聲明:本文來自于（ID:ykqsd.com）授權(quán)轉(zhuǎn)載發(fā)布。

在2025年移動世界通信大會MWC上，我們見證了榮耀與訂餐訂位產(chǎn)品OpenTable的一次創(chuàng)新演示：用戶通過語音命令手機(jī)AI助手，輕松找到一家西班牙餐館并預(yù)訂一個(gè)位子。隨后，手機(jī)屏幕被“接管”，用戶開始獨(dú)立操作。

這一MWC展示實(shí)際上與榮耀去年在Magic 7 Pro發(fā)布會上策劃的“行為藝術(shù)”項(xiàng)目完全相同。

2025年深圳發(fā)布會上，時(shí)任榮耀CEO的趙明親自指揮AI代理YOYO操作美團(tuán)。他沒有動手，而是YOYO在屏幕上主動點(diǎn)選，為一家店點(diǎn)了數(shù)百杯飲料，完成支付后循環(huán)操作，直至最終下單2000杯。整個(gè)過程流暢自然，令人驚嘆。

盡管YOYO的操作看似荒誕，但它在場上的效果卻非常顯著。瑞幸咖啡門店因此出現(xiàn)訂單激增，咖啡師忙得不可開交，訂單騎手甚至要在門店排隊(duì)取餐，場面一度十分混亂。

這次以荒誕效果著稱的事件營銷，一定程度上掩蓋了榮耀試圖展示的核心技術(shù)——基于GUI的個(gè)人AI智能體。

如今，AI代理功能已不新鮮，關(guān)鍵點(diǎn)就在于“GUI”這個(gè)關(guān)鍵術(shù)語。

GUI全稱圖形用戶界面?；贕UI的AI代理YOYO不再依賴傳統(tǒng)的API接口，而是擁有一只“虛擬的手”，可以直接在圖形界面進(jìn)行操作。整個(gè)操作過程實(shí)時(shí)發(fā)生，不在“后臺”，而是直接在“前臺”呈現(xiàn)。

視頻鏈接：https://s3.ifanr.com/wp-content/uploads/2025/03/10_1741061984.mp4

需要澄清的是，Magic 7 Pro市售機(jī)型的用戶體驗(yàn)與發(fā)布會演示存在差異。據(jù)財(cái)聯(lián)社報(bào)道，現(xiàn)場演示使用的是測試機(jī)，具備更高的權(quán)限，能夠自動免密支付和循環(huán)點(diǎn)單，從而連續(xù)點(diǎn)了2000杯飲料。而市售機(jī)型則需要用戶明確告知點(diǎn)單細(xì)節(jié)（如品牌、品名、杯型、溫度等），并且在支付環(huán)節(jié)需要用戶確認(rèn)。

這個(gè)細(xì)節(jié)雖然重要，但也不至于抹殺這項(xiàng)技術(shù)的意義。相反，我們認(rèn)為，“基于GUI”的實(shí)現(xiàn)路徑具有試驗(yàn)性，非常有趣，是AI代理技術(shù)的一種另類表現(xiàn)形式。

探索AI驅(qū)動的界面交互新路徑

榮耀YOYO的創(chuàng)新核心在于其多模態(tài)處理能力，將語言理解與視覺識別完美結(jié)合。

在缺乏官方細(xì)節(jié)的情況下，我們推測該技術(shù)通過獲取設(shè)備的底層無障礙功能來實(shí)現(xiàn)這一操作。

雖然這項(xiàng)最后一步看似簡單，但要實(shí)現(xiàn)規(guī)?；瘧?yīng)用，開發(fā)者需要投入大量時(shí)間和資源，同時(shí)獲得用戶對第三方應(yīng)用接入的授權(quán)。

過去，這類交互多依賴于API調(diào)用和物聯(lián)網(wǎng)協(xié)議，屬于典型的數(shù)字通信方式。

谷歌在三星旗艦機(jī)型上率先推出了基于Gemini 2.0的智能代理功能，這一合作采用了與傳統(tǒng)API調(diào)用類似的接口擴(kuò)展方式，目前僅支持 Gmail、Google Maps、SAMSUNG日歷、SAMSUNG時(shí)鐘等官方應(yīng)用，以及少量第三方應(yīng)用如Spotify。

對比之下，采用圖形界面驅(qū)動的交互方式，能夠規(guī)避繁瑣的API調(diào)用流程，從而更靈活地?cái)U(kuò)展支持的應(yīng)用場景，提升用戶體驗(yàn)。

成本問題同樣不容忽視。一方面，云服務(wù)費(fèi)用會隨著調(diào)用規(guī)模擴(kuò)大而成倍增加；另一方面，數(shù)據(jù)交換的價(jià)值也直接影響著API的服務(wù)費(fèi)用。

盡管這一模式在初期具有一定的技術(shù)門檻，但隨著技術(shù)的進(jìn)步和成本控制的優(yōu)化，其應(yīng)用前景將更加廣闊。

需要注意的是，盡管API調(diào)用模式在數(shù)據(jù)價(jià)值和成本控制方面具有優(yōu)勢，但其背后復(fù)雜的商業(yè)博弈和數(shù)據(jù)依賴關(guān)系，也使得這一模式在靈活性和擴(kuò)展性方面顯得稍顯不足。

以美團(tuán)為例，其基礎(chǔ)服務(wù)API的調(diào)用成本為每百次0.15元（前百萬次免費(fèi)）。這類基礎(chǔ)服務(wù)API的調(diào)用成本相對較低，但在需要更高價(jià)值的管理類API時(shí)，調(diào)用成本將提升至每百次0.3元，并取消免費(fèi)額度。

