AI手機真正要消滅的，是“操作手機”這件事

防冷塗的蠟2026.09.29 13:14 · 來自浙江全文5663字00:00 / 16:00一個已經能聽懂“我要什麼”的機器，為什麼還要學習“下一步點哪裡”？文 | 防冷塗的蠟現在的AI手機，正在變得越來越會“辦事”。對著手機說一句“幫我點一杯熱拿鐵”，然後看它自己打開外賣App、找到常去的咖啡店、完成選購，最後等你確認付款。榮耀曾用這個場景展示YOYO智能體。到了2026年的MagicOS 11，YOYO已經可以連續處理超過100步的長程任務。過去需要人親手完成的一串動作，正在被AI接走。這當然很先進。

但把畫面換個角度看，又有點奇怪：我們已經造出了能夠理解自然語言和複雜意圖的大模型，然後又讓它努力學習怎樣尋找菜單、識別圖標、按下按鈕，在一套原本為人的眼睛和手指設計的界面裡行動。一個已經能聽懂“我要什麼”的機器，為什麼還要學習“下一步點哪裡”？麥克盧漢曾用“後視鏡”形容人理解新媒介時的一種慣性：我們面對新事物，最容易借過去熟悉的形式來想象它。今天的AI手機也有這種味道。手機還在，App還在，按鈕還在，只是多了一個越來越聰明的AI替我們完成操作。如果AI已經能理解“我想做什麼”，未來的人為什麼還需要繼續告訴機器“下一步點哪裡”？

未來最初，總是長得像過去1993年，蘋果推出Newton MessagePad。它可以記錄聯繫人、筆記和日程，最受關注的功能之一，是通過手寫筆輸入文字。這個設計非常自然：人已經習慣在紙上寫字，新設備只要把紙變成屏幕、把墨跡變成數據，就能迅速獲得一套人人熟悉的使用方式。Newton把紙筆經驗搬到了屏幕上。到了2007年的iPhone，交互開始更多圍繞屏幕自身的能力來組織。蘋果在發佈時強調大型Multi-Touch界面，用戶可以直接用手指輕觸、滑動、雙指縮放，列表和照片都隨著手勢發生變化。移動設備逐漸從“怎樣把過去的工具裝進去”，走到了“怎樣形成自己的使用方式”。

一種新技術真正成熟的標誌，往往是它開始形成屬於自己的交互語言。今天AI已經進入手機，但桌面、App、菜單和按鈕，仍然大體按照智能手機時代的方式組織。用舊界面承接新能力有現實上的便利：服務已經在那裡，用戶也已經在那裡，AI可以先接管一套現成的流程。於是，大量AI手機首先解決的是怎樣讓AI更好地使用智能手機。真正的範式變化，會從另一個問題開始：為什麼AI還需要像人一樣使用手機？要回答它，得先看清這些越來越自然的操作，究竟讓人承擔了什麼。計算機越來越好用，人卻一直負責學習機器早期命令行計算機很難用，用戶必須學習機器的語言。想移動一個文件，需要知道命令怎樣寫、路徑怎樣表達。

圖形界面把這種關係往人的方向拉近了一步：文件變成圖標，位置變成文件夾，原本需要記住的語法，被改造成屏幕上看得見的對象和動作。1980年代，人機交互學者Ben Shneiderman提出“Direct Manipulation”，也就是直接操縱。他強調讓對象持續可見，用直接動作替代複雜語法，並讓操作結果迅速呈現、可以撤回。鼠標之後是手指，觸摸屏又把指針拿掉，點擊、拖拽、縮放幾乎不需要額外解釋。機器越來越順手，但用戶仍然要知道，為了辦成一件事，應該先做什麼、再做什麼。假設你下週三去上海出差，需求其實很簡單：酒店離公司近、安靜，一晚800元以內。

打開訂房App後，你需要輸入城市和日期，查找公司地址，設定價格區間，再看地圖、評分、評論和房型，最後核對取消條件並完成支付。其中一些要求甚至無法直接對應篩選項。“離公司近”究竟是直線距離近，還是早高峰通勤方便？“安靜”要從臨街位置、房型和住客評價中判斷。你得把一句完整需求，翻譯成不同頁面能接受的條件，再把分散的信息拼回一個決定。從用戶這一側看，App本質上是一套把人的目的拆解成機器動作的交互語法。每個輸入框規定你能說什麼，每個按鈕規定接下來能做什麼。熟練使用手機，就是學會在這些預設步驟之間找到通往結果的路線。過去幾十年的人機交互革命，一直在降低這套語法的學習成本。

