界面新聞記者 | 韓小沁

“AI手機”近期在國內(nèi)的爆火狀態(tài)，為行業(yè)帶來了一種似曾相識的沖擊感。

它通過讀屏、模擬點擊、進程注入等方式，實現(xiàn)跨應(yīng)用的自動化流程。用戶只需一句明確指令，手機便能代為奔赴多個平臺完成下單、搜索、規(guī)劃或支付，在多個App之間來回穿梭，幾乎無需人工介入。

這種躍進式的效率展示，在短時間內(nèi)極大抬高了公眾對AI助手能力的期待，也推動廠商密集展示跨應(yīng)用自動化的最新進展。

但在體驗之外，一種更隱約、卻更難忽視的不安也開始浮現(xiàn)。有人開始意識到，這類能力的真正門檻并不完全來自模型或算法，而是建立在對系統(tǒng)權(quán)限邊界的實質(zhì)性突破之上。

當這種路徑被迅速復(fù)制并放大，問題也隨之變得尖銳：在效率、隱私與責任之間，AI手機究竟應(yīng)當如何取舍？

值得關(guān)注的是，與國內(nèi)當前一觸即發(fā)的白熱化氛圍不同，整個海外市場的軟硬件廠商還集體處在相對保守克制的狀態(tài)。蘋果、谷歌、三星，這些定義了智能手機過去十五年進化方向的公司，還沒有推出類似的AI自動化體驗，但在諸如A2A等AI智能體連接的技術(shù)框架上，逐漸探索出一條可治理、可規(guī)?；难葸M路徑。

這種反差本身也讓這股熱潮顯露出更復(fù)雜的另一面：當技術(shù)與規(guī)則發(fā)生纏繞與對抗時，創(chuàng)新究竟該以何種方式推進，成為擺在整個行業(yè)面前無法回避的問題。

1、海外巨頭的克制，主流廠商的另一種答案

在是否讓AI助手直接操作第三方應(yīng)用的問題上，中美企業(yè)走出了兩條不太一致的技術(shù)路徑。

以手機端為例，縱觀OpenAI、Anthropic、谷歌、微軟、蘋果與xAI等美國頭部科技公司，其AI助手暫未采用讀屏、模擬點擊的方式代替用戶操作手機應(yīng)用，唯有谷歌Gemini與微軟Copilot，在手機上推出了屏幕共享與實時問答能力，但AI助手仍然無法代替操作。

有限度的探索主要發(fā)生在PC端，并且被嚴格限定在受控環(huán)境內(nèi)。

美國AI公司在GUI方向的嘗試，大體可分為Browser Use（使用瀏覽器）與Computer Use（使用計算機）兩類。前者只允許AI在瀏覽器中代理用戶行為，后者則試圖讓AI操作整臺電腦，但幾乎無一例外地通過沙盒或虛擬機將其與真實設(shè)備隔離。

OpenAI于10月發(fā)布的Atlas瀏覽器，允許ChatGPT在網(wǎng)頁層面執(zhí)行任務(wù)，但明確禁止運行代碼、下載文件、訪問本地應(yīng)用或文件系統(tǒng)，并反復(fù)強調(diào)提示詞注入攻擊的風險仍無法被完全消除。

Anthropic的Claude for Chrome、谷歌的Gemini Agent、微軟集成Copilot的Edge瀏覽器，能力邊界與之高度相似，且均處于預(yù)覽或早期階段，僅向部分用戶開放。

在更進一步的Computer Use方向，美國公司的推進速度也顯得相對謹慎。

Anthropic在2024年底就發(fā)布了Computer Use API，但至今僅供開發(fā)者測試，并在指南中反復(fù)要求使用虛擬環(huán)境、限制訪問域名、避免觸及敏感數(shù)據(jù)。谷歌今年10月發(fā)布的Gemini 2.5 Computer Use模型，同樣停留在開發(fā)者預(yù)覽階段。

真正率先“售賣產(chǎn)品”的是OpenAI于7月推出的ChatGPT Agent，但其工作環(huán)境并非用戶本地電腦，而是一臺完全隔離的虛擬機。

微軟的路徑或許更具代表性：在Recall功能因高頻截屏引發(fā)隱私與監(jiān)管爭議后，微軟并未激進推進GUI接管，而是將功能拆分為Copilot Vision與Copilot Actions。前者只能在用戶授權(quán)的應(yīng)用范圍內(nèi)提供輔助信息，后者雖具執(zhí)行能力，但必須在單獨拉起的沙盒桌面中運行，并嚴格限制可訪問的文件夾。

這些設(shè)計選擇背后，折射出美國AI公司對AI Agent能力權(quán)限的警惕。即便是在數(shù)據(jù)敏感度相對較低的PC場景，這些公司仍優(yōu)先通過瀏覽器、虛擬機等方式降低系統(tǒng)性風險。

