何时可保持简洁？

A：用户期望一种智能化的适应策略。系统使用初期，需要通过详细反馈建立信任并让用户理解其工作模式。随着系统可靠性得到验证，可逐步精简反馈以提升交互效率。但当面对新颖、模糊或高风险任务时，无论信任度如何，都应提供详细的过程确认（例如，发送重要文件需确认，而选择播放列表则可简化）。对于播放媒体、有乘客在场等外部情境，用户偏好存在差异，最佳方案是提供便捷的用户控制选项，如一键静音或切换简要模式。

Q3：这项研究对其他AI产品设计有何启示？

A：核心原则可广泛应用于客户服务AI、智能家居助手、社交机器人等多种系统。关键在于，当AI执行耗时较长的复杂任务时，应提供包含具体信息的进程更新，而非简单的“处理中”状态提示。同时，需确保AI使用的交互通道（如听觉）与用户的主任务通道（如视觉）错开，以避免干扰。研究还表明，大约5秒的更新间隔是一个有效的参考值，能在保持用户参与感和避免信息过载之间取得良好平衡。