过去一年，大模型最大的变化是从“会说话”走向“会干活”。
过去，大模型主要生活在网页聊天框里，用户提问、模型回答，AI更像一个问答客服。现在一批新的智能体被塞进手机、电脑、眼镜甚至戒指等终端设备，调用系统能力、跨应用完成任务。
如果这一浪潮继续，智能体很可能不只是一个应用，而会变成新的交互系统和操作基础设施。这也是为什么越来越多从业者，把端侧智能体视为AI产业的下一个关键跃迁点。
泡沫当然也在同步出现——譬如：Token成本很少被提及、许多需求仍然停留在“拿着锤子找钉子”的阶段。但即便如此，行业仍然认为，运行在个人设备上的智能体，确实有机会在跨场景任务和自动化执行上释放新的效率空间。
理解技术趋势、落地路线是一方面，另一面，也要看到它在改写数字时代的安全边界。多位受访者同时给出了一份进入市场之前的安全清单，拿着这份清单，端侧智能体才能更好上路。
一种变革在智能体风靡之前，能动手的AI代理浏览器已经为其铺路。典型产品如Perplexity浏览器，或是Chrome最近更新的Gemini自动购物功能，都在探索让AI自动完成具体任务。
类似能力向手机端复制，几乎是顺势而为。3月6日，小米宣布推出 Xiaomi Miclaw；此前谷歌宣布，要在三星新机中深度内嵌Gemini智能体；更早之前，国内亦早有类似的豆包手机助手和智谱AutoGLM。各家厂商都在尝试把智能体嵌入终端设备，谷歌安卓系统的负责人把这一变化称为“移动智能新时代的开端”。
在不少研究者看来，今年端侧智能体的爆发是一个必然趋势。
中国科学院软件研究所研究员张立波提到，过去的大语言模型或多模态模型，在实际应用中往往只能完成单一任务，但现实生活里的需求往往是一整条复杂的任务链。端侧智能体的价值就在于，可以在本地设备上处理那些需要跨应用、跨场景的复杂任务。
从更宏观的产业视角看，这也被视为AI规模化落地的下一次跃迁。复旦大学中国研究院副研究员刘典认为，智能体的发展，本质上是在推动AI这一新生产要素与各个行业深度融合，成为重构生产关系的重要技术载体。
信号明确开始展现在政策层面。今年的全国两会上，政府工作报告首次提出“智能体”概念，明确要“培育智能经济新形态”。工信部部长李乐成在“部长通道”采访中也表示，将推动人工智能与制造业“双向奔赴”，加快发展AI电脑、AI手机和智能家居等终端产品。
刘典认为，从全球技术竞争与产业落地的视角看，移动端智能体已经成为AI与终端融合的核心赛道。以谷歌Gemini与三星手机的深度整合为例，大模型、操作系统与硬件终端正在形成一体化协同，通过跨应用任务执行和场景化服务，逐渐构建起“模型—终端—生态”的闭环。
“这意味着下一代移动生态的竞争，不再是单一硬软件的比拼，而是系统级智能、全链路服务、普惠化应用的综合较量。”刘典说。
多条实现路线要让智能体运行在终端设备，行业目前形成了多条落地路线。
第一条是标准接口适配的方案。智能体通过 API、A2A 或 MCP 等标准协议，直接调用其他应用已经封装好的功能，相当于提前约定好了脚本。
第二条GUI路线，即“视觉路线”。大模型接受用户指令，理解用户指令，再像人一样观察App界面上的按钮、文本和菜单，最后模拟点击完成操作。这也是目前多数手机智能体采用的方式。
两种技术选择都已经出现在真实产品里。2月底，在三星新机发布会上，Galaxy S26 系列一项核心更新就是让智能体直接操作手机。这项能力Gemini 提供，也是作为安卓系统主导者的谷歌，首次公开展示自动操作第三方App的能力。此前在国内明确展示过类似能力的还有智谱 AutoGLM 和字节的豆包手机助手。
张立波看来，接口调用路线最大的优势在于标准化程度高、效率也更高。如果应用本身就提供了标准接口，智能体只需要调用就可以完成任务，对平台和开发者来说都是最节约资源的方式。
但问题也同样明显：接口是否开放，往往取决于平台的商业策略。如果厂商不愿意开放，智能体就无法调用这些应用。“技术上很理想，现实中会受到平台生态和商业策略的影响。”张立波说。
相比之下，通过读屏和模拟点击来操作App，几乎不需要额外适配——理论上，只要界面能被识别，任何软件都可以被调用。这也是视觉路线在当前阶段最大的优势，它能快速落地，并迅速验证各种应用场景。不过由于需要解析屏幕内容，也应关注安全问题。
毕竟手机屏幕是一个高度密集的个人信息入口”香港科技大学副教授王帅坦言，视觉路线需要关注的核心风险不来自GUI技术本身，而是数据如何被处理和限制。
在王帅看来，把接口路线与GUI路线简单对立，意义不大。两者解决的是不同阶段和不同场景的痛点：标准协议路线效率高、结构化好，但高度依赖平台开放生态；GUI路线门槛更低，可以快速打破App之间的“生态孤岛”，让大量长尾应用也能被智能体调用，因此是一条更务实的起步路径。