在這一邏輯下，GUI并非能力問題，更可能是責任乃至法律問題：一旦AI被允許直接操縱真實設(shè)備，錯誤點擊、越權(quán)訪問、數(shù)據(jù)泄露乃至被誘導(dǎo)執(zhí)行惡意指令，其后果將很難通過技術(shù)手段完全兜底。

與之相比，國內(nèi)廠商在手機端進行讀屏、點擊、執(zhí)行的嘗試，其差異本源不在于工程能力高低，而是對風險邊界與監(jiān)管預(yù)期的根本判斷不同。

從產(chǎn)業(yè)背景看，國內(nèi)廠商傾向于選擇手機端GUI路線并非偶然。國內(nèi)移動互聯(lián)網(wǎng)長期形成的“超級App”與“跨場景服務(wù)”傳統(tǒng)，使廠商更習慣通過技術(shù)手段在前臺整合服務(wù)，而非等待應(yīng)用生態(tài)自發(fā)演進。在這一語境下，讓AI直接“上手操作”，被視為縮短價值兌現(xiàn)路徑的現(xiàn)實選擇。

只不過，這種路徑也意味著更高的系統(tǒng)性風險。

2、從“繞開應(yīng)用”到“調(diào)用能力”：海外廠商的接口化路線探索

如果僅從GUI進展判斷，美國AI助手似乎顯得保守甚至遲緩，但在接口路線上的推進，其深度與系統(tǒng)性實則更為突出。

與“直接操作界面”不同，美國廠商目前傾向于讓AI通過標準化接口調(diào)用第三方能力，將智能體嵌入既有軟件體系之中。這一策略在OpenAI、操作系統(tǒng)廠商以及Anthropic身上，呈現(xiàn)出三種不同但彼此呼應(yīng)的形態(tài)。

對OpenAI而言，接口幾乎是其生態(tài)戰(zhàn)略的核心。ChatGPT在擁有數(shù)億級周活用戶后，已不再只是對話產(chǎn)品，而是一個事實上的流量入口。

自2023年推出插件體系起，OpenAI便不斷擴展其API能力，從函數(shù)調(diào)用到Assistants API、Responses API，再到今年基于MCP協(xié)議推出的Apps SDK，持續(xù)降低第三方應(yīng)用被調(diào)用的門檻。

目前，Booking、Expedia、Spotify、Canva、Zillow等應(yīng)用以卡片形式直接嵌入ChatGPT對話流程，使用戶無需離開對話框即可完成預(yù)訂、設(shè)計或搜索。OpenAI的邏輯不是讓AI學會界面操作，而是讓應(yīng)用主動暴露能力，并讓AI成為統(tǒng)一調(diào)度層。

以iOS、安卓、Windows等為代表的操作系統(tǒng)，其背后廠商采取了另一種更偏基礎(chǔ)設(shè)施的路徑。

蘋果在2022年推出Apps Intent框架，鼓勵開發(fā)者向系統(tǒng)聲明功能供Siri調(diào)用，盡管進展緩慢，但始終沒有開放通過讀屏繞開應(yīng)用本身的能力。在尚未落地的“屏幕感知”功能中，蘋果也選擇通過API將屏幕內(nèi)容與上下文提供給Siri，而非直接操控界面。

谷歌在Android 16中推出的AppFunctions API，試圖解決安卓生態(tài)中意圖框架碎片化的問題，讓系統(tǒng)能夠統(tǒng)一發(fā)現(xiàn)并索引應(yīng)用能力；微軟在Windows 11上發(fā)布的Apps Actions API，同樣強調(diào)由應(yīng)用聲明功能、由Copilot調(diào)用，并進一步支持MCP協(xié)議接入。

在這一格局中，Anthropic作為既無操作系統(tǒng)、也無應(yīng)用生態(tài)的初創(chuàng)公司，選擇將競爭焦點放在規(guī)則制定上。

2024年11月開源MCP協(xié)議后，Anthropic很快促成OpenAI、谷歌、微軟、亞馬遜等頭部廠商接入，并在今年12月將協(xié)議捐贈給Linux基金會旗下的Agentic AI Foundation，試圖確立其中立地位。

從數(shù)據(jù)上看，MCP的擴散速度已初具規(guī)模：活躍公共服務(wù)數(shù)量在一年內(nèi)從2000增長至1萬，并被ChatGPT、Copilot、Gemini、Cursor等主流產(chǎn)品采納。相比之下，谷歌提出的A2A協(xié)議與國內(nèi)的ANP協(xié)議仍處于更早階段，但也反映出行業(yè)對“智能體之間如何通信、如何調(diào)用能力”的共同焦慮。

