Qwen Intelligence负责人许主洪：Agent手机的竞争，不只在模型

过去两年，众多手机制造商已将大模型集成到手机中。

“手机是离个人Agent最近的一块智能终端”目前基本成为行业共识：手机普及率接近100%，始终伴随用户，连接通讯、支付、出行、影像及各类生活服务，占据大多数人90%的使用时间，自然积累了一个人最完整的背景信息。

但在多数情况下，内置大模型的手机仍只是提供一个更智能的“手机助手”：能回答问题、总结文档、修图，却很难真正替用户完成一件复杂事项。

如今，Agent的出现正在改变这一现状。

Agent使手机开始具备任务规划、工具调用和长程执行能力——用户不必再告诉手机每一步操作，只需设定目标，剩余问题由模型去理解、分解，并调用系统功能、应用和服务来完成。

这也使AI手机的竞争重心开始转移——决定用户体验的，不再仅仅是模型是否足够聪明，而是模型之外的整套系统：Context如何组织、Memory如何调用、工具和Skill如何编排、GUI如何操作、任务失败后如何恢复等。

阿里在今年云栖大会上发布的手机智能业务Qwen Intelligence正是这样一套系统。

阿里不亲自涉足手机制造，Qwen Intelligence也不只是一个模型或一个Agent，而是一套面向手机厂商的AI手机全栈解决方案。它基于千问大模型，为终端厂商提供从底层模型、Agent平台到场景方案的一整套“智能层”。覆盖从用户意图理解、复杂任务规划，到工具调用、跨应用执行、多模态创作、记忆和主动服务等能力，目标是帮助手机从“能理解用户”进一步迈向“能替用户把事情办完”。

Qwen Intelligence此次发布了三个Agent方案：Mobile Planner Agent、Mobile Use Agent和Creative Agent，分别对应“规划、操作和创作”。其中，Mobile Planner Agent负责理解复杂需求、分解任务和编排工具；Mobile Use Agent负责实际手机操作，采用“API优先、GUI兜底”的混合模式；Creative Agent则面向图片和多模态内容生成，由规划模型理解需求并自动组织创作流程。

而每一个Agent背后，都是由针对手机专门优化过的千问大模型，以及与之协同适配的Harness在调度。

对手机厂商而言，这套方案采用模块化交付方式：模型底座、Harness、端云协同、运维与安全能力均可按需接入，厂商也可继续加入自己的工具、Skill和系统能力。在AI手机这个产业链中，阿里希望扮演的不是手机OS的替代者，而是OS与基础模型之间的一层Agent基础设施。

云栖大会期间，智能涌现与阿里巴巴ATH事业群副总裁、Token Foundry Qwen手机智能负责人许主洪聊了聊这套AI手机解决方案，以及他眼中的下一代Agent手机。

以下为智能涌现与许主洪的对话，略经编辑。

01. Agent手机是不可阻挡的趋势

智能涌现： 为什么会开辟出Qwen Intelligence这样一个业务，看到了什么样的机会？

许主洪： 手机Agent这个方向从去年开始行业就开始关注了，今年真正热了起来，到今天，几乎每一家手机厂商和大模型厂商都在做相关的布局。手机行业正在面临自2007年iPhone发布以来最大的一次技术变革，我们看到了未来巨大的市场机会。

手机Agent从渗透力、使用深度，到商业化收入，未来都有机会实现十倍甚至是百倍的增长，但今天这个行业仍处于早期，它需要大家一起来投入。而阿里在这件事上能提供的核心价值，就是我们模型，以及我们的AI全栈能力。因此，我们决定孵化Qwen Intelligence这个业务线，希望能够为行业构建通用的智能平台，从而加速整个AI手机的发展，让体验能够加速成熟。