“长期来看，这两者必然是走向融合的——极大概率是混合架构。行业与其陷入路线之争，不如把精力集中在怎么把这两条路的安全水位线都提上来。”王帅说。
三个安全铁律北京航空航天大学人工智能学院教授沙磊告诉我们，端侧智能体带来的核心挑战，是自主性与控制权的关系被重新定义。智能体的安全风险更复杂，特别是在执行任务时，可能超越用户意图或滥用权限，导致隐私泄露、数据丢失甚至系统失控。
如果要为端侧智能体建立一份最基本的安全清单，多位受访者给出了相似的三条原则。
第一是控制权前置。智能体始终只是助手，而不是替用户做决定的主体。在涉及支付、账号授权、隐私访问等关键操作时，系统必须把最终控制权交还给用户。
第二是数据最小化。智能体只获取完成当前任务所必需的数据，不多拿一步、不多看一眼。它的权限范围应严格限定在用户明确授权的任务之内，避免在执行过程中自行扩展任务范围或处理未授权的信息。
第三，透明度和可回溯。“用户应该能清楚知道智能体是如何做出某个决定的。这个过程不仅限于展示模型的推理步骤，还需要解释自己的行为目的，用户才能对智能体的决策有足够的信任。”沙磊说。
张立波也强调，透明度不仅关乎控制和信任，更关系到责任划分。“很多时候结果对了，大家不会太在意过程，但一旦出错，可解释性就变得非常关键。”
张立波举了一个简单的例子：如果让智能体帮忙买一杯奶茶，最终确实买到了，但没有使用优惠券，那问题究竟出在哪个环节？是任务理解偏差，还是模型记忆出了问题？如果系统能够通过日志或流程记录，把整个决策链条呈现出来，责任归属才有可能被厘清。
四类长期问题端侧智能体仍处在非常早期的阶段。抛开短期的泡沫、争议和混乱，有几类问题值得更长期的观察和研究。
首先是可解释性研究。
张立波提到，深度学习刚兴起时，也被认为“不可解释”，但后来围绕模型决策路径的研究逐渐形成独立领域，很多模型的判断过程已经可以被拆解和分析。
如果把智能体放在这个框架里理解，其实是一种“人的逻辑 + 多个模型逻辑”的组合系统：既包含模型之间的串联调用，也包含大量人为编写的规则。从这个角度来说，张立波认为它的可解释性其实是比较强的。
目前的难题在于，当前智能体的任务链条很长，但完整的回溯机制还没有建立。一旦执行出现偏差，很难判断是模型能力不足、规则设计问题，还是系统工程环节出错。
张立波认为，解决这个问题的前提是让智能体在真实场景中运行，只有不断落地执行，才能逐渐补齐工程逻辑。理想状态是，最终每一个任务步骤都可以被记录和回溯。
第二是端侧算力问题。当下终端设备的算力仍有限，完全依赖本地计算，智能体只能处理较简单任务；复杂推理仍然需要云端参与。这也是“端云协同”引发争议的无奈之处。
王帅解释，这个问题之所以重要，因为“端侧优先”本身就是降低数据风险的重要手段。他的建议是，把界面识别、屏幕解析等基础处理尽量放在本地完成，并在设备端先进行脱敏处理，再把必要信息发送到云端推理。云端侧的数据则必须做到“用完即删”，避免沉淀和二次利用。
端侧算力问题，考验软硬件能力，更考验的是生态定力。“过去行业比较依赖数据沉淀来反哺和打磨服务，假设现在要全面转向隐私优先，则需要厂商在模型迭代需求和数据最小化之间找到新的平衡点。这不仅是技术的升级，更是整个生态理念转型和磨合的过程。”王帅说。
第三是治理方式。
王帅指出，智能体最大的技术挑战其实是开放环境下的可靠性。在实验室里跑基准测试相对简单，但在真实设备中，智能体要面对复杂的App界面、系统弹窗以及模糊指令。如何避免模型幻觉或错误操作，仍然是一个系统工程问题。
未来两三年，行业的突破重点很可能不只是模型能力，而是外围治理结构的完善。就像交通安全依赖的是规则体系，不仅仅是司机的判断能力。
最后，则是软件商业生态的变化。
当智能体成为设备的主要入口，人和系统的交互方式也会发生变化。过去用户需要打开不同的App，通过图形界面逐步完成操作；而在智能体模式下，大量步骤可以被自动化完成，用户更多只是提出目标和指令。
智能体作为用户意志的延伸，意味着软件的开发方式和产品形态也会随之改变：部分应用可能不再需要复杂的前端界面，而是由智能体统一调度。未来用户面对的可能只是一个“管家式入口”，而不是几十个分散的App。
复旦大学中国研究院副研究员刘典因此认为，面对这种变化潜力，行业需要保持多路径探索。无论是API接口路线还是GUI视觉路线，都应该在市场竞争和技术迭代中逐渐验证优劣，而不是过早锁定单一方向。
在他看来，AI助手本质上是一种具有明显社会价值的效率工具。对于仍处在早期阶段的技术，监管和产业政策既需要控制风险，也需要为创新留出空间，从而推动整个生态健康发展。
牛牛配资提示：文章来自网络，不代表本站观点。
