一个看似简单却有实用性的建议：在与 AI 对话时，试着在结尾加上一句“请用 HTML 格式输出”。这个小技巧背后，隐藏着人机交互的一个核心矛盾：我们给 AI 输入时，语音是最自然的；但 AI 给我们输出时，视觉才是带宽最高的高速公路。

为什么是 HTML？不是 Markdown

Karpathy 大神曾描绘一条清晰的演进路线：

1. 纯文本（Plain Text）：信息密度低，阅读费力，早期形态。
2. Markdown：目前的主流，有了标题、加粗、表格，比纯文本好，但排版能力有限。
3. HTML：当前的“新高地”。虽然底层仍是代码，但它解锁了排版、图形、颜色、交互的全部可能性。
- 你可以让 AI 生成幻灯片、数据看板、带样式的报告。
- 直接在浏览器中打开，体验远超黑白终端。

这背后的生理学依据是：人类大脑约三分之一的区域用于处理视觉信息。相比于逐行阅读文字，视觉呈现是一次性的、高维度的信息摄入。

终极愿景：从静态页面到交互式模拟

然而，HTML 可能只是一个过渡形态，未来的终极方向是：

由神经网络直接生成的交互式视频或模拟环境。

想象一下，AI 不再给你一份文字报告，而是直接生成一个可交互的 3D 场景或动态仿真，让你“走进”答案里，而不是“读”答案。

现实世界的反馈：甜蜜与代价

在评论区，开发者们给出了非常接地气的反馈：

- 成本问题：HTML 输出的 Token 消耗通常是 Markdown 的 2‑3 倍，对于高频使用者来说，这是一笔不小的开销。
- 自发行为：Claude 等模型有时已经会“自觉”地生成 HTML 来展示结构化信息。
- 协作瓶颈：Meta 员工透露内部常用 HTML 做原型，但最大的痛点是无法直接评论。大家只能把 HTML 截图发群里讨论，这又退化回了低效的视觉沟通。

输入端的缺失

输出端在进化，输入端仍有巨大缺口。Karpathy 指出，我们急需一种方式，能像指着屏幕一样对 AI 说：“就是这个”。

目前的语音、文字、视频上传都不足以完美解决“指代”问题，这也是多模态交互的下一块拼图。

一句话总结：

在脑机接口真正成熟之前，通过 HTML 输出 最大化利用人类的视觉带宽，是当前提升 AI 沟通效率最具性价比的“工程化捷径”。

你会愿意为了更好的阅读体验，多花几倍的 Token 成本吗？