AI手机真正要消灭的，是“操作手机”这件事

文 | 防冷涂的蜡 现在的AI手机，正在变得越来越会“办事”。 对着手机说一句“帮我点一杯热拿铁”，然后看它自己打开外卖App、找到常去的咖啡店、完成选购，最后等你确认付款。荣耀曾用这个场景展示YOYO智能体。到了2026年的MagicOS 11，YOYO已经可以连续处理超过100步的长程任务。过去需要人亲手完成的一串动作，正在被AI接走。 这当然很先进。但把画面换个角度看，又有点奇怪：我们已经造出了能够理解自然语言和复杂意图的大模型，然后又让它努力学习怎样寻找菜单、识别图标、按下按钮，在一套原本为人的眼睛和手指设计的界面里行动。 一个已经能听懂“我要什么”的机器，为什么还要学习“下一步点哪里”？ 麦克卢汉曾用“后视镜”形容人理解新媒介时的一种惯性：我们面对新事物，最容易借过去熟悉的形式来想象它。今天的AI手机也有这种味道。手机还在，App还在，按钮还在，只是多了一个越来越聪明的AI替我们完成操作。 如果AI已经能理解“我想做什么”，未来的人为什么还需要继续告诉机器“下一步点哪里”？ 未来最初，总是长得像过去 1993年，苹果推出Newton MessagePad。它可以记录联系人、笔记和日程，最受关注的功能之一，是通过手写笔输入文字。这个设计非常自然：人已经习惯在纸上写字，新设备只要把纸变成屏幕、把墨迹变成数据，就能迅速获得一套人人熟悉的使用方式。 Newton把纸笔经验搬到了屏幕上。到了2007年的iPhone，交互开始更多围绕屏幕自身的能力来组织。苹果在发布时强调大型Multi-Touch界面，用户可以直接用手指轻触、滑动、双指缩放，列表和照片都随着手势发生变化。移动设备逐渐从“怎样把过去的工具装进去”，走到了“怎样形成自己的使用方式”。 一种新技术真正成熟的标志，往往是它开始形成属于自己的交互语言。 今天AI已经进入手机，但桌面、App、菜单和按钮，仍然大体按照智能手机时代的方式组织。用旧界面承接新能力有现实上的便利：服务已经在那里，用户也已经在那里，AI可以先接管一套现成的流程。于是，大量AI手机首先解决的是怎样让AI更好地使用智能手机。 真正的范式变化，会从另一个问题开始：为什么AI还需要像人一样使用手机？要回答它，得先看清这些越来越自然的操作，究竟让人承担了什么。 计算机越来越好用，人却一直负责学习机器 早期命令行计算机很难用，用户必须学习机器的语言。想移动一个文件，需要知道命令怎样写、路径怎样表达。图形界面把这种关系往人的方向拉近了一步：文件变成图标，位置变成文件夹，原本需要记住的语法，被改造成屏幕上看得见的对象和动作。 1980年代，人机交互学者Ben Shneiderman提出“Direct Manipulation”，也就是直接操纵。他强调让对象持续可见，用直接动作替代复杂语法，并让操作结果迅速呈现、可以撤回。鼠标之后是手指，触摸屏又把指针拿掉，点击、拖拽、缩放几乎不需要额外解释。机器越来越顺手，但用户仍然要知道，为了办成一件事，应该先做什么、再做什么。 假设你下周三去上海出差，需求其实很简单：酒店离公司近、安静，一晚800元以内。打开订房App后，你需要输入城市和日期，查找公司地址，设定价格区间，再看地图、评分、评论和房型，最后核对取消条件并完成支付。 其中一些要求甚至无法直接对应筛选项。“离公司近”究竟是直线距离近，还是早高峰通勤方便？“安静”要从临街位置、房型和住客评价中判断。你得把一句完整需求，翻译成不同页面能接受的条件，再把分散的信息拼回一个决定。 从用户这一侧看， App本质上是一套把人的目的拆解成机器动作的交互语法。 