我认为最终状态可能是通过视频+音频+设备启发式的活跃性模型。 如果人们想要互动，他们需要说出他们的互动 -> 系统证明活跃性并写入网络。 AI的混乱最多只是某人在读剧本的代理（这可能也可以通过视觉工具检测眼动来识别）。