Siri打開了手機的嘴，豆包接通了大腦和手腳

吃上豆包的手機先邁一步。

作者|古廿

編輯|楊舟

12月1日，字節(jié)跳動豆包團隊發(fā)布了一段視頻，演示了豆包手機助手的一系列能力。

從視頻中的場景看，豆包手機助手的能力覆蓋跨應用執(zhí)行流程、屏幕內容讀取、多模態(tài)識別、系統(tǒng)級喚醒、跨平臺比價下單、遠程控制汽車等操作。在開啟記憶功能后，執(zhí)行路徑所需的詢問也明顯減少，具備一定連續(xù)任務能力。

這些能力幾乎覆蓋了過去數年間用戶對于“AI手機助手”想象中的典型使用場景。因此盡管目前仍處于技術預覽階段，但還是使語音助手這個沉寂多年的手機能力，被重新放到了主流視野的討論范圍。

這款手機助手并非單一的App，而是以和手機廠商合作的形式推出。目前演示所用機型來自豆包與中興合作的一款設備，前者主導AI助手的產品定義與交互體驗，后者負責硬件研發(fā)與制造。

發(fā)售僅一天，12月2日據中興商城顯示，首款搭載豆包助手的合作機型已顯示“售罄”。對于備貨和銷量數據，努比亞方面對外公開表示，“目前暫時沒有銷量數據，因為是第一款，少量對外發(fā)售?！?/p>

在二手平臺閑魚上，該機標價普遍在4200元至4999元之間，較官方定價溢價700至1500元不等。豆包方面表示，目前并沒有開發(fā)手機的計劃，現階段推進的方向是與多家手機廠商進行合作落地。

手機助手并非新鮮概念，其在智能手機中存在已久，但定位始終模糊。幾乎所有主流廠商在系統(tǒng)更新中都延續(xù)了語音助手的入口設計，但它從未成為用戶購機決策的關鍵因素。

背后的原因并不復雜。在多數用戶的真實體驗里，語音助手能回應，卻幫不上忙。過去十年來，語音助手的能力上限基本停留在識別語句、回答問題、打開應用，長期游走在對話交互的界面。

從時間線來看，2011年Siri隨iPhone4s推出；2016年Google Assistant發(fā)布；國內手機廠商也在此后不斷補齊本地化能力。從用戶視角看，它們仍然屬于同一代產品：可以理解意圖，但無法真正代替用戶完成任務。

近期行業(yè)出現了久違的變化。先是谷歌上個月宣布將在2026年停用Assistant語音助手，把系統(tǒng)級交互入口遷移至Gemini；接著國內本月，字節(jié)發(fā)布豆包手機助手預覽版，實現讓AI執(zhí)行跨應用操作，而不是僅停留在語義對話。

這兩件事雖然相隔不同市場，但方向一致：手機助手或許將要走出嘴勤手笨的體驗困局了。

01從一問一答到跨應用執(zhí)行

喬布斯曾在介紹Siri時說，它不是搜索引擎，而是人工智能。如果語音助手具備學習能力，且長期與數億用戶交互，照理說，它的表現應越來越接近自然語言交流，而不是反復回到“對不起，我不明白你在說什么”的原點。

2011年，iPhone 4S發(fā)布會上，Siri首次亮相，標志著語音交互作為系統(tǒng)級能力被引入智能手機。Siri的英文全稱是“Speech Interpretation & Recognition Interface”，也即強調語義識別而非命令觸發(fā)。

在當時，這種一問一答的模式代表了人機交互的一次方向性突破。接下來的十年，這個方向并沒有持續(xù)推進。

以Siri為代表的語音助手，其功能范圍不斷從語音控制電話、短信，擴展至語音字幕、智能通話、識屏、家居聯動等系統(tǒng)能力。但最核心的能力：理解并執(zhí)行任務，一直停留在語音問答階段，幾乎沒有實質性進展。

這也是為什么，豆包手機助手的演示視頻能重新激發(fā)行業(yè)關注：它不再是對話界面，而是執(zhí)行界面。產品的核心轉向，是將語音助手從“信息返回”升級為“任務完成”，將用戶語義直接轉譯為一整套操作路徑。

它關注的不是陪你說學逗唱解悶，而是可以幫助你完成什么任務。

例如，在比價購物場景中，用戶只需說一句：“幫我把這瓶洗發(fā)水在我所有購物軟件上比價并選最便宜的下單”，助手便會自動在淘寶、京東、拼多多、抖音商城等App中依次搜索、比價、自動領券，篩出最低價后停在支付頁，等待用戶確認，避免自動扣款帶來的誤操作或越權風險。

再如圖片處理，用戶說“把這張照片里的人去掉”“把背景清理一下”，助手可以自動識別目標區(qū)域、調用圖像編輯工具并完成操作，無需用戶打開App逐步執(zhí)行。

甚至在更復雜的跨場景鏈路中，豆包也游刃有余。用戶可一次性發(fā)出多個指令，如：“訂閱這個播客的更新并加入播放列表 → 打開特斯拉前備箱 → 訂一個今晚八點半的餐廳”，助手將依次在對應App中完成操作，串聯起本地應用與線下行為。

手機助手從回答問題，到完成任務，這一步花了十二年才真正走出來。

02原生的AI交互體系

能夠實現跨應用、多場景執(zhí)行的手機助手，并不只是語義理解能力的堆疊。支持豆包手機助手能力的，是兩個體系的同時成立：模型的執(zhí)行規(guī)劃能力和系統(tǒng)層面的原生接入能力。

