我最近越来越觉得，过去几年 AI 最大的贵人，可能不是 GPU，是 Enter 键。

你写完 prompt，按一下发送。输入结束，世界暂停，AI 拿到一张装订好的考卷再开始聪明。我们看着答案一个 token 一个 token 往外蹦，就说“流式”。可 ACL 2026 那篇 Streaming LLM survey 专门提醒了一件事：output-streaming 只是答案在流；到了 concurrent-streaming，输入还没结束，模型已经得一边听、一边说。

于是 Enter 键一辞职，AI 先补的居然是幼儿园课程。

OpenAI Realtime 现在会用 Semantic VAD 判断你到底说完没有。你拖着一个“uhhm”，它得学会再等等；Gemini Live 也专门处理 interruption，人一插嘴，AI 没播完的声音要赶紧停。

再给它戴上眼镜，问题从“会不会听”变成“记不记得”。S-EMBER 用 Ray-Ban Meta 智能眼镜录了 388 小时第一视角视频，做成 9,448 组问答。模型不仅要回答发生过什么，还得指出自己到底在哪一刻看见过。两件事同时要求时，最强结果不到人类的一半。

OVO-S-Bench 更损：Gemini 3.1 Pro 做 streaming spatial intelligence 是 59.2，人类是 86.6。没有 visual grounding 时，chain-of-thought 甚至可能把方向错误越想越完整。迷路不可怕，可怕的是一边迷路一边写可行性报告。

还有一门最像做人、也最难写进 benchmark 的课：什么时候闭嘴。ICML 2026 的 Proact-VL 直接把“什么时候回应”列成核心难题之一；Streaming Harness 甚至每秒都要先选 silence 还是 response。

聊天框以前替 AI 做掉了太多脏活：告诉它你说完了、什么时候轮到它、什么时候世界暂时不会变。现在 streaming 把暂停键拿走，AI 才开始面对那个一直被藏起来的问题。

现实没有 Enter。

#人工智能 #大模型 #AIAgent #多模态AI #AI研究
#流式智能 #StreamingLLM #RealtimeAI #StreamingAI #实时多模态