传说中的“豆包手机”终于来了，只不过它并非字节跳动自研的AI手机。近日，字节跳动旗下AI助手豆包和中兴通讯方面先后宣布，搭载豆包手机助手技术预览版的工程样机努比亚M153正式发售。
如果只看努比亚M153，那么这款手机用平平无奇来形容也不为过。其搭载高通骁龙8至尊版主控、采用了6.78英寸的LTPO屏幕，提供6000mAh电池，支持90W有线充电和15W无线充电，配备1/1.3英寸5000万像素主摄+5000万像素超广角+5000万像素长焦组成的后置三摄模组，俨然就是一款国产次旗舰手机。
如果没有搭载豆包手机助手，售价3499元的努比亚M153或许很难让消费者提起兴趣，那么豆包手机助手能化腐朽为神奇吗？单看字节跳动方面公布的DEMO，豆包手机助手无疑是一个很有野心的产品，它不是AI Agent、而是GUI Agent（图形界面智能体），核心能力是通过视觉理解与自然语言交互来实现自动化操作。
比如，用户只需要通过系统级语音唤醒、机身侧边AI键、耳机对话等方式唤醒豆包手机助手，就可以实现全平台比价下单，能够自动遍历淘宝、京东等购物软件，并筛选出最低价格，以及预订餐厅、购买高铁票等操作。
只需动动嘴就能驱使AI替自己干活，豆包手机助手描绘的这一幅蓝图确实很有想象空间。乍一看，相比目前友商手机上的AI，豆包手机助手能做的事情更多。
当下“AI手机”之所以不太受待见，主要是因为它并没有太多用处，功能也只局限于AI生成文案、AI识图、AIGC消除、AI通话摘要、AI相册整理，相当于只是手机里多了几个App而已。
而豆包手机助手想要告诉大众的，是它不止是一个App，而是整合到了操作系统层级，用户只用说出需求，它就会调度多个App解决问题。
但需要注意的是，豆包手机助手的跨应用调度也是有局限性的，它还只能算是一个半成品状态的GUI Agent。
底层权限无疑是AI时代最坚固的护城河，这就使得现阶段的豆包手机助手还只是半成品，它的运行模式与Anthropic在去年秋季发布的“Computer Use”如出一辙。只不过Anthropic选择让AI观看屏幕截图来实现移动光标、点击按钮、输入文本等操作，而豆包手机助手则是借助Android系统的无障碍服务来实现持续读屏。
豆包手机助手要实现跨应用的连贯操作，就必然需要突破App的权限限制。而在Android系统中，为残障人士服务的无障碍功能就是少数能实现跨应用界面识别、模拟用户操作的权限。比如过滤开屏广告的“李跳跳”，就正是借助无障碍服务来检索手机App的窗口，并模拟用户点击屏幕上的“跳过”按钮来实现自动跳过广告。
有了“李跳跳”的前车之鉴，手机厂商对于无障碍服务的权限管控就极为严格，通常的App很难获得。因此豆包手机助手与努比亚合作，直接从系统底层开放权限，不再需要走其他App“从申请到授权”的模式。可是借助无障碍服务实现的跨应用调度，其实是有缺陷的。
众所周知，AI业界定义的智能体指的是能够自主感知环境，并采取行动实现目标的智能实体，为实现这一目标，智能体底层的AI模型就需要能像人类一样自如、灵活地操作所有软件。可当下的现实，却是AI模型还只能在自己的一亩三分地里做到如臂指使，难以调动第三方的软件或服务。
简单来说，智能体其实是遇到了“语言不通”的问题，因为第三方软件听不懂智能体的话，自然也就无法接受指令。为了让智能体具备主观能动性，Anthropic拿出了“Computer Use”作为解决方案。而它则是基于视觉模型解析屏幕上的元素，再用前台模拟人工操作的方式让AI来操控设备。
“Computer Use”是让AI去模仿人类与数字世界的交互方式，而非用更类似于计算机“母语”的二进制代码，就使得其从一开始就是个过渡性质突出的“曲线救国”方案。其所代表的纯视觉路线是模仿人类与计算机的交互，就必然会带来更长的任务执行时间，而这就代表更多token的消耗，也就是成本高昂。
因此Anthropic提出了MCP协议，后者就相当于是AI模型的USB接口，使得AI模型可以使用通用协议来调用不同的服务和工具。开发者只需搭建一个MCP服务器，就可以让智能体访问所有支持MCP协议的数据源或工具。
但遗憾的是，如今软件开发者对于MCP协议兴趣缺缺。但这背后的原因也很简单，毕竟自家产品上的开屏广告、信息流广告并不是给AI看的，一旦接入MCP就等于主动将自己的产品管道化，这种为他人做嫁衣的事情，开发者自然不愿意去做。君不见，不仅淘宝、微信没有向豆包手机助手开放，甚至就连字节跳动自家的抖音、飞书也没有给权限。
当然，软件开发者不配合还可以慢慢磨，但用户隐私问题可就不那么好解决了。要知道，如今智能手机毫无疑问已经是用户最重要的随身设备，作为GUI Agent的豆包手机助手想要工作，就需要用户给予它读取屏幕内容的权限。换而言之，你能从自己手机的屏幕上看到什么，豆包手机助手同样也能一览无余，也就是说你的购买记录、浏览偏好都得向豆包敞开大门。
尽管隐私问题可以用端侧AI来解决，但GUI Agent能否成为一个权利主体，则暂时还是一个无解的难题。比如在点外卖这件事上，用户亲自下单时，自己可以作为主体来承担决策后果，可要是豆包手机助手替代用户做了决策，万一出现食品安全问题，该由谁来负责呢？
【本文图片来自网络】
