豆包手机助手让海外炸锅，歪果仁：这是第一款真正意义上的智能手机

没想到在华为 Mate 80 系列、三星首款三折叠接连发布的一周里，最火的会是搭载。

发售即售罄就不说了，首批工程机在二手平台上普遍加价数百元转卖。相比官方 3499 元的定价，市场需求确实旺盛。

尽管豆包手机助手官方多次强调，目前的技术预览版并不面向普通的消费者。其定位更像是一个技术展示和生态探索的实验田，吸引开发者和技术发烧友参与体验。

但这根本挡不住大众体验的热情。除了点外卖发帖子这些基操，还有网友用它 10 分钟投了 30 份简历。

不过争议也随之而来，微信、淘宝等一众 App，开始通过「环境异常检测」等门槛把豆包手机助手拦在门外。

官方目前也调整部分 AI 操作手机的能力，官方表示希望「推动形成更清晰、可预期的规则」，避免一刀切否定用户合理使用 AI 的权利。

罗永浩则发文力挺，称这是谁都拦不住的技术革命，将来人们会记住这历史性的一天。荣耀表态欢迎，而魅族厂商则表示期待深入合作，打造更繁荣的生态。

而在国内出圈后，豆包手机助手甚至火到了海外，在 X 平台上，一堆老外都在疯狂讨论这事，甚至有人直接给它冠上了「另一个 DeepSeek 时刻」的称号。

海外网友：第一款真正意义上的智能手机

这评价，可不是随便给的。

雪牛资本（Snow Bull Capital）CEO 泰勒·奥根（Taylor Ogan）直接在社交平台上发了一长串体验报告，兴奋劲都快从屏幕里溢出来了。

他的评价很直白：这是全球第一款真正意义上的智能手机。

在豆包手机助手的协助下，AI 能完全控制手机——能「看懂」界面、自己选应用或下载 App、点击按钮、输入文字、拨打电话，甚至还能执行一整串多步骤任务链。

拿到手机后，他整了不少花活儿。比如随手拍张蔚来换电站问「这是啥」，AI 秒答。

拍个酒店门口，豆包不仅能识别出是哪家酒店，还能根据 Ogan 的需求预定房间，并查询宠物政策。

打辆无人驾驶出租车去公园，豆包能够规划好路线，用最近的上车点完成预约。Ogan 全程只需要用语言表达意图，其它都交给豆包。

用它下单两杯饮料后，外卖无人机很快就把订单飞送到附近储物柜。

走在街上， Ogan 拍了家新开的店，问它是不是本地的品牌，豆包也能查询工商和商标信息，然后果断回答：「是的」。

全程 AI 自己干活，人就负责躺平。

一顿丝滑操作下来，海外网友们大为震惊。

随便翻翻评论区，清一色的点赞声。有网友感慨：「此刻，操作系统变成了管家，手机变成了执行者，而不再只是工具。」有网友猝不及防地表白：「我本来就喜欢豆包，现在更爱它了。」

还有网友直接化身「哇塞哥」：

这是下一级别的东西。我在企业级见过类似的东西，Agent 控制你的 PC 并执行任务，但在手机上有这种技术真的很有意思。想象一下，当谷歌开始在 Pixel 设备和几乎所有 Android 手机上这样做时会发生什么......

Pixel 内心 belike，不对劲，怎么感觉有人在点我？

当然，质疑声也有。有人问：「但它真的智能吗？这模型能在设备上本地运行吗?」Taylor Ogan 的回应是：「它太智能了。你可以选择在设备端运行或云端运行。」

在 Reddit 平台上，讨论同样火热。

有网友表示：「只要这些功能是设备本地的（不使用云服务），并且使用是可选的，我就支持这个。」还有网友一针见血地点出了 AI 的真正意义：「这就是 AI 应该做的事情，为个人节省时间，而不是试图消除个人的价值。」

有一说一，在豆包手机助手发布之后，网友分享在 X 平台上的玩法，也是一个比一个「邪修」。有用豆包点咖啡，也有让豆包 AI 操作安卓机，模拟人手滑页面，主打一个全流程自动化。

还有网友用豆包手机助手下单买了个椰子，由于没够起送价，豆包贴心地帮博主选了一个 1.99 元的一包食用盐来凑单。

提到，我最直观的感受是，手机变「薄」了，它把各个 App 的能力都「拍扁」了，交互更加自然、直观和高效。

问题来了，这是怎么做到的？这和「phone use」智能体又有什么不同？在用了一周豆包手机助手后，APPSO 也扒出了背后更多的技术细节。

我扒出了豆包手机助手操作手机的秘密

在豆包手机助手发布之前，手机行业其实已经折腾 AI+ 好一阵子了。

手机硬件厂商试图通过系统层级的 AI 能力，打破应用间的壁垒，实现「一句话办事」。比如华为、小米、vivo、荣耀等主流手机厂商的 AI 智能体，都曾在不同场合展示过自动发送消息、执行多步骤任务等功能。

