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

过去两年间，大量手机制造商已将大模型整合进其设备中。

“手机是距离Personal Agent最近的一块智能终端”这一观点在当下已成为行业普遍认知：手机普及率近乎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%的使用时长，自然积累着一个人最完整的上下文信息。

然而，多数情况下，内置大模型的手机仍仅能提供更聪明的“手机助手”：能回答问题、总结文档、修饰图片，却难以真正替用户完成一项复杂任务。

如今，Agent的出现正在改变这一局面。

Agent使手机具备了任务规划、工具调用及长程执行能力——用户无需再逐一指示手机如何操作，只需给出目标，剩余问题由模型负责理解、分解，并调用系统功能、应用及服务来完成。

这也使得AI手机的竞争焦点开始转移——决定用户体验的，不再仅仅是模型是否足够智能，而是模型之外的一整套系统：上下文如何组织、记忆如何调用、工具与技能如何编排、图形界面如何操作，以及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。

阿里并不亲自涉足手机制造，Qwen Intelligence也不仅仅是模型或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”。覆盖用户意图理解、复杂任务规划、工具调用、跨应用执行、多模态创作、记忆及主动服务等能力，目标是助力手机从“能理解用户”进一步迈向“能替用户把事情办妥”。

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、分解任务及编排工具；Mobile Use Agent负责实际操作手机，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，均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进行调度。

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、技能及系统能力。在AI手机产业链中，阿里希望扮演的并非手机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探讨了这套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： 为何会开辟Qwen Intelligence这一业务，看到了怎样的机遇？

许主洪： 手机Agent这一方向自去年起行业便开始关注，今年真正升温，至今几乎每家手机厂商及大模型公司都在进行相关布局。手机行业正面临自2007年iPhone发布以来最大的技术变革，我们看到了未来巨大的市场机会。

手机Agent在渗透力、使用深度及商业化收入方面，未来均有望实现十倍甚至百倍的增长，但当前行业仍处于早期阶段，需要各方共同投入。而阿里在这方面能提供的核心价值，便是我们的模型及AI全栈能力。因此，我们决定孵化Qwen Intelligence业务线，希望为行业构建通用智能平台，从而加速整个AI手机的发展，让体验尽快成熟。

智能涌现： 现有智能设备种类繁多，为何选择手机作为业务载体？手机有何独特优势？

许主洪： 手机已是中国规模最大的个人智能终端，普及率近乎100%，占据大多数人90%的使用时长，用户90%的上下文也都沉淀在手机上。若未来每位用户都拥有个人AI助理，该助理的大部分交互大概率也会发生在手机上。因此，我相信Agent手机是Personal Intelligence进入真实世界的首要入口，也是迈向个人ASI的必经之路。

智能涌现： 那么有何特殊难点？

许主洪： 手机上的任务更为碎片化，意图理解的挑战也更大——在手机场景下，意图常是模糊的，用户的查询通常也很短，一般不超过20个字。

手机还配备多种传感器，可接收不同模态，包括声音、影像、位置等感知信号，这些是PC所不具备的。这些信号能为手机带来更丰富的上下文，也使手机Agent有机会提供更多主动服务。但这同时对模型和Agent的核心能力提出了更高要求，例如多模态理解交互、更优的推理决策等，这些都是我们在手机场景下需要解决的问题。

此外，手机场景还面临更严格的工程约束，如时延、功耗、成本等，均比PC严格得多。隐私安全问题在手机场景下也需以更严苛的标准对待。

智能涌现： “手机助手”这一形态一直存在，如Siri，但过去这类助手并未成为用户使用手机的实际入口。那么，今天是哪些变量发生了变化，使手机能成为这样的入口？

许主洪： 最核心的变量是整体智能的提升。

手机Agent的能力边界需从完成简单指令任务，扩展到支持更模糊的意图、更多工具调用、跨应用操作，乃至跨小时跨天的复杂任务。未来随着模型能力进一步提升，我们离质变的临界点已不远。

实际上，随着Agent能力提升，用户也在不断被教育，整体用户心智正快速成熟。例如过去两年，Coding Agent已广泛应用；年初OpenClaw的爆火，也预示着下一阶段Agent的爆发点很可能发生在手机上。

