豆包手机第二次进场，这次先学会了“敲门” - 科技行者

作者：于佳卉

去年12月，一台售价3499元的工程样机，把AI手机一个的未来提前搬到了现实。

你不再需要自己打开App、搜索、点击、切换页面，只需要告诉手机“我要做什么”，AI就可以尝试替你操作：查信息、比价、购物，甚至跨越多个App连续执行任务。

但这个实验仅仅开始几天，就撞上了现实世界的边界。

有用户在使用豆包手机助手操作微信时遭遇异常退出甚至无法登录；豆包随后下线了操作微信的能力。两天后，团队又宣布进一步限制银行、互联网支付、刷激励以及部分游戏场景的AI操作能力。微信方面当时的回应是，并没有采取“特别动作”，相关情况可能触发了已有的安全风控机制。

九个月后，它准备以一款真正的量产旗舰重新回来。

近日，中兴努比亚宣布，搭载豆包手机助手的NaviX Ultra将于9月16日正式发布。目前产品已经开启预约。努比亚将它定义为“全球首款AI智能体手机”，并用“听得懂、能干活、记得住、够安全”概括它的四项核心能力。

不过真正值得关注的，其实是这九个月里发生的变化。

第一代豆包手机试图让AI像人一样操作所有App。新一代正在尝试另一条路：让App主动把门打开。这背后，可能才是AI手机真正的产业拐点。

一台工程机，提前暴露了AI手机最难的问题

2025年12月1日，字节跳动旗下豆包团队发布“豆包手机助手”技术预览版，并与中兴合作推出工程样机nubia M153。

它售价3499元，但官方从一开始就强调，这不是一款成熟的消费级旗舰，而是少量提供给开发者和科技爱好者体验的工程样机。字节当时也明确表示，没有自己开发手机硬件的计划，而是希望与更多手机厂商合作。

真正让M153引起关注的，不在于硬件，是它第一次相当直接地把大模型放到了手机操作系统层。

传统语音助手的逻辑是：你问一句，它回答一句，或者执行“打开相机”“设置闹钟”这样已经预先定义好的系统指令。

M153更进一步。豆包当时推出的“操作手机Pro模式”，除了调用系统工具，还可以使用GUI Agent，也就是让AI读取屏幕，理解当前界面，再像人一样模拟点击、滑动，在不同应用之间完成一串操作。

它不需要等待成千上万个App逐一为AI开发接口。只要人能看懂一个App、能点击一个App，理论上视觉模型也可以学习如何操作。

过去用户想买一件商品，需要打开购物App，搜索关键词，筛选商品，比较价格，进入详情页，再加入购物车。

Agent想改变的，就是这条路径。用户只说最终目的：“帮我买。”剩下的步骤，由手机完成。这才是所谓“AI手机”从提供信息走向执行任务真正有意义的地方。

但AI一旦开始“替人点击”，问题完全变了

麻烦也恰恰从这里开始。

M153发布后不久，多位用户发现，当豆包手机助手执行涉及微信的任务时，微信会出现异常退出，部分账号甚至暂时无法登录。

豆包随后关闭了操作微信的能力。微信相关人士向媒体表示，没有针对豆包采取什么特别动作，相关情况可能是触发了微信已有的安全风控。

因此，把这件事简单概括为“腾讯封杀豆包手机”，并不准确。但它确实暴露出了一个此前并不明显的问题：对于App来说，“一个用户在点击”和“一个AI代表用户点击”，真的是同一件事吗？答案显然不是。

豆包随后披露，M153的技术实现使用了Android系统级权限。获得用户授权后，手机助手才能跨屏、跨应用模拟点击。涉及支付、身份验证等场景时，AI任务会暂停，并要求用户接管。

豆包同时表示，助手不会在云端存储用户屏幕内容，相关内容也不会进入模型训练。这里需要强调的是，这些属于豆包团队当时对自身技术和隐私机制的公开说明，并不等同于第三方安全审计结论。