機器越來越容易操作，人卻始終負責把目的拆成動作。即便訂一家酒店只花幾分鐘，這幾分鐘裡，用戶仍然是整個任務的組織者。Agent把交互單位從動作提升到意圖同樣的酒店需求，交給能夠規劃任務、調用工具並執行的Agent，分工會發生變化。用戶提供日期、位置、預算和偏好，AI負責把“離公司近”轉成位置與通勤條件，把“安靜”轉成需要查找的信息，再尋找能夠滿足要求的服務。傳統流程是：人產生目的，自己拆解任務，尋找軟件，逐步操作，機器執行每一步。Agent想做的，是把中間那段工作接過去：人給出目的，AI理解並拆解任務，再尋找和調用能力，最後交付結果。人與計算機交流的基本單位，正在從“動作”提升到“意圖”。

對著手機說“打開訂房軟件，再點價格篩選”，仍然是人在安排步驟。只有當你可以交代“下週三去上海，住公司附近，安靜一點，800元以內”，讓系統自己決定完成路徑時，任務的組織工作才真正轉移出去。輸入方式可以是語音，也可以是文字，關鍵在於人交代的是結果還是步驟。這種分工並非今天才有人設想。1960年，J.C.R.Licklider在《Man-Computer Symbiosis》中提出，人負責設定目標、提出假設、確定標準和評價結果，計算機承擔其中可以常規化的工作。他還注意到一個很細的區別：給計算機的指令通常要規定具體路線，給人的指令則更傾向於說明目標。

設想你對個人Agent說：“明早7點50送我去機場。”如果這是出發時間，它需要找到行程裡的機場和航站樓，結合路況核對時間，預約車輛，再把安排寫進日曆。如果時間不夠，它應該問你能否提前出發；如果價格明顯超出平時範圍，它應該把取捨交回來。理解意圖最終要落到一個很具體的能力上：哪些細節可以自行處理，哪些變化必須重新交給用戶判斷。地圖、航班、打車和日曆之間的銜接，則不再需要用戶親自複製地址、切換頁面。今天的一條技術路徑，是讓AI先學會操作已有界面。它看屏幕、認按鈕、輸入內容，再觀察操作後的變化。這類GUI Agent能快速進入大量尚未為AI開放的服務，因為所有入口已經存在於頁面裡。

問題是，它仍然要經過為人安排的步驟。按鈕換了位置，頁面多出彈窗，流程增加一個分支，都可能要求它重新判斷。如果服務本身已經知道怎樣查詢庫存、創建訂單、返回結果，機器之間完全可以直接交換這些信息，無須每次都把它們畫成頁面，再交給另一臺機器識別。蘋果的App Intents和App Schemas提供了另一種方向：開發者把應用裡的內容、可以執行的動作和所需條件，按系統能理解的方式描述出來，Siri再據此查找內容、調用動作。界面上的“發送”按鈕可以繼續留給人，AI卻不必為了發送一條信息，先在屏幕上找到這個按鈕。依靠識屏點擊完成的跨App操作，是AI兼容舊互聯網的橋樑，不是Agent時代的終局。

服務開放得越充分，AI越沒有必要重新走一遍人的點擊流程。未來最好的AI手機，很可能恰恰是最少讓用戶看到“AI正在操作手機”的手機。它應該讓人看見結果，以及真正需要自己判斷的取捨。衡量它的標準，也會從“能連續操作多少步”，轉向“完成一件事還需要佔用用戶多少注意力”。App不會消失，但會從前臺退到後臺一旦用戶不必親自經過那些頁面，移動互聯網過去十幾年形成的商業價值也會重新分配。今天一個人要訂酒店，通常先想到“打開哪個App”。平臺一邊組織酒店庫存、支付、評價和售後，一邊擁有用戶必須經過的搜索框、推薦位、商品貨架和排序。這些前臺位置之所以值錢，是因為訂單和用戶注意力長期被打包在一起。

一個人為了訂酒店進入App，平臺拿到的不只是一筆交易，還得到一段瀏覽時間，可以賣廣告、推會員、做交叉銷售，把原本只想解決住宿需求的人繼續引向其他商品和服務。如果路徑逐漸變成“人—Agent—服務”，酒店、司機、商品、支付和售後仍然需要有人提供，變化發生在交易之前：用戶先把需求交給自己的Agent，未必需要進入某個App，再沿著平臺安排的路線瀏覽。大量任務型App不會消失，但會從用戶的前臺入口，逐漸退成AI調用的服務基礎設施。同樣一筆酒店訂單依然能產生交易佣金，卻未必再附帶首頁廣告曝光、關聯商品推薦和幾分鐘的用戶停留。過去，App把訂單和注意力打包在一起；Agent可能第一次把兩者拆開。

