AI手机的终局，“读屏”还是“对话”？

定焦One（dingjiaoone）原创

作者 | 金玙璠

编辑 | 阮梅

最近科技圈的两场“AI秀”先后刷屏。

在大洋彼岸，当地时间1月12日，苹果和谷歌宣布合作，要给Siri用上谷歌的Gemini。但苹果的做法，不是直接让Gemini操作手机上的App，而是用户说什么，Siri先理解意图，然后去调用相应的应用。换句话说，AI只是个“调度员”。这套操作，很苹果。

另一边，国内的情况就热闹得多。字节跳动的豆包AI手机一度刷屏，AI可以帮你打车、购物、订票，就像一个真正的“万能助理”。这套打法，很互联网。

你看，同样是AI手机，实现的方式完全不同。这背后，其实是两条技术路线：

一条路线，是让AI和App学会“对话”，通过标准接口直接调用应用能力，被称为A2A（Agent-to-Agent）。这条路需要所有人坐下来一起制定规则，走得慢，但更稳妥。

另一条路线，是给AI一把“万能钥匙”，通过系统权限“读屏”并模拟操作APP，被称为GUI（图形用户界面）。这条路简单直接，走得快，但可能存在风险。

这背后不只是技术选择，本质上，是不同公司基于自身利益与生态位，对未来主导权的一次押注。谁的模式能赢得用户，很可能将决定：下一个十年，我们如何与手中的设备共处。

两种解法，两种逻辑

要看懂这场牌局，我们先得看清这两条路线背后的逻辑。

GUI路线，主打一个“快”字。

它的实现方式，最初是AI助手借助安卓系统中一个名为“无障碍服务”的功能。这项权限最初是为有视力障碍的人士设计的，好让他们能通过语音指令来操作手机。现在，AI通过这项权限可以“读懂”屏幕上的文字和图标，然后模拟人的手指去点击、滑动，从而操作各种App。之后不久，市场上出现了比调用无障碍权限更“领先”的路线，也就是AI助手拿到了手机厂商给自己的系统签名权限，从而通过进程注入，更丝滑、无感地模拟操作。

这样做的好处显而易见——它绕开了所有App厂商，直接把AI能力覆盖到了现有的应用生态中。对于急于在AI浪潮中抢占身位的厂商来说，这是最快的验证路径。

“当用户习惯了通过一个AI助手来操作所有App时，这个助手就成了新的流量入口，这背后的商业价值，相当有吸引力。”关注互联网公司的投资人林亮表示。

不过，对于用户来说，体验现阶段的GUI可能“时灵时不灵”。

“GUI很依赖应用界面的稳定性”，应用开发者陈刚表示，“如果App更新了界面设计，比如一个按钮的位置变了，都可能让AI‘点错’位置，整个任务流程就会卡住。”

陈刚指出，当任务链路变长时，这种不稳定性会被放大。有数据显示，一个包含5个步骤的操作，即便每一步的成功率都高达90%，整个任务的最终成功率也可能骤降至59%。

图源 / pexels

除了体验上的不确定性，很多用户担心的是安全和隐私风险。GUI模式下，AI需要通过“读屏”来理解屏幕内容，进而决定下一步操作，就意味着，它需要实时获取屏幕信息。尽管厂商们承诺数据会加密或不上传，但用户心中难免会有疑虑：用户的数据在什么情况下被收集、如何被使用、谁来负责？

A2A则是完全不同的思路。它不让AI“看”屏幕，而是为AI和各个应用建立一套通用的“对话语言”——也就是标准的API接口。

这听起来有点抽象，你可以想象这样的场景：你对手机说“帮我打车去机场”，系统Agent理解后，直接告诉相应的Agent：“用户要去机场，请提供打车服务。”出行App的Agent收到请求后，在自己的权限范围内完成任务。

A2A的核心，是“合作”。这一路线中有个关键设计叫“双重授权”：同时获得用户和应用方的授权。

这样一来，权责变得清晰了。用户可以对不同的App设置不同的权限等级。比如，允许AI读取外卖App来比价，但禁止读取银行App；对于转账这样的高风险操作，每次执行都需要你的额外确认。由于数据流动是通过明确的接口进行的，是有据可查的，即便出了问题也可以追溯。

那为什么不是所有厂商都选择A2A呢？

因为协调成本很高。A2A需要操作系统厂商、应用开发者共同推进一套标准化的协议。没有足够多的应用支持，A2A的价值就显现不出来；没有明确的价值，开发者就缺乏适配的动力。

所以，A2A路线注定是一场“持久战”，它“慢”在生态共识的达成与基础设施的建设。

现在，两条路线的逻辑就清楚了：GUI虽有一定风险但高效，能让厂商用最小代价快速验证AI手机的可能性。A2A稳妥但缓慢，需要更多协调和投入，不过一旦成功，就能建立一套更安全的体系。

