2026年7月9日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

从豆包手机助手看GUI Agent发展:从实验室到手机,AI开始真正“动手”操作世界

发布日期:2025-12-28 11:34:09 浏览次数: 3222
作者:PyTorch研习社

微信搜一搜,关注“PyTorch研习社”

推荐语

豆包手机让AI真正"动手"操作世界,GUI Agent技术正在重塑人机交互方式。

核心内容:
1. GUI Agent技术突破:从聊天机器人到能操作界面的智能体
2. 豆包手机落地案例:跨App自动化任务实现革命性交互
3. 行业三大技术路线对比:阿里、字节、微软的不同发展路径

杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家

2025年,GUI Agent(Graphical User Interface Agent,图形界面智能体)已成为AI领域最火爆的方向之一。它让大模型不再只是“聊天机器人”,而是能真正“看懂”屏幕、理解界面、模拟人类操作(如点击、滑动、输入)的Agent。标志性事件是字节跳动推出的豆包手机(与努比亚合作,基于Z70 Ultra系列工程机),首发3万台瞬间售罄,二手价翻倍。这款“全球首款系统级AI手机”将GUI Agent深度嵌入操作系统,实现跨App自动化任务,如一句话规划旅行、比价下单、点外卖等,彻底颠覆了手机交互范式。

ByteDance's first Doubao-assisted AI phone sells out at $495 as ...

豆包手机的核心,正是字节的UI-TARS系列技术——纯视觉端到端GUI Agent,已迭代到UI-TARS-2,支持从GUI操作到代码执行、API调用的混合动作流。

GUI Agent是什么?为什么2025年爆发?

传统自动化(如RPA)依赖脚本,脆弱且不灵活。多模态大模型(VLM)兴起后,GUI Agent通过“截图输入 + 推理 + 动作输出”实现通用自动化。主要挑战:屏幕感知、动作grounding、长序列规划、跨平台兼容。

典型架构(如图所示)包括感知(屏幕解析)、规划(任务分解)、执行(模拟点击/输入)、反思(错误纠正)模块。

GUI Agents: Exploring the Future of Human-Computer Interaction

GUI Agents: Revolutionizing How We Automate User Interfaces
GUI Agents: Exploring the Future of Human-Computer Interaction

2025年,强化学习(RL)、多Agent协作、纯视觉端到端成为主流趋势,开源模型层出不穷,推动从桌面/手机到多设备编排。

三大代表性工作对比

维度
阿里 Mobile-Agent-v3 / GUI-Owl
字节 UI-TARS系列
微软 UFO³ / Galaxy
核心定位
跨平台多Agent协作 + 原生端到端VLM
纯视觉端到端 + 混合动作流
系统级API + 多设备编排(Windows为主)
输入模态
截图 + 多模态(OCR、图标)
纯截图(视觉唯一输入)
混合:UI树 + 视觉(OmniParser) + API
模型规模
GUI-Owl 7B~32B(Qwen2.5-VL基座)
2B(端侧)~72B(云端)
GPT系列 + 自研工具
动作空间
跨平台GUI + ADB
GUI原子操作 + 键鼠 + 终端 + API
UIA/Win32 + 键鼠 + 多设备协议
规划机制
多Agent(Manager/Worker/Reflector/Notetaker) + 反思 + RAG
System-2推理(Thought前置) + 多轮RL
HostAgent + AppAgent + 动态DAG(Galaxy)
亮点进展
2025年开源RL调优版,在OSWorld/AndroidWorld SOTA
2025迭代支持游戏/代码,豆包手机实际落地
2025 Galaxy实现异构设备协调
开源程度
模型/代码开源(GitHub: X-PLUG/MobileAgent)
全尺寸开源(Hugging Face)
MIT许可全开源(GitHub: microsoft/UFO)

阿里 Mobile-Agent-v3 & GUI-Owl:多Agent“流水线”协作

阿里路线强调多Agent分工:GUI-Owl作为基础VLM,统一感知-推理-执行;Mobile-Agent-v3则实例化多个角色Agent协同长任务。

Alibaba Qwen Team Releases Mobile-Agent-v3 and GUI-Owl: Next ...

The AI Assistant That Can Finally Do Things: A Deep Dive into ...

2025年更新:支持云端虚拟环境自演化数据飞轮,RL调优后在多基准领先。

字节 UI-TARS:纯视觉“一条龙”,落地豆包手机

字节坚持端到端纯视觉路线,无需外挂工具链。UI-TARS-2解决数据扩展、RL稳定、环境鲁棒性问题,支持GUI+代码+API混合。

ByteDance dropping an Apache 2.0 licensed 2B, 7B & 72B "reasoning" agent  for computer use

实际效果:豆包手机上,AI Agent像真人一样操作屏幕。

微软 UFO³ & Galaxy:深挖系统API + 多设备编排

微软从Windows出发,UFO³推出Galaxy框架,实现异构设备(Windows/Linux/Android)Agent 协调。

UFO2: It's Not Just an Agent, It's a Desktop AgentOS — Reimagining ...

UFO2: It's Not Just an Agent, It's a Desktop AgentOS — Reimagining ...

结合OmniParser纯视觉解析,适合企业级复杂工作流。

展望:GUI Agent的未来

2025年底,GUI Agent已从原型走向产品。开源生态繁荣(Awesome-GUI-Agent列表超百篇论文),端侧部署(2B~7B模型)成为可能。挑战仍存:隐私(屏幕读取)、幻觉、长任务稳定性。未来可能融合A2A(Agent-to-Agent)路线,实现更安全生态。

GUI Agent正重塑人机交互:从“说”到“做”,AI终于长出了“手”。2026,我们或许会看到真正通用设备Agent,解放双手,改变生活。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