02. 模型和Agent，如何在手机里真正理解用户

智能涌现： 请详细介绍一下Qwen Intelligence，它是什么样的业务？

许主洪： 这是我们专为手机场景深度优化的模型与Agent解决方案。

我们的定位很明确，即做toB解决方案提供商，而非自行制造手机。我们希望通过输出解决方案赋能手机厂商，共同打造下一代Agent手机。

因此，我们在行业早期便站出来，围绕千问大模型打造解决方案，牵引行业整体智能提升。我们希望推动Agent手机加速发展，让个人智能真正进入真实世界。

智能涌现： 这实际是“模型+平台+Agent方案”三部分组成的解决方案，为何如此设计？这三部分分别解决什么问题？

许主洪： 这三部分中，最底层是千问大模型，是专为手机场景深度优化的智能底座。传统通用模型直接迁移至手机场景是不够的，模型需针对手机场景进行深度优化——它比通用模型能力更强、性价比更高。

中间一层是平台层，支持模块化接入。我们并非简单提供黑盒API，而是提供可定制化平台——例如Harness及客户业务规则均可定制。此外，我们还提供一站式运维平台，提升整体运营及迭代效率，帮助客户降低研发与接入成本，同时满足差异化竞争需求。

最上层是Agent方案。我们提供高价值垂直场景解决方案，也愿意支持厂商打磨精品Agent，以更好满足真实场景下的用户需求。

最后，我想强调安全与隐私方面，这是解决方案落地过程中手机厂商和用户非常关注的问题。因此，我们以最高安全标准设计产品解决方案，全方位保护确保用户隐私得到最大保障。无论模型研发、Agent设计还是整体平台开发，我们始终严守安全边界。

智能涌现： 为何说手机直接接入通用大模型体验不够好？为何要针对手机做定制化模型？

许主洪： 手机场景有非常特殊的挑战。

如前所述，手机用户需求碎片化，意图模糊，准确理解用户需求需模型从分享的上下文中挖掘信息。这些上下文可能来自手机不同的传感器、不同的应用，这与PC很不同。

在动作空间方面，差异化也很大。手机有各种系统工具，是高度复杂的Agent环境——如何调用不同应用、不同工具、不同API，挑战巨大。

最后，手机对时延、功耗、成本也很敏感。

这些特点对模型的端云协同、闭环执行及操作安全提出了很高的工程约束要求。这些挑战无法通过其他手段解决，必须针对模型进行深度优化——需将手机特有场景需求，如端侧感知、工具理解、推理实验需求、思考速度、记忆使用等，都优化进模型中。

智能涌现： 具体做了怎样的优化？

许主洪： 在真实业务场景中，不仅评测模型本身的准确率，还要评测端到端任务的完成率。我们的手机模型正是针对手机真实场景进行优化，力求达到SOTA。

目前，我们端到端任务成功率超过90%。在mobile类评测上，我们也超越了业界最前沿通用模型的能力。

智能涌现： 你提到“端云协同”，具体哪些任务适合放在端侧，哪些适合云端处理？

许主洪： 长期来看，随着手机芯片算力不断提升，端云协同是必然趋势。我们也相信Agent Phone要获得良好用户体验，背后架构必须采用端云协同——端侧负责低时延、强隐私的需求，同时兼顾成本；云侧主要处理复杂请求，如基于开放知识的复杂回答及长程任务规划拆解。

短期来看，端侧算力相对有限。受限于手机端侧严格的工程约束，端侧模型更侧重负责简单任务，如简单指令的意图理解执行。但随着端侧算力增强及模型智能提升，以前在云侧完成的部分任务将逐步移至端侧闭环。整体端云协同的时间成本未来也将有较大改善。

智能涌现： 要让Agent完成复杂任务，不仅依赖模型，Harness也至关重要。在解决方案中，模型和Harness分别解决什么问题？

许主洪： 完成真实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，需在开放目标中实现全局理解。当前模型在接收到明确、完整目标时，分解步骤已做得不错。但在真实场景中，用户很少给出完整目标。

例如，用户说“今天帮我安排去北京出差”——这背后涉及不同需求与步骤，如订机票、订酒店、改行程、通知同事等。模型需根据多方面信息，包括消息、偏好、历史对话等，推断简单一句话背后的隐含需求。更困难的是，用户中途可能改变想法，如Agent准备订机票时用户说“算了，我这次坐高铁”，那么模型需在这些局部调整中保持对最终目标的理解判断——用户是修改原计划一部分，还是重新提出新任务请求。这对模型要求很高。

