字节炸场：豆包手机助手发布 AI 可直接控制手机

字节跳动发布了全新一代豆包手机助手的技术预览版。不同于以往那些只能定闹钟、查天气的传统语音助手，这款新产品被定义为真正意义上的手机第二大脑。它具备了视觉感知、长期记忆以及直接动手操作的能力，甚至能替用户把整个手机的功能玩明白。

豆包手机助手最引人注目的突破在于其真正的端侧记忆能力。这是业界首次在手机本地实现了持久化的记忆功能。它能像一个细心的私人管家一样，记住用户生活中的琐碎细节。

在实际演示中，这种能力表现得令人印象深刻。当用户询问车停在哪里时，助手能直接调出用户上次拍摄的车位照片并附带楼层指引；当需要取快递时，它能瞬间读取短信历史并报出取件码；甚至当用户询问高铁座位号时，它能自动翻找 12306 的购票记录并告知准确位置。更进一步的是，这种记忆具有联想能力，比如它记住了用户最喜欢凡高，那么在规划巴黎行程时，就会自动优先推荐奥赛博物馆。

如果说记忆是基础，那么跨 App 代操作则是豆包手机助手的杀手锏。它利用先进的 GUI 模拟点击技术，能够像真人一样接管屏幕，跨越应用壁垒进行自动点击、输入和滑动。在全网比价场景下，用户只需发出一句指令，豆包就能打开淘宝、京东、拼多多和抖音电商，在 3 秒内给出最低价并直接停留在支付页面。在更复杂的办公场景中，它可以响应帮我请三天假，顺便订回老家高铁的指令，自动打开办公软件填写请假单、提交审批，随后无缝跳转至 12306 完成订票和付款流程。甚至连特斯拉车主都能体验到这种便捷，一句打开前备箱放东西，助手即可直接远程控制车辆执行操作。

在多模态交互方面，该助手展现了实时视觉理解能力。当用户拿起一本英文绘本对准摄像头时，豆包手机助手会立刻开启实时视频通话模式。画面中不仅会出现中英双语字幕，AI 还能用流利的普通话或英语边讲故事边与用户互动提问，甚至根据孩子的反应临时改编剧情，让阅读变得生动有趣。

针对模糊且复杂的长链条需求，豆包引入了 Pro 模式。该模式结合了 GUI 模拟点击、API 工具调用以及超强推理能力，能完成以往 AI 根本不敢接的任务。以巴黎旅行为例，用户只需模糊地表达下个月去巴黎，把收藏的餐厅标到地图上，再帮我订一张有我喜欢展览的博物馆票，助手便能执行全流程。它首先读取记忆确认用户喜爱凡高，接着搜索确认奥赛博物馆正在举办凡高特展，随后打开地图应用将收藏的米其林餐厅打点，最后跳转官网抢票并生成完整的行程单推送至备忘录。

在展现强大能力的同时，字节跳动也极度重视隐私安全。官方反复强调，所有的记忆数据均在手机本地进行处理和加密存储，绝对不会上传至云端。用户拥有完全的控制权，随时可以在设置中一键彻底关闭记忆功能。这种设计在确保了智能体验的同时，也做到了真正的可控可信，为 AI 时代的隐私保护提供了新的解题思路。