AI 手机的终局，「读屏」 还是 「对话」？

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%。

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。

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。

*应受访者要求，文中陈刚、林亮为化名。