誰(shuí)在決定AI手機(jī)的未來(lái)：模型、系統(tǒng)，還是生態(tài)？

手機(jī)可能是首個(gè)真正被 AI 接管的終端。全球有數(shù)十億智能手機(jī)用戶，每天生產(chǎn)著海量的數(shù)據(jù)。這些數(shù)據(jù)成為 AI 的燃料，反過(guò)來(lái)，AI 讓手機(jī)更加智能。

當(dāng)蘋(píng)果還在持續(xù)評(píng)估 Siri 的底層供應(yīng)商之時(shí)，安卓手機(jī)廠商已經(jīng)摩拳擦掌，在能部署 AI 功能的地方都塞上了 AI。無(wú)論是字節(jié)跳動(dòng)與手機(jī)廠商中興在操作系統(tǒng)層面合作推出的豆包 AI 手機(jī)工程樣機(jī)，還是智譜開(kāi)源能夠自動(dòng)化操作手機(jī)界面的 AI Agent 模型 AutoGLM，都引起了市場(chǎng)對(duì) AI 手機(jī)或手機(jī) Agent 的高度關(guān)注。

按照業(yè)界的預(yù)期，Agent 將非常深刻地改變?cè)谥悄芙K端上的人機(jī)交互邏輯。從主動(dòng)式的 AI 響應(yīng)對(duì)話，到“次拋型”的 APP，千人千面的終端服務(wù)將成為可能。

無(wú)論是 AI 手機(jī)還是在手機(jī)中開(kāi)源 Agent 模型，對(duì)于 Agent 應(yīng)用與終端的普及、提高行業(yè)智能體體驗(yàn)的底線都有正向的影響。開(kāi)源模型也在一定程度上緩解了終端廠商的數(shù)據(jù)安全焦慮，并能夠更好地融合進(jìn)廠商原有的 Agent 助手系統(tǒng)，而非必須“另起爐灶”。與此同時(shí)，互聯(lián)網(wǎng)應(yīng)用也獲得了一個(gè)強(qiáng)大的基礎(chǔ)，用于開(kāi)發(fā)應(yīng)用內(nèi)的自主操控智能體應(yīng)用。

在當(dāng)下的實(shí)踐中，手機(jī)應(yīng)用主要分為娛樂(lè)、查詢和工作三類。相比點(diǎn)外賣、買(mǎi)咖啡這些日常小事，AI 手機(jī)里的 Agent 更大的價(jià)值可能在于提升工作效率——幫用戶快速搞定那些原本復(fù)雜耗時(shí)的任務(wù)，比如深度信息搜索、全網(wǎng)比價(jià)購(gòu)物、個(gè)人數(shù)據(jù)查詢管理等。這些事情以前可能要折騰半天，現(xiàn)在 Agent 能幫你幾分鐘就解決。

例如，Agent 可以通過(guò)整理手機(jī)中的聊天記錄、照片視頻、購(gòu)物歷史等數(shù)據(jù)，幫你回憶某段時(shí)間的生活軌跡或重要事件。

然而，現(xiàn)在移動(dòng)終端面臨的核心問(wèn)題是：缺乏統(tǒng)一的 Agent 生態(tài)系統(tǒng)，無(wú)法有效打通不同應(yīng)用之間的功能調(diào)用。加上行業(yè)內(nèi)尚未就 Agent 生態(tài)標(biāo)準(zhǔn)形成統(tǒng)一共識(shí)，這些因素共同導(dǎo)致 AI 手機(jī)很難通過(guò)應(yīng)用工具調(diào)用的方式實(shí)現(xiàn)真正的智能操作。

因此，為了讓手機(jī) Agent 能夠通用地使用不同應(yīng)用，目前只能“曲線救國(guó)”——通過(guò)圖形用戶界面（GUI，Graphical User Interface）的方式，模擬人手操作來(lái)控制手機(jī)。操作邏輯其實(shí)就是多模態(tài)理解：先看懂手機(jī)當(dāng)前的屏幕截圖，然后像人一樣去點(diǎn)擊相應(yīng)的 APP 和按鈕，最后完成具體任務(wù)。