这些演示虽然在具体场景和实现方式上略有不同，但核心逻辑都是一致的：通过 AI 大模型理解用户意图，并结合模拟用户操作，从而实现跨应用的自动化任务执行。

听着挺玄乎，但实际体验嘛……咳咳，还是有不小的提升空间。

而豆包手机助手的下场，进一步掀起了全网的讨论。更重要的是，根据我之前的体验，豆包手机助手的确是真正意义上把 AI 操作手机这件事做到了可用级别，不局限于几个场景，而是能够流畅自然地通过图形界面操作完成长任务、复杂任务。

APPSO 在知名预印本平台 ArXiv 发现了一篇由字节团队发布的技术报告，里面的信息或许能解释其中的关键原理。

附上地址：

https://arxiv.org/abs/2509.02544

豆包手机助手的图形界面操作能力，来自字节跳动 Seed 团队开发的 UI-TARS 模型。它把屏幕视觉理解、逻辑推理、界面元素定位和操作整合在一起，其开源版本是目前最受欢迎的开源多模态智能体模型。

根据 UI-TARS 2.0 技术报告，这个模型的厉害之处在于，它不是简单的模块化拼凑，而是采用了端到端的学习方式，将感知、推理、行动和记忆整合在一起。

数据不会骗人，在 GUI 基准测试中，UI-TARS-2 的成绩相当能打：

Online-Mind2Web 得分 88.2，

OSWorld 得分 47.5，

WindowsAgentArena 得分 50.6，

AndroidWorld 得分 73.3

这些成绩不仅明显优于前一代模型，还在多个场景中超越了 Claude 和 OpenAI 等强劲基线模型。其中 AndroidWorld 的 73.3 分更是比 OpenAI CUA-o3 模型高出 20 多分，展现出强大的竞争力。

在游戏环境中，UI-TARS-2 在 15 款游戏组成的测试集中取得了平均标准化得分 59.8，约为人类水平的 60%。相比 OpenAI CUA 和 Claude Computer Use，UI-TARS-2 的表现分别提升了 2.4 倍和 2.8 倍。

这是什么概念？就是 AI 打游戏已经快接近普通人类玩家水平了。

在 LMGame-Bench 中，它依然能与当前最前沿的闭源模型掰手腕，进一步证明其在长时序游戏推理中的稳健性。

更厉害的是，UI-TARS-2 不仅能处理 GUI 任务，还能通过 GUI-SDK 扩展能力，与系统级资源（如终端和外部工具）集成。在信息检索任务（BrowseComp 29.6 分）、软件工程任务（Terminal Bench 45.3 分、SWE-Bench Verified 68.7 分）上都有竞争力。

一个模型走天下，这就是通用性的体现。

值得一提的是，通过接近豆包团队的人士透露，豆包手机助手用的 UI-TARS 是闭源模型版本，性能比开源版更强，还针对手机场景做了专门优化。这或许也解释了为啥豆包手机助手实际体验这么丝滑。

豆包手机助手，确实有点技能在身上的。

写在最后：科技产品的「异类」可以多一些

作为一个长期关注科技产品的编辑，今年令我十分感慨，在这个恨不得把「万物皆塞入手机」的行业，却出现两个异类，分别在设计与交互的维度上，走向了极致。

一个是 iPhone Air，当 Pro 系列不可避免地走向堆料的终局，这种对轻薄的偏执，在参数党眼中或许别无他用，甚至让人一时分不清这是倒退还是进化，直到你把它握在手里，原来，轻盈本身就是一种功能。

而豆包手机助手则站到了交互界面的另一个极端，它不要你去找服务，而是让服务来找你。甚至要掀了 GUI （图形用户界面）的桌子，有一天那块屏幕可能都不是必需的。

一个是硬件，一个是软件，但它们殊途同归。iPhone Air 削减了物理上的累赘，豆包手机助手剥离了交互上的繁琐。

你会发现，当 AI 公司参与到硬件的设计中，他们对交互设计的思路都和传统硬件厂商有所不同。

OpenAI 也正在和前苹果传奇设计师 Jony Ive 打造 AI 硬件，Sam Altman 就曾透露这块设备希望重新定义交互：不需要一堆 app，而是 AI 作为主界面与操作层。

当然，历史告诉我们这类新技术落地必然面临阵痛：适配、隐私、生态……还有各方利益的博弈。先进技术和广泛应用的「双向奔赴」尚需时日，但也是大势所趋。

OpenAI 联创 Andrej Karpathy 前段时间也表达了自己对交互未来的预判：

人机深度协作的时代，那些用户界面（UI）极其复杂（有大量滑块、开关、菜单）、不支持脚本、并且建立在不透明的、自定义的二进制格式上的产品，注定是死路一条（ngmi）。

未来，AI 在理解和操作人类图形界面（UI/UX）方面会越来越强（比如像 Operator 这样的前沿项目），但我怀疑，那些只想坐等这一未来实现，而不主动与当前技术发展水平「双向奔赴」、做出改变的产品，它们的下场不会太好。

敢于吃螃蟹这件事本身，就已经算是值得瑞思拜了，我们也希望看到更多「异类」出现在科技行业。