每个输入框规定你能说什么，每个按钮规定接下来能做什么。熟练使用手机，就是学会在这些预设步骤之间找到通往结果的路线。 过去几十年的人机交互革命，一直在降低这套语法的学习成本。机器越来越容易操作，人却始终负责把目的拆成动作。即便订一家酒店只花几分钟，这几分钟里，用户仍然是整个任务的组织者。 Agent把交互单位从动作提升到意图 同样的酒店需求，交给能够规划任务、调用工具并执行的Agent，分工会发生变化。用户提供日期、位置、预算和偏好，AI负责把“离公司近”转成位置与通勤条件，把“安静”转成需要查找的信息，再寻找能够满足要求的服务。 传统流程是：人产生目的，自己拆解任务，寻找软件，逐步操作，机器执行每一步。Agent想做的，是把中间那段工作接过去：人给出目的，AI理解并拆解任务，再寻找和调用能力，最后交付结果。 人与计算机交流的基本单位，正在从“动作”提升到“意图”。 对着手机说“打开订房软件，再点价格筛选”，仍然是人在安排步骤。只有当你可以交代“下周三去上海，住公司附近，安静一点，800元以内”，让系统自己决定完成路径时，任务的组织工作才真正转移出去。输入方式可以是语音，也可以是文字，关键在于人交代的是结果还是步骤。 这种分工并非今天才有人设想。1960年，J.C.R. Licklider在《Man-Computer Symbiosis》中提出，人负责设定目标、提出假设、确定标准和评价结果，计算机承担其中可以常规化的工作。他还注意到一个很细的区别：给计算机的指令通常要规定具体路线，给人的指令则更倾向于说明目标。 设想你对个人Agent说：“明早7点50送我去机场。”如果这是出发时间，它需要找到行程里的机场和航站楼，结合路况核对时间，预约车辆，再把安排写进日历。如果时间不够，它应该问你能否提前出发；如果价格明显超出平时范围，它应该把取舍交回来。 理解意图最终要落到一个很具体的能力上：哪些细节可以自行处理，哪些变化必须重新交给用户判断。地图、航班、打车和日历之间的衔接，则不再需要用户亲自复制地址、切换页面。 今天的一条技术路径，是让AI先学会操作已有界面。它看屏幕、认按钮、输入内容，再观察操作后的变化。这类GUI Agent能快速进入大量尚未为AI开放的服务，因为所有入口已经存在于页面里。 问题是，它仍然要经过为人安排的步骤。按钮换了位置，页面多出弹窗，流程增加一个分支，都可能要求它重新判断。如果服务本身已经知道怎样查询库存、创建订单、返回结果，机器之间完全可以直接交换这些信息，无须每次都把它们画成页面，再交给另一台机器识别。 苹果的App Intents和App Schemas提供了另一种方向：开发者把应用里的内容、可以执行的动作和所需条件，按系统能理解的方式描述出来，Siri再据此查找内容、调用动作。界面上的“发送”按钮可以继续留给人，AI却不必为了发送一条信息，先在屏幕上找到这个按钮。 依靠识屏点击完成的跨App操作，是AI兼容旧互联网的桥梁，不是Agent时代的终局。 服务开放得越充分，AI越没有必要重新走一遍人的点击流程。 未来最好的AI手机，很可能恰恰是最少让用户看到“AI正在操作手机”的手机。 它应该让人看见结果，以及真正需要自己判断的取舍。衡量它的标准，也会从“能连续操作多少步”，转向“完成一件事还需要占用用户多少注意力”。 App不会消失，但会从前台退到后台 一旦用户不必亲自经过那些页面，移动互联网过去十几年形成的商业价值也会重新分配。今天一个人要订酒店，通常先想到“打开哪个App”。平台一边组织酒店库存、支付、评价和售后，一