這種方式適用性很強(qiáng)，理論上能操作各種 APP。但問(wèn)題是移動(dòng)設(shè)備的算力和存儲(chǔ)有限，面臨兩難選擇：7B 以下的小模型處理復(fù)雜 GUI 任務(wù)力不從心；而 7B 以上的大模型雖然功能強(qiáng)大，但體積太大、成本太高，在手機(jī)上跑起來(lái)很困難。

AI 手機(jī)的路線之爭(zhēng)：云端還是端側(cè)？

目前，AI 手機(jī)（包括手機(jī) Agent）主要分為三條技術(shù)路線：純?cè)贫四Ｐ汀⒓兌藗?cè)模型和端云協(xié)同模型。

純?cè)贫四Ｐ投嘤糜谝苿?dòng)端（例如 AI 手機(jī)等）需要多個(gè)步驟和任務(wù)部署的復(fù)雜任務(wù)。另外，在多 APP 操作的場(chǎng)景下，由于任務(wù)相對(duì)較難，需要較強(qiáng)的推理能力和多模態(tài)理解，也會(huì)更多地使用云端模型。

盡管云端模型整體性能效果比端側(cè)模型強(qiáng)，但問(wèn)題在于數(shù)據(jù)存放在云端，面臨包括照片、視頻、聊天信息、郵件等在內(nèi)的數(shù)據(jù)隱私問(wèn)題。此外，高成本和帶寬也是不容忽視的關(guān)鍵問(wèn)題。因此，在一些涉及個(gè)人數(shù)據(jù)、隱私性較強(qiáng)的場(chǎng)景則需要純端側(cè)模型。對(duì)于端云協(xié)同框架，則適用于云端和端側(cè)能力差別不顯著的場(chǎng)景。

一個(gè)關(guān)鍵的問(wèn)題付出水面：在手機(jī)這樣算力、能耗和隱私都極度受限的終端上，是否真的存在一種現(xiàn)實(shí)解法——既不過(guò)度依賴云端，又能跑得動(dòng) GUI Agent？

近期，香港大學(xué)黃超教授團(tuán)隊(duì)給出了一個(gè)平衡成本和性能的新方案，我們從這個(gè)案例中或許可以看到一些啟發(fā)。研究團(tuán)隊(duì)開(kāi)源了一個(gè)叫 OpenPhone 的項(xiàng)目（Mobile Agentic Foundation Models）[1]。在該項(xiàng)目中，不僅開(kāi)源了一個(gè)純端側(cè) 3B 尺寸的小模型，還提供了一套端云協(xié)同的方案，這樣既能在隱私敏感的場(chǎng)景下用本地模型處理，又能在隱私不敏感的復(fù)雜任務(wù)上調(diào)用云端大模型來(lái)保證完成質(zhì)量。

考慮手機(jī)的能耗限制和實(shí)際部署的可能性，研究人員基于開(kāi)源的 Qwen2.5-VL-3B 模型和自動(dòng)化生成的 GUI 數(shù)據(jù)，通過(guò)監(jiān)督微調(diào)和強(qiáng)化學(xué)習(xí)策略實(shí)現(xiàn)了與通用的 7B 模型相當(dāng)?shù)男阅堋?/p>

（來(lái)源：arXiv）

OpenPhone 還引入了一種類似于思維鏈（CoT，Chain of Thought）的長(zhǎng)推理機(jī)制。該機(jī)制的“巧妙之處”在于，將包括屏幕狀態(tài)、任務(wù)進(jìn)度和推理過(guò)程等在內(nèi)的每一步信息，從存儲(chǔ)原始高分辨率截圖壓縮成精簡(jiǎn)的文本描述，有效地降低了歷史上下文的存儲(chǔ)負(fù)擔(dān)，從而實(shí)現(xiàn)了 Agent 的長(zhǎng)期反思以及決策能力。

