虽然目前我们在多模态交互领域的研究和应用仍然非常早期。但近年来 AI 技术的井喷，让多模态交互技术站在了一个充满无限可能的新起点上。比如 AI 大模型的流式视频流输入这样的「科幻电影技术」也在前些天由 openAI 和 Google 同时实现了。

AI 的进步极大地推动了对来自不同模态的复杂数据的理解和处理能力，为多模态交互系统的设计和实现提供了强有力的技术支撑。

所以眼手交互最多只是「版本答案」，在多模交互的路上不会止步于此。以目前 AI 进化的速度，甚至我们可能很快就能走到 Licklider 所畅想的那个未来：

迈向自然、共生的关系 我的梦想是在不久的将来，人脑和电脑能密切协作，进行人脑想象不到的思考。

——李克莱德（J.C.R.Licklider），「人与电脑共生理论」（Man-Computer Symbiosis），1960

然而，在技术进步的另外一面，我们也不能忽视隐私和安全方面的挑战。

多模态交互系统需要实时采集和分析大量用户的个人数据，包括语音、面部表情、眼动轨迹以及环境影像等敏感信息。

随着计算机系统变得更加智能化，它们对用户意图的解读能力也在不断提高。然而，这种智能化也需要是可控的。如果系统过度解读用户意图，可能会引起用户的不适或误解，甚至导致信任危机，就像 HAL 9000 或 MOSS 的故事。因此，在设计多模态交互系统时，设计者也要充分考虑用户的接受程度和舒适度，避免系统对用户行为的过度干预或控制。

总的来说，在 XR 设备上，眼手交互不是最终答案，而是多模态混合交互的起点。