Harness是让整体任务推进的关键模块。它需维护跨应用、跨会话的任务状态，如Agent当前进展、中间结果、还差什么等。更关键的是，当任务执行过程发生异常时，如何处理——继续执行、重试、回退或向用户确认。这些都是Harness需要处理的。

此外，要让Agent手机更懂用户，Agent还需维护主动服务能力，并用精细的多层记忆体系做好个性化服务。这需要用户长短期身份识别及更丰富的上下文处理，才能做到精准且不打扰用户的主动服务。

因此，我们需要提供深度优化的整体解决方案，包括模型智能底座和适配模型能力协同进化的Harness。这套Harness也支持用户自定义能力。当模型升级时，Harness随之适配优化。例如，模型新增对某种工具调用的支持，Harness在智能编排上也需纳入该新工具。

模型和Harness的协同优化提高整体Agent性能，并随不断积累用户经验和记忆，持续提升对用户个性化需求的理解。

智能涌现： 模型和Harness的协同优化如何实现？在训练环节就做协同训练吗？

许主洪： 以训练为主。我们在模型后训练中加入Agent环境，让模型通过Agent强化学习，学习环境的各种适配信息。

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： 轨迹数据是其中一部分，另一块是在真实环境中获取执行反馈——如何时出现异常、什么条件下需调用不同工具或技能等。

很多时候，这些无法在仿真环境中模拟。因此，我们除了在仿真环境训练，也需在真机场景中做好模型与Agent Harness的协同。

智能涌现： 是否所有帮用户完成复杂任务的Agent都需要这种协同训练？

许主洪： 我认为是必须的。复杂任务需Agent跨多个应用、多个会话，甚至跨多种场景。这时无论对模型规划能力还是Agent稳定执行，都提高了要求。若模型和Harness未协同，很难办好此事。

智能涌现： 具体到Agent，为何这次发布Planner、Use和Creative三个Agent？

许主洪： 我们针对手机场景用户的核心痛点与需求进行思考。我们认为，当前Agent手机最缺乏的是能规划的大脑，这是最关键一环；此外，还需一双能执行任务的手，这对应我们提出的两个核心Agent：Mobile Planner Agent和Mobile Use Agent。

另外，考虑到手机场景中影像类需求非常高频，我们也推出创作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： 首先是手机大脑Mobile Planner Agent，它是核心规划中枢，主要解决智能规划问题。

从简单任务到复杂长程任务，该Agent需负责用户意图理解、复杂任务分解、工具编排调用。其核心能力是精准理解长程规划并能动态调整。例如用户说“帮我安排周末去上海出差”，它需分解成订机票、订酒店、设日历、规划路线等子任务。用户需求变化时，也能动态调整。

第二个Mobile Use Agent，主打手机操作，解决智能执行问题。我们的思路是不单纯依赖GUI操作，而采取混合执行模式——API优先，GUI兜底。当有API高效路径可用时，优先调用API；若走不通，再考虑GUI操作。GUI操作主要用于常规场景，整体策略严守安全边界，确保用户隐私。

最后是Mobile Creative Agent，它是影像创作Agent。手机用户对影像需求很大，但要求也高，如希望一句话完成作品。因此我们对这个Agent做了极致优化，包括轻量生成编辑模型，实现效果领先、速度最快、性价比最高。

这三个Agent虽分开模块设计，但可互相协同——手机大脑负责思考，操作负责执行，影像是承接创意，复杂任务的落地。

智能涌现： 影像创作Agent已是热门赛道，市场上有不少toC、toB产品，为何选择在拥挤赛道中再做Agent？优势在哪？

许主洪： 我们做的是专门针对手机场景的创作Agent，能针对手机场景深度优化。我们做了很多工作，如针对手机场景设计轻量化生成、编辑模型。

千问模型在通用创作能力上达行业第一梯队，但在手机专属场景中，我们做到了行业领先。整体上，我们让影像创作在手机上有更好体验——效果更好、速度更快、成本更低。例如，首图生成只需3秒，相比市场最佳竞品提速2倍，性价比提升2到3倍。