歸根結(jié)底，接口路線的意義在于它為AI智能體提供了一條可規(guī)?；?、可治理的演進路徑。通過標準化協(xié)議與能力聲明，AI不用需要理解每一個界面細節(jié)以及承擔越權(quán)操作的風險，僅需被嵌入既有軟件分工之中。

從長期看，這種方式會一定程度上喪失躍進式體驗的驚艷感，但本質(zhì)上更接近AI基礎(chǔ)設(shè)施的穩(wěn)定形態(tài)。

3、AI手機的真正分叉口：如何建立一套“可擴展的安全邊界”

國內(nèi)AI手機的發(fā)展，正在進入一個比“能不能做”更關(guān)鍵的階段——如何在不失速的前提下，建立一套長期可擴展的安全邊界。

這是一種微妙的分岔時刻：一條路追求速度，以跨應(yīng)用操作與權(quán)限突破創(chuàng)新體驗并推動技術(shù)迭代；另一條路則需要在更沉穩(wěn)、更長線的方向上扎根。

正因如此，國內(nèi)廠商內(nèi)部開始出現(xiàn)分化。一部分團隊仍在追求更激進的體驗展示，也有些產(chǎn)品方表達了理性的觀點。

如OPPO ColorOS 智慧產(chǎn)品研發(fā)總監(jiān)姜昱辰在近期采訪活動中表示，手機背后是一系列生態(tài)伙伴，在這方面的嘗試牽一發(fā)而動全身，GUI Agent 是長尾場景的兜底技術(shù)手段，OPPO 更傾向通過 Agent to Agent 實現(xiàn)生態(tài)互聯(lián)，就是在手機上怎么去與其他服務(wù)商的 Agent 進行交互。

在這一背景下，Agent to Agent（A2A）協(xié)作機制逐漸被視為更具前景的方向。與系統(tǒng)級AI直接操作應(yīng)用不同，A2A的核心邏輯是“分權(quán)協(xié)作”：系統(tǒng)級AI只負責理解用戶意圖，并將任務(wù)拆解后分發(fā)給各應(yīng)用自己的Agent，并由美團、高德、支付平臺等應(yīng)用側(cè)智能體，在自身權(quán)限邊界內(nèi)完成執(zhí)行。

這種模式下，每一次跨應(yīng)用行為都發(fā)生在明確的責任與授權(quán)體系中，既避免了越權(quán)操作，也為事后審計與糾錯提供了基礎(chǔ)條件。

這一思路與Anthropic推動的MCP協(xié)議相對一致，均依賴開放生態(tài)、明確的接口與可審計的流程，不通過讀屏技術(shù)挑戰(zhàn)所有應(yīng)用的隱私邊界。這條路徑更慢，也更考驗生態(tài)協(xié)同，但其穩(wěn)定性與可治理性，決定了它更可能成為長期主線。

與此同時，國內(nèi)廠商也在另一條方向上持續(xù)投入，即端側(cè)記憶系統(tǒng)的構(gòu)建。

通過在本地存儲用戶偏好、行為習慣與上下文信息，AI得以在不讀取其他應(yīng)用數(shù)據(jù)、不上傳云端的前提下實現(xiàn)個性化。這種“第二大腦”式的能力，避免了進一步侵蝕系統(tǒng)權(quán)限與觸碰監(jiān)管與生態(tài)的紅線，卻能持續(xù)提升AI的理解深度。

不過，行業(yè)內(nèi)部真正的擔憂不僅僅是進程慢。一旦各家廠商為了快速展示能力、爭奪市場注意力而不斷下探系統(tǒng)權(quán)限，整個生態(tài)可能被迫卷入一場權(quán)限競賽的爭斗中。在此境況下，生態(tài)將失去穩(wěn)定性，安全與隱私風險會被指數(shù)級放大，而行業(yè)規(guī)范的重建成本或?qū)⑦h高于早期的節(jié)制。

因此，越來越多行業(yè)聲音開始呼吁：權(quán)限突破不應(yīng)成為長期競爭手段，跨應(yīng)用協(xié)作必應(yīng)當走向可審計、可治理的標準化道路。這意味著雙重授權(quán)機制、清晰的權(quán)限分級、完整的行為日志，以及以A2A、MCP為代表的開放協(xié)議，將共同構(gòu)成AI手機走向成熟階段的必要基礎(chǔ)設(shè)施。

中國正在加速進入AI手機時代，但越是高速演進的周期，越需要邊界明確。因為真正決定行業(yè)上限的，或許不是哪一次“看起來更聰明”的演示，而是能夠長久保證將聰明且安全的產(chǎn)品交到用戶手中。