两天后，豆包主动宣布调整AI操作手机的能力，包括限制刷分、刷激励场景，进一步限制银行和互联网支付类应用，以及限制部分游戏场景。

对于金融应用，豆包给出的原因很明确：它们直接关联用户资金安全，即便敏感操作仍需用户本人授权，团队仍决定暂时下线AI操作这类App的能力。

第一代豆包手机由此遇到的，其实已经不再是一个单纯的AI技术问题，而是一个生态问题。

用户授权AI操作手机，是一层授权。

手机操作系统允许AI拥有相应能力，是第二层授权。

第三方App是否允许一个自动化Agent读取界面、模拟用户行为，又是第三层授权。

到了支付、社交、金融、游戏等场景，还会继续出现账户安全、交易责任、反作弊和商业规则。

AI越能干，碰到的边界反而越多。

第二代最大的变化，可能是路线

也正因为如此，新一代豆包手机一个非常值得注意的变化，在今年7月提前浮出了水面。

此前有报道称，新一代豆包手机调整了与阿里、腾讯等头部应用的合作方式：对于这些超级App，不再采用用户授权后读取屏幕、模拟点击的GUI方式直接操作，而是需要应用方主动提供MCP服务、开放相应数据和操作能力，豆包手机才能调用。

报道还称，豆包手机助手团队正在与头部应用厂商沟通，争取开放AI可以调用的接口和服务。

如果这一思路最终落地，它意味着非常明显的路线变化。

GUI Agent的逻辑，可以简单理解为：“我看得见你的界面，所以我像用户一样操作你。”

MCP的逻辑则更接近：“你明确告诉我哪些能力可以调用，我通过规定好的接口来使用。”

MCP最初由Anthropic提出，后来进入Linux Foundation旗下Agentic AI Foundation治理。它本质上是一种开放协议，让外部服务把数据、资源和可执行工具以标准化形式暴露给AI。比如一个服务可以告诉Agent：“我允许你查询订单”“我允许你搜索商品”“我允许你创建某项任务”，而不是让模型自己盯着屏幕猜哪里该点。

这看上去少了一点第一代“AI什么都能点”的神奇感。但它可能更接近真正的大规模商业化。App拥有决定权：哪些能力开放，哪些数据可以读取，哪些步骤必须由人确认。

这是进入现实世界的必要条件

GUI和接口式调用，其实代表了AI Agent两种截然不同的方式。

GUI的最大优势是通用性。互联网上已经存在数以百万计为人设计的网页和App，不可能等所有开发者重新写一套AI接口。于是，最直接的思路就是让AI学会“使用人类的互联网”。

Anthropic早在2024年推出Computer Use时，也是类似思路：让模型通过观察屏幕、移动鼠标、点击按钮和输入文字来使用计算机。

但一部手机与一台办公电脑又不完全一样。手机里保存着更密集的个人信息：通讯录、聊天、照片、位置、支付工具、验证码、身份凭证。它还是现代移动互联网最重要的商业入口。

如果未来用户不再打开美团、淘宝、携程、微信，一个AI Agent在后台直接替用户调用服务，那么改变的不只是操作方法。

谁掌握用户入口，也可能随之改变。过去，用户先进入App，再接受平台的搜索结果、内容排序、商品推荐和广告。Agent模式下，用户甚至可能完全不关心背后调用了哪个App。

他只说：“今晚七点给三个人找一家附近评价不错的川菜，订好桌。”

于是，一个非常现实的问题来了：餐厅由谁推荐？调用哪个平台？为什么选择这个平台，而不是另一个？如果平台依赖广告和推荐流量赚钱，它为什么愿意让AI绕过自己的首页、搜索栏和推荐流？

这就是AI手机最复杂的地方。它表面上在减少几次点击，实际上可能在重新分配移动互联网的入口。

Google、Apple和华为，其实都在面对同一道题

这并不是豆包和努比亚独有的问题。

今年2月，Google开始在Pixel 10和Samsung Galaxy S26系列上测试Gemini的多步骤手机任务。

用户可以直接要求Gemini叫车或者重新购买上次点过的外卖，手机在后台执行任务。但Google一开始只向食品、生鲜和网约车等少数类别中的部分App开放，并专门设计了一个受限的虚拟窗口供Agent执行。用户可以实时看到任务进度、随时介入或者终止执行。

到今年8月，Google称Gemini已经能够在Android上自动执行40多个流行App中的部分操作。

Apple走的是另一条更典型的“接口协作”路线。

今年WWDC发布的新版Siri AI，可以理解屏幕内容和个人上下文，并执行更多跨App操作。但苹果同时通过App Intents框架，让开发者明确把自己应用里的“内容”和“动作”提供给Siri和Apple Intelligence调用。

