从“会回答”到“会办事”，vivo如何解AI手机这道题？

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 从“会回答”到“会办事”，vivo如何解AI手机这道题？ 梦瑶 2026-09-17 20:03:24 来源： 量子位 梦瑶 发自 凹非寺 量子位 | 公众号 QbitAI AI发展到今天，一个越来越扎心的事实是—— 对于手机这个终端设备来说， AI能力更强，并不意味着用户「体验更好」。 一条航班延误通知弹出来，AI当然可以总结内容、回答晚点多久。 但真要继续往下处理，事情立刻复杂起来：转机要不要改、酒店会不会受影响、明早的会议还能不能赶上，一箩筐任务需要解决。 更麻烦的是，它还未必记得你的习惯：你愿不愿意坐凌晨的航班、在不在意多花几百块、第二天那场会到底能不能迟到。 想要在手机上vibe个应用程序，还要考虑接口、MCP等各种问题。 于是我们会发现如今的AI，好像什么都会一点，但真遇到事情，最后经常还是得自己动手。 △AI生成 这也解释了AI手机这两年越来越明显的一层落差： 模型能力一路上涨，Benchmark卷得飞起，但手机端体验却并没有随着模型变强自动升级。 一台手机想真正替用户把事情接过去，光听懂一句话远远不够。 它还得在用户授权和隐私保护的前提下，看懂你此刻发生了什么，记得此前发生过什么，再调动合适的模型、上下文、App和服务，把后面的事情一环接一环做完。 到了这一步，手机面对的已经不只是一道模型能力题，而是一道关于感知、记忆、调度、执行和协同的系统题。 就在刚刚结束的2026 vivo开发者大会（后简称VDC）人工智能分会场上，vivo给出的技术路径，也恰好切中了这一轮个人智能落地的核心命题： 以「大模型+Harness」构建个人化智能底座，重构OS体验。 让AI个人助理更好地为人所用，让系统更智能好用，也让手机真正开始理解用户本身。 一套端云模型矩阵，构建个体专属AI助理 今天再聊Agent，有一个词几乎已经绕不开： 端侧。 Counterpoint Research预测，今年生成式AI手机出货占比将达到45%，去年这一数字还是36%。 AI兜兜转转几年，手机又一次站到了风暴眼。 原因很朴素直接，在所有终端里它离人足够「近」，也掌握着最完整的个人「上下文」。 屏幕里正在看的内容、相册、位置、应用使用习惯、长期积累的个人信息，都天然围绕这块几英寸的屏幕发生。 但技术史上有个很常见的规律：那就是一种技术离真实世界越近，约束往往越多。 当AI真正进入个人设备，时延、成本、隐私和能力，也开始被压进同一道选择题 —— 复杂推理和长链路任务需要更强的模型，却伴随着更高成本和响应时间；本地小模型足够快、足够轻，能力上限又更早出现，更麻烦的是，一项真实任务经常横跨两端。 过去那种一个模型包打天下的法子，有点行不通了。 △AI生成 类似的问题，芯片行业其实早就遇到过一次。 计算任务越来越复杂之后，单靠CPU承担所有工作，很快撞上功耗、效率和性能的天花板。 最后跑出来的答案，是 异构计算 。 CPU负责通用控制，GPU接管并行计算，NPU专门处理AI，ISP则负责图像，系统根据任务不同，把计算动态分配给最合适的单元。 也就是说，不是让最强的单元干所有活，而是让最合适的单元干最合适的活。 到了端侧模型这事儿上，vivo也给出了一个很「终端厂商」的解法—— 相较于大多数大模型厂商不断训练一个更强更通用的AI而言，vivo更关心的是，如何给每个人在手机上组织出一套属于自己的AI。 既然一个模型无法平衡所有能力，那不如让多个模型各司其职和自动调度，实现端云协同。 △AI生成 今年VDC人工智能分会场上亮相的 「蓝心大模型端云矩阵」 ，本质上做的就是这个事情。 识别声音，到理解语义、语气和意图，交给端到端语音大模型 BlueLM-Realtime ；需要长期驻留在设备上的感知和记忆，由端侧大模型 BlueLM-Nano 承担。 信息查询、日程管理、跨App操作这类高频场景，则交给能快速执行任务的云侧模型 BlueLM-Flash ；碰到复杂推理、长程规划，则交给 BlueLM-Pro 接手。 此外，进入专业领域后，系统还能继续自动调动外部顶尖模型补位。 于是，模型也开始组团，从一个需要用户主动选择的产品，退到后台成为被系统自动调度的基础能力。 但问题是，一个长期运行在个人设备上的智能体，还会遇到第二道更难的题—— 人，本身就是一种「不断变化」的上下文。 AI真正要理解的，从来不是一条孤立的指令，而是一个人此刻所处的状态，以及此前一路留下来的轨迹，它需要懂当下也需要懂过去。 随之而来的，还有另一道更棘手的问题： 隐私和权限 边界。 个人AI想越用越懂你，就得持续感知设备上的信息，并逐渐积累日程、位置、操作习惯、历史任务等个人上下文。 但感知范围越广、记忆时间越长，涉及的个人信息也越多，权限管理和隐私保护的压力自然会同步上升。 因此，个人AI真正难的地方，其实是同时解决两件看似矛盾的事—— 既让AI拥有足够连续的个人上下文，又让这些感知和记忆始终运行在明确的授权边界之内。 围绕这个问题痛点，vivo则把目光押在两个关键词上： 「感知」和「记忆」。 在用户授权和隐私保护前提下，把一次次零散的端侧交互，慢慢拼成对一个人的长期理解。 面向感知，端侧模型BlueLM-Nano通过轻量视觉编码器和UI专用Token，高效理解屏幕、图像、视频和文本；面向记忆，则通过SwiftKV、混合稀疏注意力和PLE逐层嵌入，将端侧上下文扩展至32K。 感知不断沉淀为记忆，记忆又让下一次服务更贴合你个体需求，一套越用越懂人的个人智能飞轮，也开始跑起来。 当一个AI能够看懂你此刻在做什么，记得你过去做过什么，又能在不同任务之间自动找到最合适的模型和能力，所谓个体专属AI助理，才真正开始有了个体二字的含义。 从模型能力到系统体验，Harness补上工程闭环 如果说模型能力解决的是会不会的问题，那么Agent真正进入系统之后，还要面对另一个更现实的事情： AI能不能把一个任务，从头到尾自主地做完。 以前软件行业把这些统称为工程，Agent时代给工程重新起了个更时髦的名字：Harness。 但有意思的是同样叫Harness，大模型厂商和终端厂商真正要解决的问题，并不完全在一个层面。 对于大模型厂商来说，Harness更多围绕模型展开：怎么让一个Agent稳定调用工具、保持更长上下文、跑更久的任务，以及在Sandbox里安全执行。 到了手机这里，问题会再往系统深处走一层，难度也上了一个台阶： 手机面对的重点，是怎么让AI执行过去由用户自己完成的那套手机操作流程。 过去十几年，智能手机建立起来的是一套以App为中心的「服务秩序」。 打车要先找到打车软件，订酒店要打开旅行App，换句话说过去的手机系统，核心任务是让成千上万个App稳定地共享算力、存储、网络和硬件能力。 但Agent进入终端之后，虽然App依然承载具体服务，但用户与这些服务打交道的方式也开始发生「变化」： Agent执行过程天然会穿透应用边界，连续调用不同服