智能涌现： 现在的智能设备非常多，为什么会选择手机作为这个业务的载体？手机有什么特别的优势？

许主洪： 手机已经是中国最大规模的个人智能终端，它渗透率几乎是100%，占据了大部分人90%的使用时间，用户90%的上下文也都沉淀在手机上。假如未来每一个用户都有一个个人AI助理的话，那这个助理大部分的交互大概率也会发生在手机上。所以我相信Agent手机是Personal Intelligence能走进真实世界的第一入口，也是迈向个人ASI的必经之路。

智能涌现： 那有什么特殊的难点吗？

许主洪： 手机上的任务更碎片化，意图理解的挑战也更大——在手机场景下，意图经常是模糊的，用户的query通常也很短，一般不会超过20个字。

手机还有各种sensor，可以接受不同的模态，包括声音、影像、位置等一系列的感知信号，这些都是PC不具备的。这些信号能给手机带来更丰富的上下文，也让手机Agent有机会提供更多主动的服务。但这也让我们对模型和Agent的核心能力提出了更高的要求，比如多模态的理解交互，又比如如何做更好的推理决策，这些都是我们在手机场景下要去解决的问题。

另外，手机场景也面临更加严格的工程约束，比如像时延、功耗、成本，这些都比PC要严格得多。还有就是隐私安全问题，这在手机场景下也需要用更严苛的标准对待。

智能涌现： “手机助手”这个形态其实一直都存在，比如Siri，但是过去这类助手并没有成为用户使用手机真正的入口，所以你觉得今天是哪一个或者哪些变量发生了变化，让手机可以成为这样一个入口了？

许主洪： 最核心的变量还是整体智能的提升。

手机Agent的能力边界要从完成一些简单的指令任务，到未来能够支持更模糊的意图、更多种工具的调用、跨应用的操作、甚至是跨小时跨天的复杂任务。未来随着模型能力的进一步提升，我们觉得离质变的临界点已经不远了。

其实随着Agent能力的进一步提升，用户也在不断被教育，整体用户心智在快速成熟。比如过去两年，我们看到Coding Agent已经被应用得非常普遍了；年初的OpenClaw的爆火，其实也预示着下一阶段Agent的爆发点，很大概率会发生在手机上。

02. 模型和Agent，如何在手机里真正理解用户

智能涌现： 给我们详细介绍一下Qwen Intelligence吧，它是一个什么样的业务？

许主洪： 这是一个我们专为手机场景深度优化的模型与Agent解决方案。

我们的定位很清晰，就是要做toB的解决方案提供商，而不是自己做手机。我们希望通过输出解决方案来赋能手机厂商，帮手机厂商一起打造下一代的Agent手机。

所以我们在行业发展的早期就站出来，围绕我们的千问大模型来打造解决方案，牵引行业整体智能的提升。我们希望推动Agent手机的加速发展，让个人智能真正能走进真实的世界。

智能涌现： 这其实是一个“模型+平台+Agent方案”三个部分组成的解决方案，为什么会这样设计？这三个部分分别想解决什么问题？

许主洪： 这三部分里，最底层是我们的千问大模型，是专门为手机场景深度优化的智能底座。传统的通用模型直接迁移到手机场景其实是不够的，模型是需要针对手机场景去做深度优化的——它相比通用模型不仅能力更强，性价比也更高。

中间一层是平台层，支持模块化的接入。而且，我们不是简单给客户提供一个黑盒的API，而是提供可定制化的平台——比如像Harness以及客户的一些业务规则，都可以定制。另外我们也提供一站式的运维平台，提升整体的运营以及迭代的效率，希望能够帮助客户在降低研发与接入成本的同时，也能够满足客户这种差异化竞争的需求。

最上层是我们的Agent方案。我们提供高价值的垂直场景解决方案，也愿意支持厂商打磨好一些垂类的精品Agent，这样才能更好地满足在真实场景下的用户需求。

最后，我想强调一下安全与隐私这方面，这是解决方案落地的过程中，手机厂商和用户都非常关注的问题。所以我们也会以最高的安全标准来设计我们的产品解决方案，以全方位的保护来确保用户的隐私能够得到最大的保障。无论是模型研发，Agent设计，还是整体平台的开发，我们始终都是严守安全的边界。