在 138 項(xiàng)手機(jī)任務(wù)的測(cè)試中，OpenPhone 在性能接近 9B 模型的情況下，速度提升了 4 倍。“從端側(cè)測(cè)試結(jié)果來(lái)看，訓(xùn)練數(shù)據(jù)對(duì)于 GUI Agent 的表現(xiàn)至關(guān)重要，OpenPhone 提供了一套可以最大化人工標(biāo)記數(shù)據(jù)價(jià)值的數(shù)據(jù)生成管道，利用有限的數(shù)據(jù)來(lái)盡可能增強(qiáng) GUI Agent 的能力。”黃超告訴 DeepTech。

該研究證明，盡管小模型在泛化能力上不如大模型，但其在手機(jī) Agent 場(chǎng)景中，可通過(guò)長(zhǎng)推理等方式激發(fā)小模型的執(zhí)行任務(wù)能力，其在移動(dòng)端的潛力同樣不容忽視。

圖丨 OpenPhone 的總體框架（來(lái)源：arXiv）

黃超解釋道：“在 OpenPhone 項(xiàng)目中，端云協(xié)同框架不僅可節(jié)約模型本身的 token 開(kāi)銷，還能降低成本。但是，如果模型云端效果顯著好于端側(cè)，則依然會(huì)采用云端模型來(lái)進(jìn)行操作。”

研究團(tuán)隊(duì)坦言，該框架在實(shí)際部署過(guò)程中，可能會(huì)面臨大量工程性的優(yōu)化問(wèn)題。近期，他們也在和企業(yè)界溝通探討未來(lái)合作的方式。“盡管目前 AI 手機(jī)的大部分解決方案依賴于云端，但業(yè)界對(duì)端側(cè)突破仍寄予厚望。從我們與企業(yè)的交流來(lái)看，他們更傾向于在端側(cè)解決，云端可能只是當(dāng)前的權(quán)宜之計(jì)。”黃超表示。

可以看到，端云協(xié)同是在當(dāng)下平衡隱私和效果（成功率）的一個(gè)比較可行的方案。如果不考慮能耗和終端部署情況，端側(cè)處理最為理想，并能幫設(shè)備廠商節(jié)約云端算力。未來(lái)，端云協(xié)同仍會(huì)是一個(gè)比較理想的范式。

業(yè)內(nèi)人士告訴 DeepTech，端云協(xié)同長(zhǎng)期來(lái)看是最佳選擇，不過(guò)短期內(nèi)受制于端側(cè)芯片算力和內(nèi)存限制，端上不太可能完整運(yùn)行所有 AI 手機(jī)需要的模型功能，仍需要較長(zhǎng)的時(shí)間和行業(yè)內(nèi)的軟硬協(xié)同發(fā)展。

因此，比較理想的狀態(tài)自然是簡(jiǎn)單任務(wù)能路由到端側(cè)直接運(yùn)行，復(fù)雜任務(wù)路由到云端執(zhí)行，但是實(shí)現(xiàn)這樣的目標(biāo)需要先跑通 AI 手機(jī)生態(tài)實(shí)現(xiàn)意圖理解的數(shù)據(jù)飛輪，模型才可能將來(lái)做到這一目標(biāo)。

AI 手機(jī)真正的難題：誰(shuí)來(lái)開(kāi)放操作系統(tǒng)的權(quán)限？

回到一個(gè) AI 手機(jī)繞不過(guò)的問(wèn)題：包括社交軟件、操作軟件或信息查詢軟件在內(nèi)的主流 APP，會(huì)禁止手機(jī) Agent 的訪問(wèn)權(quán)限。

從智能手機(jī)的角度來(lái)看，如果用戶通過(guò)手機(jī) Agent 來(lái)操作所有 APP，即通過(guò) GUI 方式進(jìn)行訪問(wèn)，那么 APP 有可能喪失流量入口，直接導(dǎo)致 APP 賴以為生的廣告價(jià)值歸零。

有專家指出，現(xiàn)在的問(wèn)題在于，整個(gè)移動(dòng)端的 AI 手機(jī)整體生態(tài)會(huì)往哪里走，可能取決于手機(jī)廠商的戰(zhàn)略制定。總體來(lái)看，解決這個(gè)問(wèn)題有兩種方案：一是 AI 手機(jī)廠商有一套自己的生態(tài)，二是未來(lái)可能也會(huì)涉及到流量入口的合作。