有人可能会问，GUI路线就不能通过技术手段实现分级授权吗？理论上可以，但这样做也就失去了相对于A2A的“快速部署”优势，同时还要承受更高的技术成本。

目前行业内相对公认的路径是，GUI探路尚可，因为它会把智能体的便利和风险都充分呈现出来，最终还是要看A2A，因为只有满足了安全和便利两个条件，才能走得远。如果跳出中国市场，全球的科技巨头们是如何选择的呢？

不同路线背后，巨头们的算盘

在手机端，海外巨头几乎都选了A2A，推动API（接口）集成。

苹果最直接。它升级了“App Intents”框架，要求所有想接入AI功能的应用，都必须按照苹果制定的标准提供API接口。

谷歌的路更复杂。它一边推“AppFunctions API”来统一智能体交互标准，一边大力推广各类应用适配，这是个缓慢的过程。

微软自研了“AutoGen”这样的多智能体对话框架，探索不同AI智能体怎样更好地协同。

OpenAI和Anthropic虽然不直接做手机，但它们推动的“函数调用”和“工具使用”功能，实际上就是A2A的技术前身。根据Anthropic公布的数据，从2025年3月的2000多个活跃MCP服务，到12月已经超过1万个——这个增速相当惊人。

为什么无论是苹果、谷歌这样的操作系统霸主，还是微软、OpenAI这样的AI领头羊，都选了缓慢的接口路线？

因为它们是现有秩序的建立者和最大受益者。

苹果、谷歌的核心利益是维护平台、稳定开发者。未经三方授权就简单使用GUI，这种“外挂式”的路线，本质上是在挑战它们的统治地位。所以它们必然会选A2A这种“可控”的方案，把AI能力牢牢掌握在自己手中，作为强化生态控制力的新工具。

微软手握Windows和Office两大王牌，其AI战略的核心是提升生产力，服务企业客户。对于这些客户来说，安全和稳定是第一需求，无法接受GUI的不确定性和安全风险。

OpenAI作为AI技术的“军火商”，目标是让自己的模型被尽可能多的应用“调用”。所以它必须提供稳定、可靠的API接口，而不是无法确保结果的GUI工具。

海外巨头是不是完全放弃GUI了？并非如此。

谷歌的Gemini和微软的Copilot，在手机上推出了“屏幕共享”功能——让用户可以把屏幕分享给AI，AI可以“看”并回答问题，但本身不会去操作。

海外巨头的GUI尝试，主要在PC端，而且，严格限制在受控环境（如浏览器、沙盒、虚拟机）内。

OpenAI把具备GUI操作能力的Agent限定在Atlas浏览器内，明确禁止它运行代码、下载文件或访问本地应用。Anthropic在2024年底就发布了Computer Use API，但相关功能至今仅供开发者在虚拟环境中测试。

微软的做法最具代表性。在其Recall功能因高频截屏引发隐私争议后，它直接把“看”和“做”两个动作拆分了——Copilot Vision只能“看”用户共享的应用并提供建议，不能操作；有操作能力的Copilot Actions必须在单独的沙盒桌面中进行。

所以，海外巨头出于“维护现有秩序”的考虑，坚定地走A2A路线，GUI尝试只停留在“测试版”，并未向普通用户大规模推广。

相比之下，国内市场格局更复杂，巨头中既有“挑战者”也有“守成者”，选择也因此更多样。

字节跳动走的是高权限GUI路线。它通过豆包大模型与中兴努比亚深度合作，推出集成系统级AI助手的“AI手机”，希望绕开现有的生态壁垒，争夺下一代流量入口。

阿里、华为、OPPO，都布局了A2A路线。

阿里的动作很直接，就是通过自建的、可控的API体系，将“通义千问”这个超级大脑，深度集成到淘宝、支付宝、高德等核心业务中。

华为则在2025年底发布的HarmonyOS 6中，通过“意图框架”，实现了“小艺”智能体与十余款鸿蒙原生应用的A2A协作。

OPPO也联合了支付宝等头部应用，共同探索A2A的行业标准。

但这些看似相同的选择背后，是各自的商业考量。

对阿里来说，这套打法“攻守兼备”。一方面，作为中国头部电商平台，核心利益是用可控的API保护庞大的交易生态。但另一方面，它又不止于防守，而是通过通义千问打造一个入口，让用户在阿里生态内完成更多交易和服务。

华为和OPPO当然不想只做硬件制造商，容易被“管道化”，所以，在A2A路线之上，它们还在走一条以自家操作系统或AI大模型为核心的“混合生态”的路线。在这套体系里，既有标准的API调用，也有更底层的系统级智能体，最终目的都是为了掌握生态主导权，从一个“设备提供商”，升级为未来生态的“规则制定者”之一。