智能涌现： 为什么说手机直接接一个通用大模型，体验是不够好的？为什么要做一个针对手机的定制化模型？

许主洪： 手机这个场景有非常特殊的挑战。

我们前面聊到，手机用户的需求往往是碎片化的，意图也是模糊的，所以要准确理解用户需求，需要模型从分享的上下文去挖掘用户的信息。而分享的这些上下文有可能来自手机的不同部分，比如说不同的传感器，不同的应用，这个是跟PC很不一样的地方。

在动作空间这一块，差异化也很大。手机有各种系统工具，它是一个高度复杂的Agent环境——如何调用不同应用，不同工具，不同API，其实挑战也是非常巨大的。

最后，手机对延时、功耗、成本也是很敏感的。

手机的这些特点对模型的端云协同、闭环执行以及操作安全都提出了很高的工程约束要求。这些挑战其实没办法通过其他手段去解决，还是得针对模型做深度优化——需要把手机特有的一些场景需求，比如端侧的感知，对工具的理解，对推理实验的需求，对思考的速度，对记忆的使用等等，都优化进模型里面。

智能涌现： 具体做了怎样的优化？

许主洪： 在真实的业务场景里面，不仅仅只是评测一个模型本身的准确率，还要评测具体端到端任务的完成率能不能做好。我们的手机模型，就是针对手机的这些真实场景去做优化，尽可能达到SOTA。

今天，我们端到端任务的成功率超过90%。在mobile类的评测之上，我们也超过了业界最前沿通用模型的能力。

智能涌现： 刚才你提到“端云协同”，具体什么样的任务适合放在端上，什么又适合让云端来处理？

许主洪： 长期来看，随着手机芯片算力的不断提升，端云协同是必然的趋势。我们也相信Agent Phone要做好用户体验的话，那背后的架构必须使用端云协同——端侧要负责低时延、强隐私的这种需求，同时需要兼顾成本；云侧主要处理一些复杂的请求，比如像基于开放知识的复杂回答，以及一些长程任务的规划拆解等。

在短期来看，端侧的算力还是相对比较有限。受限于手机端侧这种严格的工程约束，端侧模型会更侧重负责一些相对简单的任务，比如简单指令的意图理解执行。但是随着整个端侧算力的增强，以及模型智能的提升，以前在云侧完成的一部分任务也会逐步地放到端侧来闭环。对于整体端云协同的时间成本，未来也会有比较大的改善。

智能涌现： 要让Agent完成复杂任务，其实不只是依赖于模型，Harness也非常重要。在这个解决方案里，模型和Harness分别解决什么问题？

许主洪： 要完成真实的复杂任务，确实需要模型与Harness深度适配。

模型是Agent的智能底座，它需要在开放的目标中做到全局理解。今天的模型，你给它一个很明确、很完整的目标，它的拆解步骤已经做得不错了。但是如果放到真实场景里，用户其实很少会给出非常完整的目标。

比如，用户说你今天帮我安排去趟北京出差——这个表达背后涉及很多不同的需求跟步骤，比如像订机票、订酒店、改历程、通知同事等等，模型是需要根据多方面的信息，包括消息、偏好、历史对话等等，来推断简单一句话背后的隐含需求。更难的是，用户在中途还会改变想法，比如说原来Agent准备订机票，但是用户说算了，我这次就坐高铁，那么模型就需要在这些局部的调整中保持始终对最终目标的理解判断——用户是要修改原计划的一部分，还是说重新提出了一个新的任务请求。这其实对模型的要求是很高的。

那么Harness其实是让整体的任务能够推进的一个关键模块。它需要维护跨应用、跨会话的任务状态。比如像Agent目前做到哪一步，中间结果怎么样，目前还差什么等等。更关键的是，当某个任务执行过程发生异常，要怎么办——是继续执行，还是重试，还是回退，或者是再向请求确认。这些都是Harness需要处理的。