未来我们还将推出更多影像Agent，覆盖拍摄前、拍摄中、拍摄后全流程。解决用户影像创作需求还有很多工作可做。

智能涌现： 你认为在什么情况下，手机可被视为真正进入Agent手机阶段？目前哪些能力已具备，哪些还有很长路要走？

许主洪： 一个重要标准是，是否每个人都能将手机Agent能力在日常生活中用起来。今天显然未达到。

但正如iPhone从第一代到真正全面使用经历了三四代迭代，Agent手机这个大方向已非常明确，但仍需大量投入。当模型继续变强、有更多工具可用、手机芯片能力进一步提升时，我们一定会看到更多用户体验提升。未来两三年，我们将看到手机Agent的巨大爆发。

03. 不下场做手机，只做AI技术解决方案

智能涌现： 你们采用API优先GUI兜底的交互方式，这是否意味着App开放能力成为关键点？

许主洪： 目前手机应用生态不够统一——有些App有API，更多App仍需依赖GUI操作。用户真实任务往往需跨多个应用协同完成。因此，我们认为API+GUI操作的混合模式将较长时间存在。但我们相信开放是大趋势，主流应用将逐渐走向API开放。

GUI操作是通用调度能力，能解决长尾应用覆盖问题。因此整体策略是“API优先，GUI兜底”——有接口时，通过多种方式如MCP、CLI、deeplink等直接调用应用，缩短执行路径，提升效率；无接口时，通过视觉理解、视觉操作等能力覆盖长尾应用。前面提到的Mobile Use Agent会根据任务目标及实施状态动态选择组合这两种方式。

智能涌现： 关于GUI操作，行业一直有权限与隐私争议，你们如何解决？

许主洪： 在安全隐私方面我们高度重视。我们提出多种策略对Agent安全边界进行控制与保护。

第一层，对违法、违规的高风险请求直接拒绝，Agent动作执行直接终止。

第二层，关键步骤如需用户确认，由用户接管，如涉及转账、数据删除、隐私授权等敏感操作，主动叫停，等待用户指示。

第三层，严格遵守应用自身规则。例如有些应用明确禁止Agent自动操作，如自动评论、自动发消息等，我们都遵守。

最后一层是安全护栏。因模型目前无法百分百完美，我们在执行动作前还会经过安全护栏，避免Agent在模型理解错误或信息不足时进行有风险操作。

智能涌现： 阿里自身拥有庞大App生态，如何最大限度用好阿里生态？

许主洪： 在行业早期，阿里应用生态是Qwen Intelligence与用户之间的一道抓手，我们也支持手机厂商通过应用生态提高渗透率。未来，我们会与厂商一起在垂直场景中打磨精品Agent，满足用户真实需求，让用户将AI助手在真实场景中用起来。

但长期来看，在手机Agent赛道，最重要的仍是整体智能提升。我们需围绕阿里大模型能力，用最好模型打造更聪明更懂用户的手机Agent，然后在真实场景中落地这些模型与Agent能力。

智能涌现： 未来当Qwen Intelligence每天处理大量用户请求时，如何平衡自有生态利益与用户利益？例如用户提出意图后，Agent会优先调用阿里生态内App，还是以标准选取用户利益最优App？

许主洪： 我们的核心是提供智能底座与平台能力，不做手机，即不控制流量入口，也不直接决定App调用优先级。

目前行业处于早期阶段，谈流量分配为时尚早。现阶段最重要的是聚焦如何将Agent做好、市场做大、用户体验做好、场景更丰富。若真需面临这种选择，答案很明确：我们一定会以用户价值、用户体验为第一评价标准。

智能涌现： 聊聊与荣耀的合作吧，即将发布的荣耀Magic9系列是首批正式搭载QI的手机，合作模式如何？

许主洪： 阿里与荣耀过往已有多次合作，这次是AI手机上的战略合作。

具体而言，阿里提供针对手机深度优化的行业模型及Agent解决方案，荣耀负责整体手机设计与生产，双方深度共建，合作较深。

我们希望未来Qwen Intelligence能为整个行业所用，构建真正的行业基础设施，让手机厂商都来使用我们的解决方案开发下一代Agent手机。

智能涌现： 合作“比较深”深到什么程度？为何不更进一步，与手机OS更深度结合，这样用户体验不是更丝滑吗？