简言之，国内外厂商多数都选了A2A。只是区别在于，海外巨头用它来强化现有控制；国内厂商则用它来争取话语权，一边参与A2A的标准制定，一边通过自身的OS、大模型或生态优势，建立以自己为核心的混合生态。

为什么主流厂商更倾向A2A？

选择背后，是不同玩家在牌桌上的位置使然。不过，从这些主流厂商的选择中，我们可以得出一个结论：GUI路线虽然能快速验证AI手机的可能性，但A2A正获得越来越多主流厂商的青睐。

是因为A2A更安全、更稳定吗？不全是。它之所以被看作是未来，可以从技术演进、监管合规和商业成本三个维度来看。

从技术角度看，A2A更符合AI分工协作的本质。

GUI路线要求大模型同时承担“感知屏幕（眼）、规划任务（脑）、模拟操作（手）”的工作，负担重、效率低且易出错。A2A路线，则是让AI回归到它最擅长的“大脑”角色，专注于理解与任务调度，具体的执行交给各垂直领域优化的应用智能体。这种“各司其职”的模式，不仅更高效可靠，也为未来更复杂的智能体协作打下了基础。

从监管角度看，A2A是更安全、更合规的选择。

GUI的“读屏”行为在全球范围内都面临越来越严格的隐私监管。2025年12月，美国德州起诉了包括三星在内的多家智能电视制造商，指控它们通过高频截屏非法收集用户数据。这为所有采用类似技术的厂商敲响了警钟。

图源 / pexels

而A2A由于数据流动通过明确的接口进行，并且有“双重授权”机制保障，为厂商建立了一道合规“防火墙”。

最后，也是最关键的，从商业成本角度看，A2A是更经济的选择。GUI方案看似“快”，但长期运营成本高。

陈刚做了个类比：

GUI模式就像雇了一个需要24小时盯着监控屏幕的保安，要不断地看、不断地分析图像。这消耗的是大量的“脑力”（云端计算资源）。

A2A模式是建立了一个高效的内部通讯系统。当需要某个部门配合时，发送一条结构化的简单指令即可。这消耗的只是“通讯费”（API调用费用）。

对于手机厂商来说，如果几亿用户每天都在用AI读屏，算力与带宽开支将是一笔巨大的开支。这种商业模式，在规模化商用的前景下，几乎是不可持续的。

所以无论从技术、监管还是商业成本来看，A2A都是更优的选择。更重要的是，一旦这个生态建立起来，它将带来全新的商业机会。这也是最让行业人士兴奋的原因。

首先，协议层与中间件将成为核心。PC时代有Windows，移动互联网时代有iOS和安卓。在AI时代，A2A、MCP等协议标准，就像是新时代的“操作系统”和“开发语言”。谁能掌握标准，谁就可能成为下一个平台级的巨头。

其次，“智能体工厂”与垂直Agent服务商将迎来爆发。基于标准协议，为金融、医疗、物流等特定行业开发专属智能体，将成为一个巨大的市场。未来，可能会有专门的“智能体商店”，你可以像下载App一样，为你的手机雇佣一个“私人理财顾问”或“专属旅行规划师”。这为无数中小开发者，提供了全新的创业机会。

最后，现有公司也将在新生态中重新找到自己的位置。云厂商将成为智能体的“训练场”，手机厂商则成为智能体的承载终端。它们都将获得新的增长。

对于中国的科技公司而言，这是一个在底层协议和基础设施上，与全球巨头同台竞技的绝佳机会。

结语

聊了这么多技术和商业，我们不妨回到一个最根本的问题：AI，到底应该如何服务于人？

AI手机的发展，正从功能炫技的“概念期”，进入生态构建期。GUI和A2A，从不同维度给出了各自的回答。

GUI用一种最直观的方式，完成了初步的市场启蒙。它让我们提前看到了AI手机未来的样子——一个能听懂、会操作的伙伴。这种“快”的优势，帮助厂商们快速验证了AI手机的可能性。但安全性存疑、经济性不高，决定了它更可能是一种过渡方案。

A2A路线尽管起步缓慢、协调艰难，但它在做一件更基础的事——为AI和应用之间建立一套清晰的“规则”。这些规则看起来很复杂，但本质上是在回答一个问题：AI应该在哪些地方有权力，在哪些地方没有。一旦这套规则被广泛接受和应用，就能形成一个更稳定、更可控的生态。这必然是一场持久战。

这场路线之争，往深了想，其实是我们希望与机器建立何种关系的思考。

AI手机的未来，或许并不在于让手机变得无所不能，去替代我们做所有事。而在于，它能否成为一个更聪明的“副驾驶”，在我们做决策时，提供更精准的信息、更周全的建议，最终把选择权交还给我们自己。说到底，技术终究是为人服务的。

*题图来源于pexels。应受访者要求，文中陈刚、林亮为化名。