另外是要让Agent手机更懂用户，Agent还要维护一套主动服务的能力，以及用精细的多层记忆体系来做好个性化服务。这时候就需要有用户长短期的一些身份识别，有更丰富的上下文处理。这样才能做到能够精准且不打扰用户的这种主动服务的能力。

所以，我们需要提供一个深度优化的整体解决方案，包括模型的智能底座，和适配模型能力协同进化的一套Harness。这套Harness同时也支持用户自己来定制一些能力。当模型升级的时候，这套Harness也会随之适配和优化。比如，模型新增了对某种工具调用的支持，Harness在智能编排上也需要纳入这个新工具。

模型和Harness的协同优化，提高整体Agent的性能，并且会随着不断积累用户的经验和记忆，持续提升对用户个性化需求的理解。

智能涌现： 模型和Harness的协同优化怎么实现？在训练环节就做协同训练吗？

许主洪： 以后训练为主。我们在模型的后训练里要加入Agent的环境，让模型能够通过Agent的强化学习，学习到环境的各种适配的信息。

智能涌现： 所以关键是，来自真实场景的任务轨迹数据？

许主洪： 轨迹数据是其中的一部分，另外一块是要在真实环境里拿一些执行反馈——比如什么时候会出现异常，什么条件下需要调用不同的工具、不同的skill等等。

很多时候，这些东西都是你没办法在仿真的环境里模拟出来的。所以我们除了在仿真的环境去做训练，也要在真机场景里把模型与Agent Harness的协同做好。

智能涌现： 是不是针对所有要帮用户去完成复杂任务的Agent来说，这种协同训练都是很有必要的？

许主洪： 我觉得是必须的。复杂任务需要Agent跨多个应用，跨多个会话，甚至跨多种场景。这时候无论是对模型本身的规划能力，还是对Agent的稳定执行，都提高了要求。这时候如果模型和Harness没有做协同的话，很难把这个事情办好。

智能涌现： 那具体到Agent上，为什么这次发了Planner、Use和Creative这样三个Agent？

许主洪： 我们是针对手机场景用户的一些核心痛点和需求来思考的。我们认为，目前Agent手机最缺乏的是一个能够规划的大脑，这个也是最关键的一环；另外除了大脑，还需要一双能够执行任务的手，这对应的是我们提出的两个核心Agent：Mobile Planner Agent 和 Mobile Use Agent。

另外，我们考虑到在手机的场景里面，影像类的需求非常高频，所以我们也推出了创作的Agent来承接用户表达、创作的核心诉求。

智能涌现： 这三个Agent具体能完成什么？

许主洪： 首先是手机的大脑Mobile Planner Agent，它是一个核心的规划中枢，主要解决智能规划的问题。

从简单任务到复杂的长程任务，这个Agent需要负责用户意图的理解，复杂任务的拆解，工具的编排调用。它的核心能力是要精准理解长程规划以及能够做动态的调整。比如用户说，帮我安排周末去上海出差，他要能够拆解成订机票、订酒店、设日历、规划路线等一系列子任务。当用户的诉求有变化，也要能根据变化做动态的调整。

第二个Mobile Use Agent，它主打的是手机操作，也就是解决智能执行的问题。我们的思路是，不单纯依靠GUI的操作，而采取混合执行的模式——API优先，GUI兜底。当有API的高效路径可以用，我们会优先调用API；如果走不通，我们再来考虑GUI操作这个选项。GUI操作我们主要还是用在一些常规的场景里，整体策略是严守安全的边界，确保用户隐私得到保障。

最后是我们的Mobile Creative Agent，它是一个影像创作Agent。手机用户对影像的需求是很大的，但要求也很高，比如希望能够一句话完成作品。所以我们对这个Agent做了很极致的优化，包括一些轻量的生成编辑模型，能做到效果领先，速度最快，性价比最高。