API的使用不僅涉及顯性的費(fèi)用支出，還暗含著數(shù)據(jù)交換的雙向性。調(diào)用方獲取了數(shù)據(jù)，而數(shù)據(jù)的提供方也向調(diào)用方發(fā)送了信息。在特定條件下，雙方可能會擔(dān)心資源分配的問題，避免「肥水外流」的現(xiàn)象。

基于圖形用戶界面（GUI）的解決方案中，榮耀方無需承擔(dān)API費(fèi)用，數(shù)據(jù)歸屬和隱私安全等問題也無需擔(dān)心，技術(shù)路徑更加直接。

AI Agent的交互方式雖然簡單，卻十分原始，但其效率和便利性是顯而易見的。

這種回歸模擬的技術(shù)路徑，可以類比谷歌在2018年推出的AI語音助手Duplex。

Duplex的創(chuàng)新之處在于，它將AI語音與電話交互結(jié)合，模仿人類與餐館通話的過程。這種合成語音不僅自然流暢，還能夠模仿真實(shí)的口音和語氣，甚至加入常見的填充詞如「嗯」和「you know」。

Duplex的技術(shù)演示視頻來源于谷歌。

盡管如今AI生成語音已經(jīng)徹底改變了電話和客服行業(yè)，讓人們感到不便，但Duplex提出的「數(shù)字到模擬的轉(zhuǎn)變」方式在當(dāng)時(shí)仍令人耳目一新。

目前榮耀正在推進(jìn)的基于GUI的AI Agent，同樣是一種數(shù)字到模擬的轉(zhuǎn)變，通過原始與先進(jìn)的結(jié)合，開創(chuàng)了全新的交互可能性。

我認(rèn)為榮耀的這一方案在技術(shù)思路上也實(shí)現(xiàn)了類似的轉(zhuǎn)變，為AI與人類交互方式的創(chuàng)新提供了新思路。

基于 GUI 并不是實(shí)現(xiàn)手機(jī) AI Agent 的最佳路徑，但不可否認(rèn)它確實(shí)很有趣，甚至有點(diǎn)「硬碰硬」的意思。

基于 GUI 的 AI Agent，對傳統(tǒng)人機(jī)交互是一種致敬，同時(shí)也為 AI Agent 的落地和體驗(yàn)提升，提供了降低門檻、提高兼容性的路徑。

有時(shí)候，最順手的工具，真就只是一根干凈利落的大棒。

大模型與人機(jī)交互的結(jié)合，笨 AI 未來可期

在今天用戶的主要需求場景上，有兩種 AI Agent。一種是高智商型，能夠解答復(fù)雜問題，完成困難的工作，比如 DeepSeek、Claude、以及前幾天大熱門的 Manus。這也是現(xiàn)在最受關(guān)注的 AI Agent/Chatbot 種類。

但我們同樣需要另一種「懂事能干」的 AI Agent，它對用戶的使用技巧沒有很高的門檻，用戶只需輸入一兩句簡單直白的命令，它就能理解，并且把各種并不復(fù)雜的事給辦好。

今天可以點(diǎn)外賣，將來它還能夠幫你掛機(jī)放置類游戲，好友的朋友圈點(diǎn)贊，甚至自動把剛拍下的一張照片修改一下發(fā)到社交網(wǎng)絡(luò)。只要是用戶能做的，基于 GUI 的 AI Agent 一樣能做。低門檻、上限高、適應(yīng)性強(qiáng)、用起來順手，可能是這一類 AI Agent 的主要特色。

這類選手不需要成為理解世界的大學(xué)者，只當(dāng)好執(zhí)行任務(wù)的工具人就足夠了。

2013 年的電影《云端情人》(Her)，曾經(jīng)賦予人們無限的遐想。當(dāng)時(shí)也正值 NLP 技術(shù)大爆發(fā)，許多優(yōu)秀的語音場景產(chǎn)品和技術(shù)涌現(xiàn)出來。一些研究者和從業(yè)者篤信，自然語言對話將會成為 AI 交流的最主流方式。

然而去年曇花一現(xiàn)的硬件產(chǎn)品 AI Pin，以及開發(fā)它的 Humane 公司越走越黑的路，不禁讓人懷疑《云端情人》設(shè)想的烏托邦是否那般美好，語音究竟是不是 Chatbot/Agent 的終極答案。

▲AI 人本圖譜 圖源：人道科技

進(jìn)入智能時(shí)代，人機(jī)交互的門檻大幅降低，以至于連幼年孩童也能夠輕而易舉地掌握。按照AI開發(fā)者常使用的比喻，大模型的"認(rèn)知模式"恰如幼年般的認(rèn)知模式。那么讓AI通過觸屏界面學(xué)習(xí)人類行為，聽起來還是很有希望的。

實(shí)際上，你的伴侶或許不需要一首AI創(chuàng)作的詩，但卻可能需要你輕點(diǎn)屏幕，搶購一張周杰倫的演唱會門票。

前幾天，Manus刷屏的現(xiàn)象再次印證了我們此前的一個(gè)預(yù)測：大模型將成為智能手機(jī)的新一統(tǒng)操作平臺，自然人機(jī)交互界面（NUI）將逐步取代傳統(tǒng)的圖形用戶界面（GUI）。

至少就目前情況來看，經(jīng)過半個(gè)世紀(jì)的發(fā)展，GUI仍是人機(jī)交互的絕對主流。不過，大模型與人機(jī)交互的結(jié)合，將對人機(jī)交互進(jìn)行前所未有的重新定義，甚至將人機(jī)交互重新構(gòu)建成一種新的操作系統(tǒng)——這樣的未來，的確越來越清晰了。