换句话说，系统不是默认获得一个App里的所有权力，而是开发者把能够被AI调用的功能定义出来。

中国厂商其实也正在走向相似的边界管理。

华为目前的“小艺帮帮忙”已经可以操作淘宝、京东、拼多多、去哪儿等应用，完成购物、查询订单、订机票等任务。但华为官方说明里同样明确：涉及敏感或隐私页面时需要用户手动操作。微信等部分聊天社交应用目前不支持部分技能教学；对于更多应用，华为称仍在和应用伙伴沟通。

这几个例子放在一起，会看到一个很清晰的趋势。全球AI手机厂商当然都想让Agent“能干活”。但真正进入消费者设备之后，大家正在同时增加另外几个词：授权、确认、白名单、接口、可中断。

目前全球还不存在一个被广泛接受的“AI智能体手机”产品分类标准。

Google已经让Gemini执行跨App多步骤任务；Apple正在把Siri变成拥有App Actions的系统级助手；Samsung把新版Bixby称为“conversational device agent”；华为和荣耀也已经提供不同程度的自动操作App能力。

所以NaviX Ultra真正需要证明的是：一台Agent手机，到了2026年到底能比普通AI手机多做什么。

这件事尤其重要，因为“AI手机”已经快要不再是一个差异化标签了。

Counterpoint Research今年6月预计，具备生成式AI能力的手机将在2026年占全球智能手机出货量的45%，2027年超过一半。

但Counterpoint同时指出一个更值得注意的事实：在400美元以上的高端手机中，GenAI已经逐渐成为标配，却仍没有成为推动用户换机的足够强理由。

原因也很简单。当所有手机都会摘要、修图、翻译、写邮件、回答问题以后，有AI本身就不再稀缺。下一阶段的问题只能是：AI究竟能不能替我完成事情？

AI手机真正的护城河，可能是一张“可办事清单”

这也是为什么9月16日的NaviX Ultra发布会，最值得关注的甚至未必是处理器跑分、影像参数或者电池容量。

更重要的，是三件事。

第一，它究竟可以稳定调用多少真实世界里的服务。如果一个Agent只能操作天气、相册和几个自带应用，它与加强版语音助手没有本质区别。真正决定价值的是微信、淘宝、京东、美团、携程、滴滴、银行等高频服务能开放到什么程度。

第二，这些任务到底能以多高的成功率完成。一个20步的跨App任务，只要中间一步理解错误、页面变化或者接口返回异常，整个任务就可能失败。Agent真正进入大众市场之后，“偶尔惊艳”远远不够，用户最终需要的是稳定。

第三，当AI做错事情的时候，谁能让它停下来。谁授权、哪些步骤需要再次确认、支付前如何接管、AI究竟读取了什么、执行记录是否可查看——这些过去听起来像合规细节的问题，会直接决定用户敢不敢把事情真正交给AI。

换句话说，AI手机接下来的竞争指标，可能越来越不像传统手机。不是有多少TOPS算力，也不是装了多大的模型。而是有多少服务愿意给它开门，它能把多少真实任务可靠地办完。

从“人找App”，到“AI找服务”

智能手机过去十几年的基本交互方式，其实一直没有根本改变。

我们在桌面上摆着几十个App。想聊天，就找微信。想打车，就找滴滴。想买东西，就找淘宝或者京东。想订酒店，就打开携程。

所谓超级App，本质上也是不断把更多服务装进一个更大的入口里。

Agent想做的事情更进一步。它试图把“找App”这件事本身也取消掉。用户不再思考应该打开哪个应用，只告诉系统自己的目的。至于后面应该调用哪个服务、执行哪些步骤，由AI完成。如果这个交互真的成熟，它带来的变化不会小于触摸屏替代功能键。

但豆包手机第一代的经历同样提醒我们：想成为所有App之上的超级入口，并不是模型足够聪明就可以做到。

AI最终还是要进入别人建立的服务世界。

它需要支付系统，需要社交关系，需要电商库存，需要地图，需要酒店，需要航空公司，也需要这些服务背后的开发者和平台愿意合作。

第一代豆包手机证明了：AI已经可以像人一样操作手机。

第二代真正需要证明的是：当AI开始替人办事之后，整个移动互联网是否愿意重新为它设计一套规则。

努比亚把智能体手机归纳成四个词：听得懂、能干活、记得住、够安全。站在个产业视角看，这四件事背后其实分别对应着四道完全不同的难题：

听得懂，是模型问题；

能干活，是生态问题；

记得住，是数据问题；

够安全，则最终是权限和规则问题。

以前手机厂商争夺的是芯片、摄像头和操作系统。下一场竞争，可能开始争夺另一种东西：谁有资格代表用户，去调用数字世界。