这三个Agent虽然是分开模块设计，但它们又可以互相协同——手机大脑负责思考，操作负责执行，而影像是承接创意，复杂任务的落地。

智能涌现： 影像创作Agent已经是一个比较热的赛道了，市场上toC、toB的产品都有不少，为什么会选择在这样一个已经很拥挤的赛道里面再去做一个Agent？优势在哪里？

许主洪： 我们做的是专门针对手机场景的创作Agent，能够针对手机的场景做深度优化。其实我们做了很多工作，比如针对手机场景去设计轻量化的生成、编辑模型。

千问的模型在通用创作能力上能够达到行业第一梯队，但是在手机这个专属场景里，我们做到了行业领先。整体上，我们可以让影像创作在手机上有更好的体验——效果更好，速度更快，成本更低。举个简单的例子，我们现在做首图的生成需要3秒就可以出图，相比市场上最好的竞品，我们可以提速2倍，性价比也能提升2到3倍。

未来我们也会推出更多影像Agent，覆盖拍摄前、拍摄中、拍摄后整个全流程。解决用户在影像创作方面的需求，其实还是有很多工作可以做。

智能涌现： 你觉得在什么情况下，手机可以被认为是真正进入到了Agent手机这样一个阶段？目前哪些能力已经具备了，哪些能力还有很长一段路要走？

许主洪： 一个很重要的标准是，是不是每个人都已经能把手机Agent的能力在你的日常生活里用起来，所以今天显然是没达到的。

但就像iPhone从发布第一代到真正全面用起来，也经过了三四代的迭代，Agent手机这个大方向现在已经非常明确了，但还需要很多投入。当模型继续变强，当有更多工具可以用，当手机的芯片能力进一步提升，我们一定会看到更多用户体验的提升。未来两三年，我们会看到手机Agent巨大的爆发趋势。

03. 不下场做手机，只做AI技术解决方案

智能涌现： 你们采用了API优先GUI兜底的交互方式，这是不是意味着，有多少App愿意开放能力成了这件事能不能做成的一个关键点？

许主洪： 目前手机的应用生态是不够统一的——有些App有API，更多的App仍然是要依赖GUI来操作。而一个用户的真实任务，往往需要跨多个应用来协同完成。所以我们认为，API+GUI操作的这种混合的模式还是会较长时间存在。但我们相信开放是一个大的趋势，主流的应用都会慢慢走向API开放。

GUI操作其实是一个通用调度能力，它能够解决长尾应用的覆盖问题。所以我们整体策略就是“API优先，GUI兜底”——有接口的时候，我们会通过多种方式，比如MCP、CLI、deeplink等各种方式来直接调用应用，缩短执行路径，也提升整体效率；在没有接口的时候，我们就通过视觉理解、视觉操作这样的一些能力来覆盖长尾的应用。前面提到的Mobile Use Agent其实会根据任务的目标以及实施的状态来动态选择和组合这两种方式。

智能涌现： 关于GUI操作行业里一直有关于权限和隐私的争议，你们怎么解决？

许主洪： 在安全隐私方面我们是高度重视的。我们提出了多种策略来对Agent的安全边界做了控制与保护。

第一层，我们对违法的、违规的高风险请求会直接拒绝，Agent在动作执行上会被直接终止。

第二层，一些关键的步骤如果需要用户确认，我们会让用户来接管，比如涉及转账、数据删除、隐私授权等比较敏感的操作，我们会主动叫停，等待用户指示。

第三层，我们会严格遵守应用自己设定的规则。比如有些应用明确不让Agent做自动操作，像自动评论、自动发消息等，我们都会遵守。

最后一层是安全护栏。因为今天模型还做不到百分百完美，我们在真正执行动作之前还会经过一层安全护栏，避免Agent在模型理解错误或者信息不足的情况下，做一些有风险的操作。

智能涌现： 阿里自己就拥有一个庞大的App生态，怎样最大限度地把这个阿里的生态先用好呢？

许主洪： 在行业早期，阿里的应用生态确实是Qwen Intelligence与用户之间的一道