這會把“提供服務”和“掌握入口”變成兩種更獨立的能力。擁有獨家供給、合理價格和可靠履約的平臺，依然有被調用的價值；依賴頁面位置和用戶停留獲得的優勢，則要接受另一套篩選。對平臺來說，開放能力可以帶來新訂單，也意味著讓出一部分“用戶先看什麼、再買什麼”的安排權。個人Agent承擔的角色因此超出了一個新App。傳統操作系統管理設備資源，保證程序正常運行；個人Agent圍繞用戶的任務，判斷此刻應該組織哪些能力、按什麼順序參與。從用戶的感知看，它越來越像一層新的操作系統：人不必先判斷這件事歸哪個軟件管，可以先說自己想完成什麼。傳統OS管理“設備能做什麼”，個人Agent開始管理“這個人想做什麼”。

沿著這條路徑走下去，下一代互聯網最重要的入口，很可能不再是用戶主動打開的App，而是最先接收到用戶意圖、再替他組織服務的個人Agent。但這個推演有一個前提：用戶已經知道自己想要什麼。有些選擇只是成本，有些選擇創造目的交電費、翻譯一句話，或者補買已經確定型號的耗材，目的通常在打開手機之前就已經形成。用戶需要的是正確完成任務，反覆瀏覽頁面、確認相同信息，並不會讓結果更有價值。這樣的過程越短越好。即使購買一件已經確定的商品，人也不會無限搜索。多看一家店也許還能便宜一點，但還要花時間比較價格、配送和售後。

赫伯特·西蒙的有限理性研究指出，人很少窮盡所有方案，而是在有限時間和認知能力下尋找一個足夠滿意的選擇；George Stigler則把尋找信息本身也視為一種成本。Agent適合接走的，正是這一部分工作。目標已經確定以後，搜索、比較和操作越多，越接近為了到達結果不得不付出的成本。用戶只想把電費交上，並不需要認真體驗一次繳費流程。但一個人走進書店，未必已經知道自己要買哪本書。他原本想找一本經濟學讀物，卻在旁邊翻到一本討論城市生活的社會學著作，讀了幾頁，突然對一個從未想過的問題產生興趣。最後帶走的書，甚至不屬於原來的計劃。這裡發生的事情和繳費完全不同。

選擇沒有在執行一個已經形成的目標，選擇本身正在改變目標。John Dewey在《Human Nature and Conduct》中討論過類似過程：人的目的並不總是在行動之前完整存在，很多目標會在行動、經驗和想象中形成，再反過來改變接下來的行動。“下一本讀什麼書”“週末去哪”“想要怎樣的旅行”，都包含這種尚未完成的形成過程。提前給出一個最匹配過去偏好的答案，可以減少比較，卻也可能減少接觸陌生事物、發現新興趣的機會。更麻煩的是，連“什麼才算合適”這套評價標準，都可能在過程中發生變化。AI最容易消滅的是達成既定目的所需要的選擇；它最難替代的，是幫助人形成目的的選擇。

同一個訂房服務，既可以完成一場安排明確的出差，也可以參與一次尚未成形的旅行。前者希望儘快結束搜索，後者有時正是從搜索裡開始。辦事會越來越沒有界面，生活仍然需要界面。這裡的界面可以是一張允許隨意探索的地圖，也可以是一份夾雜陌生曲目的歌單。它的價值不是讓人更快離開，而是讓人接觸自己尚未想到的東西，讓新的目的有機會出現。AI越瞭解過去的你，篩掉陌生選項的能力也越強。它知道你喜歡哪種餐廳、哪一類文章、哪個品牌、怎樣安排旅行，於是每一次推薦都會越來越像“你”。短期看，這當然提高了命中率；長期看，一個永遠追求“越來越懂你”的AI，也可能越來越擅長把你困在過去的自己裡。

人的偏好會變化，而很多變化恰恰來自那些事先沒有表現出偏好的東西。機器如果只把過去的你預測得越來越準確，也可能同時減少你遇見另一個自己的機會。真正成熟的AI，要知道什麼時候停手計算器接到算式，地圖接到終點，傳統工具通常在任務已經確定之後才開始工作。個人Agent會更早地進入需求形成過程，它不得不面對一個過去的軟件很少需要判斷的問題：眼前這段選擇，是用戶希望擺脫的麻煩，還是值得親自經歷的事情？面對明確任務，它應該儘量把過程拿掉；面對尚未形成的目的，它應該先讓不同的可能性被看見，而不是急著把世界壓縮成一個所謂最優答案。

未來真正高級的個人AI，稀缺的能力未必是替人做最多決定，而是知道哪些選擇只是在浪費人的時間，哪些選擇本身就是人的生活。今天AI還在努力學習怎樣點我們的按鈕。幾年以後回頭看，這或許只是新交互出現前必須經過的一段兼容期。過去幾十年，人一直在學習怎樣更輕鬆地使用機器；接下來，輪到機器學習怎樣理解人的目的。更難的一課，是它還要知道什麼時候繼續替人行動，什麼時候把選擇重新交還給人。