Kursor myszy ma 50 lat. Google właśnie zmienia zasady gry

Gdy w 1968 roku Douglas Engelbart po raz pierwszy pokazał mysz komputerową, nikt nie przypuszczał, że ta skromna drewniana skrzynka z przyciskami stanie się nieodłącznym elementem naszego cyfrowego życia. Przez ponad pół wieku wskaźnik na ekranie zmieniał się głównie kosmetycznie — z kwadratu w strzałkę, z czerni w kolor. Ale jego podstawowa funkcja pozostała taka sama: wskazywać. Aż do teraz. Zespół z Google DeepMind postanowił nauczyć kursor czegoś zupełnie nowego — rozumienia.

Pół wieku w cieniu: dlaczego kursor nie ewoluował?

→ Czytaj też: Największy otwarty model AI ma 2,8 biliona parametrów. Chiny rzucają wyzwanie USA

Współczesne interfejsy użytkownika opierają się na założeniu, że to człowiek musi tłumaczyć maszynie, czego chce. Piszemy długie komendy, przeciągamy pliki między oknami, kopiujemy i wklejamy. Tymczasem — jak zauważają Adrien Baranes i Rob Marchant z Google DeepMind w swoim artykule Reimagining the mouse pointer for the AI era — sam wskaźnik przez dekady praktycznie się nie zmienił. „Pomimo tego, jak zmieniły się technologie, wskaźnik ledwo ewoluował przez ponad pół wieku” — piszą badacze.

Problem polega na tym, że typowe narzędzia AI działają w osobnym oknie. Użytkownik musi „przeciągnąć swój świat do narzędzia”, zamiast by narzędzie przyszło do niego. To właśnie tę frustrację zespół DeepMind postanowił wyeliminować.

Pokaz i opowiedz: jak działa inteligentny kursor

→ Czytaj też: AI rozszyfrowała śpiew ptaków. Co mówią nam od lat?

Nowy prototyp, napędzany modelem Gemini, działa na czterech zasadach. Pierwsza: utrzymanie płynności — AI nie zmusza do przerywania pracy i otwierania osobnych aplikacji. Wystarczy wskazać fragment PDF-a i poprosić o podsumowanie, a kursor sam wygeneruje notatkę gotową do wklejenia w e-maila. Druga: pokaż i opowiedz — zamiast pisać szczegółowe instrukcje, użytkownik po prostu wskazuje obiekt, a AI rozpoznaje jego kontekst wizualny i semantyczny.

Trzecia zasada to siła słów „to” i „tamto”. W codziennej rozmowie rzadko mówimy długimi zdaniami. Mówimy: „Napraw to”, „Przesuń tamto”. Nowy kursor rozumie takie naturalne komendy, łącząc gest wskazania z kontekstem. Czwarta zasada: zamiana pikseli w aktywne byty. Zdjęcie notatki staje się interaktywną listą zadań, a kadr z filmu podróżniczego — linkiem do rezerwacji w restauracji.

Jak to zmieni naszą pracę?

Konsekwencje mogą być ogromne. Wyobraźmy sobie, że przeglądamy stronę z ofertami mebli. Zamiast kopiować nazwy i wklejać je do wyszukiwarki, wystarczy wskazać kilka produktów i powiedzieć: „Porównaj”. Albo podczas edycji zdjęcia — wskazać fragment i poprosić o zmianę koloru. To, co dziś wymaga kilku kliknięć i przełączania się między aplikacjami, ma się stać jednym gestem.

Google już wdraża te rozwiązania. W przeglądarce Chrome oraz w nowym laptopie Googlebook pojawi się funkcja Magic Pointer, która pozwoli korzystać z Gemini bezpośrednio przez wskaźnik. „Zamiast pisać złożoną komendę, możesz teraz użyć kursora, by zapytać Gemini o interesującą cię część strony” — tłumaczą Baranes i Marchant.

Koniec ery przeciągania?

Pomysł Google wpisuje się w szerszy trend odchodzenia od interfejsów, które wymagają od człowieka dostosowania się do maszyny. Coraz więcej firm stawia na interakcje multimodalne — łączące gesty, mowę i kontekst wizualny. Jeśli prototyp DeepMind trafi do powszechnego użytku, może oznaczać koniec epoki, w której to my musieliśmy tłumaczyć komputerowi, czego chcemy. To komputer wreszcie zacznie rozumieć nas.

Pytanie tylko, czy jesteśmy gotowi na świat, w którym wystarczy wskazać palcem — i maszyna już wie.