首先是模型層面。豆包模型不僅做語義理解，還做界面理解與操作規(guī)劃。它能夠識別屏幕中的文本、按鈕、布局、步驟邏輯，從而生成穩(wěn)定的操作路徑。最終呈現出不是“告訴用戶怎么做”，而是“手機助手完成一系列點擊和輸入”。

這與傳統(tǒng)語音助手停留在響應指令不同，本質上是一套GUI操作能力。

這套能力的核心是豆包在推理、視覺理解、圖像創(chuàng)作、視頻生成、語音等方面的性能達到國際一流水平，圖形界面操作能力更是在多項權威評測中獲得業(yè)界最佳成績，可以像人類一樣操作手機，完成各種復雜任務。

其次是交互層面。豆包手機助手并不是一個獨立App，而是通過與手機廠商合作，在操作系統(tǒng)層獲得了調用權限。這意味著模型不再運行在應用層，而是能夠調度系統(tǒng)資源，跨應用組織動作。

在豆包手機助手發(fā)布的技術預覽版演示視頻中可以看到，AI助手在與手機廠商深度合作后，可以將豆包大模型融入原生交互體系，在手機使用的任意環(huán)節(jié)實現直接調用。

從演示視頻看，兩種能力結合后呈現的交互方式發(fā)生了明顯變化：

用戶無需復制內容或切換App，在任意界面都可以直接發(fā)起詢問；屏幕內容會被即時理解，例如對照片提問“這個景點在哪”“是從什么視角拍的”，助手直接返回信息；原豆包生態(tài)中的語音通話、視頻通話、屏幕共享等能力被系統(tǒng)級集成，僅需雙擊AI鍵即可進入實時對話。

兩種體系能力的疊加下，豆包手機助手不再是一個額外功能，而是成為融入系統(tǒng)底層的能力。這意味著，大模型第一次不是作為“插件”存在，而是開始嵌入到系統(tǒng)級交互之中，成為手機操作鏈路中的一個原生AI節(jié)點。

03AI原生手機的完全體

從演示內容來看，目前展示的能力還可以自定義個性化。豆包手機助手提供可選的記憶功能。在用戶授權情況下，助手可以通過常用的個人偏好，提供更符合個人習慣的執(zhí)行路徑規(guī)劃。

同時，豆包還探索了操作手機Pro模式。相較于基礎模式依賴GUI Agent的逐步點擊，Pro模式可以直接調用系統(tǒng)工具，并結合記憶數據規(guī)劃操作方案。這一模式的關鍵轉變，在于從逐條指令執(zhí)行轉向對用戶真實意圖的整體把握。

發(fā)布視頻中的示例體現了這種差異：

用戶說“幫我給女兒推薦幾個禮物放進購物車”，在基礎模式下，這是一個至少包含多個搜索、篩選和下單動作的復雜任務；而在Pro模式中，如果記憶中已記錄孩子的年齡和興趣，助手會直接聚焦與其匹配的商品并加入購物車，無需用戶逐條補充條件。

跨應用執(zhí)行解決了能做，記憶和Pro模式嘗試解決該怎么做才合理。

需要強調的是，盡管此次演示內容為真實錄制，但豆包仍將其定義為技術預覽版本。官方提示，大模型當前階段仍存在不確定性，無法保證在所有場景中穩(wěn)定復現。這意味著方向已經清晰，但距離產品層面的完全體，仍有一定距離。

不過，即使尚在早期階段，豆包手機助手在“執(zhí)行權的可控性”上，已體現出一套較為完整的系統(tǒng)設計。當前演示中至少呈現出三層可控機制：

其一，任務狀態(tài)可視化。當手機由助手執(zhí)行任務時，屏幕將呈現動態(tài)光效提示；即便用戶中途接管操作，屏幕邊框仍顯示任務提示，避免后臺運行造成的信息不對稱。

其二，狀態(tài)欄膠囊機制。在無前臺界面的情況下，所有任務進展均通過膠囊形式呈現在狀態(tài)欄，涉及支付或授權等關鍵節(jié)點時，系統(tǒng)亦會發(fā)出明確提醒。

其三，信息補充機制。用戶可在任務執(zhí)行過程中隨時進入交互界面，通過補充入口增補必要信息，保障任務結果的準確性和實用性。

這些機制背后的核心邏輯并非追求“最大限度自動化”，而是在明確邊界下實現“透明、可中斷、可協(xié)商”的自動執(zhí)行能力。

值得注意的是，豆包手機助手的出現并不是一項孤立現象，而是在全球智能手機產業(yè)中出現的同類指向。

谷歌上月宣布2026年停用Assistant，將系統(tǒng)級入口遷移至Gemini；Gemini與三星合作的系統(tǒng)級Agent也正在落地測試。行業(yè)共識逐漸顯現：手機廠商+大模型廠商的深度合作，而不是廠商單獨構建語音助手，是新一代手機落地AI的主路徑。

從助手入口向系統(tǒng)能力躍遷，手機行業(yè)關于AI操作系統(tǒng)的探索，可能正進入到更清晰的階段。

本文為《市象》原創(chuàng)文章

未經授權不得轉載或建立鏡像

轉載、交流、合作請?zhí)砑游⑿牛篗ingFei_99