在 DeepTech 與幾位業(yè)內(nèi)人士的交流中，普遍認(rèn)為 AI 手機(jī)的生態(tài)并非僅依賴某幾家企業(yè)或技術(shù)進(jìn)步的問(wèn)題，而是整個(gè)行業(yè)共同面臨的生態(tài)問(wèn)題，包括技術(shù)提供方（例如 AI 助手能力提供方、操作系統(tǒng)廠商、硬件供應(yīng)鏈模型企業(yè)）、應(yīng)用與服務(wù)方（例如端硬件、互聯(lián)網(wǎng)應(yīng)用）、用戶、開(kāi)發(fā)者和監(jiān)管機(jī)構(gòu)等。

對(duì)于手機(jī)操作系統(tǒng)本身的權(quán)限開(kāi)放，業(yè)內(nèi)人士指出，需要謹(jǐn)慎但堅(jiān)定的推動(dòng)，不宜操之過(guò)急但也萬(wàn)不可故步自封。其類似自動(dòng)駕駛上路的發(fā)展，可以考慮在滿足審計(jì)安全要求下，通過(guò)試點(diǎn)硬件產(chǎn)品和應(yīng)用場(chǎng)景開(kāi)放合作，逐步推動(dòng)相關(guān)場(chǎng)景落地和教育，并且同步建設(shè)起更完整的生態(tài)機(jī)制。

談及在操作系統(tǒng)層面兼顧支持高效模型調(diào)度、有效管理本地安全權(quán)限以及保障用戶隱私策略的策略，一位業(yè)內(nèi)人士告訴 DeepTech，這是一個(gè)較復(fù)雜的問(wèn)題，短期來(lái)看需要先建立 Agent 與用戶、系統(tǒng)和應(yīng)用之間的互信授權(quán)機(jī)制，同時(shí)建立起關(guān)于 Agent 的審計(jì)與安全柵欄，明確智能體“上路”的水平要求和安全底線。長(zhǎng)期來(lái)看，該方向的發(fā)展極大程度取決于 AI 和大模型本身的發(fā)展進(jìn)度，需要審時(shí)度勢(shì)地考慮實(shí)際發(fā)展情況進(jìn)行決策。

此外還需要看到的是，無(wú)論是云端還是端側(cè)模型，AI 手機(jī)任務(wù)的成功率目前尚不及人類水平，未來(lái)還需要在準(zhǔn)確率和可靠性方面同步提升。并且，純 GUI Agent 整體響應(yīng)速度還有很大的提升空間。

黃超認(rèn)為，未來(lái)模型上下文協(xié)議（MCP，Model Context Protocol）生態(tài)輔助 GUI 作為解決方案，有望提升手機(jī) Agent 的整體響應(yīng)速度和準(zhǔn)確率。“就像智能手機(jī)需要 APP Store，AI 手機(jī)也需要類似的平臺(tái)，讓整個(gè)社區(qū)都活躍起來(lái)貢獻(xiàn)高質(zhì)量的 MCP，再去調(diào)用它們。從生態(tài)角度來(lái)看，APP 只有保持開(kāi)放狀態(tài)并放出自己的 MCP，構(gòu)建一套更加完善高效的合作模式，才能守住自己的流量，否則流量也有可能會(huì)被其他類似 APP 搶走。未來(lái)應(yīng)用可能會(huì)呈現(xiàn)出兩種交互模式：一種是面向智能體的交互，另一種是面向人類的交互。”

可見(jiàn)，AI 手機(jī)真正廣泛應(yīng)用的標(biāo)志，不在于模型多強(qiáng)，而是不同 APP 應(yīng)用廠商如何共建手機(jī)智能體的環(huán)境。當(dāng)然，這同樣需要整個(gè)生態(tài)系統(tǒng)共同推動(dòng)技術(shù)的發(fā)展和落地。

參考資料：

1.https://arxiv.org/abs/2510.22009v1

排版：劉雅坤