AI手机的第二道门槛：当模型能力不再是瓶颈，系统级调度如何成为关键

模型变强了，为什么手机体验没有同步变好？

过去两年，AI手机赛道出现了一个耐人寻味的现象：模型跑分屡创新高，但用户在日常使用中感受到的智能提升却相当有限。一条航班延误通知弹出来，AI能帮你总结内容、告知晚点时长，可一旦涉及改签决策、酒店联动、次日会议调整，整条任务链就迅速断裂。

问题的根源不在于模型不够聪明，而在于手机端的AI体验从来不是一道单一的模型能力题。它涉及感知、记忆、调度、执行和协同等多个层面的系统工程。当AI真正进入个人设备，时延、成本、隐私和能力被压缩进同一道选择题——复杂推理需要更强的模型，却伴随更高的响应延迟和计算开销；本地小模型足够快，能力上限却更早触顶。一项真实任务往往横跨端云两端，单一模型包打天下的思路已经行不通。

这一困境与芯片行业早年遭遇的瓶颈颇为相似。当计算任务日益复杂，单靠CPU承担所有工作很快撞上功耗和效率的天花板，异构计算应运而生——CPU负责通用控制，GPU接管并行计算，NPU专攻AI推理，系统根据任务类型动态分配计算资源。核心逻辑不是让最强的单元干所有活，而是让最合适的单元干最合适的活。

端云模型矩阵：从“一个全能模型”到“一组专业模型”

顺着异构计算的思路，终端厂商开始探索一条不同于大模型公司的技术路径。后者倾向于不断训练更强更通用的AI，而前者更关心如何为每个用户在手机上组织出一套专属的AI能力体系。

vivo在2026年开发者大会上展示的蓝心大模型端云矩阵，本质上就是在回答这个问题。识别声音、理解语义和语气，交给端到端语音大模型；需要长期驻留设备的感知和记忆，由端侧轻量模型承担；信息查询、日程管理、跨App操作等高频场景，交给云侧快速执行模型；复杂推理和长程规划，则由旗舰级模型接手。进入专业领域后，系统还能自动调动外部顶尖模型补位。模型从用户主动选择的产品，退到后台成为被系统自动调度的基础能力。

这套思路与Android系统近年来推动的端侧AI框架方向一致——将AI能力下沉为系统级服务，而非孤立的应用功能。

但一个长期运行在个人设备上的智能体，还会遇到第二道更难的题：人本身就是一种不断变化的上下文。AI真正要理解的，不是一条孤立指令，而是一个人此刻所处的状态以及此前留下的轨迹。随之而来的是隐私和权限边界问题——感知范围越广、记忆时间越长，涉及的个人信息越多，权限管理和隐私保护的压力同步上升。

围绕这个矛盾，vivo将重点押在“感知”和“记忆”两个维度。在用户授权和隐私保护前提下，把一次次零散的端侧交互拼成对一个人的长期理解。感知层面，端侧模型通过轻量视觉编码器和UI专用Token理解屏幕、图像、视频和文本；记忆层面，通过SwiftKV、混合稀疏注意力和PLE逐层嵌入，将端侧上下文扩展至32K。感知不断沉淀为记忆，记忆又让下一次服务更贴合个体需求，一套越用越懂人的个人智能飞轮开始运转。

Harness：Agent时代的系统工程新命题

模型能力解决的是“会不会”的问题，Agent真正进入系统之后，还要面对另一个更现实的挑战：AI能不能把一个任务从头到尾自主做完。软件行业曾将这类工作统称为工程，Agent时代给了它一个更时髦的名字——Harness。

同样叫Harness，大模型厂商和终端厂商要解决的问题并不在同一层面。对大模型厂商而言，Harness围绕模型展开：让Agent稳定调用工具、保持更长上下文、在Sandbox里安全执行。到了手机端，问题会往系统深处再走一层：如何让AI执行过去由用户自己完成的那套手机操作流程。

过去十几年，智能手机建立的是以App为中心的服务秩序——打车先找打车软件，订酒店先打开旅行App。但Agent执行过程天然穿透应用边界，连续调用不同服务、继承上下文，原本被App边界隔开的能力需要在一次任务里被动态组合。当越来越多Agent都要处理意图理解、服务调用和跨设备协同，这些能力不该再被每个应用和开发者重复造轮子。

vivo将其中一层关键能力提前收进手机系统，做了一套Agent原生的系统级Harness开发者平台。感知和记忆层负责理解用户与环境，让不同Agent共享长期上下文；规划层负责路由、任务编排和反思优化，持续调整执行路径和成本；执行层借助6000+系统级工具以及MCP、A2A、CLI和统一API，把模型、Agent、Skill和外部服务接入手机、IoT乃至现实世界。理解、规划、调用、执行由此形成闭环。

Harness还需解决一个Agent行业的现实问题：经验如何留下来。人干同一件事十次会学聪明，Agent今天绕八个弯完成任务，明天如果还原样绕八个弯，那它充其量是个拥有无限耐心的实习生。基于观察—反思—沉淀框架，系统可以在用户授权下持续学习行为与反馈，利用设备闲时复盘任务路径，把新经验重新沉淀进系统能力。统一意图、跨设备Runtime和上下文随行，让任务可以在手机、PC和平板之间继续跑；MCP和A2A负责让Agent、模型和工具接力。个人AI长期积累的，开始从静态的用户信息延伸到动态的执行经验。

从抢入口到抢意图：生态逻辑的底层切换

互联网过去二十年的商业史，某种程度上是一部抢入口的历史。门户时代抢首页，搜索时代抢关键词，移动互联网抢桌面图标和App时长。但Agent出现之后，这套规则开始松动。当用户只需要说一句“帮我订一家川菜餐厅”，他已经不太关心背后打开了哪个App、调用了哪个服务。App时代争的是入口，Agent时代争的是谁能更靠近用户意图。

在这一趋势下，作为终端厂商的vivo给自己的定位相对克制：不试图成为包办所有服务的全能选手，而是在意图和服务之间做一个“搭桥人”——一头连接具体的Agent服务，另一头连接真实的用户需求。开发者接入一次，能力就能被系统在不同入口中统一理解、调度和触达。Agent、Skills、MCP、原子技能乃至端侧模型，被逐步纳入同一套能力底座。意图服务的竞争单位，开始从完整App下沉到一项项可以被智能调度的能力。

生态共建方面，民生服务场景中，vivo联合支付宝重构终端服务形态，将能力拆为服务直达、服务执行和MCP Skill；本地生活领域，美团将吃喝玩乐能力接入小V；出行场景深度联动高德地图；电商消费端，京东打通跨App圈选、多模态识别、商品搜索到支付的完整链路。这些合作正在为“让服务真正跑起来”提供真实注脚。

值得一提的是，技术赋能的价值还体现在对容易被忽略需求的照顾上。vivo从2021年发起“声声有息”公益计划至今，已开放27项无障碍功能，覆盖超过110万残障用户。其多模态手语大模型基于8000多个国标词汇、100万段视频训练，从单个手势识别走向连续手语理解，已用于实时翻译和手语学习。

国内视角：端侧AI的系统级竞赛

在全球AI手机赛道上，海外厂商如Apple的Apple Intelligence和Google的Gemini Nano同样在探索端侧模型与系统级调度的结合。Apple选择将端侧模型深度集成到iOS生态中，强调隐私保护下的个人化体验；Google则依托Android平台推动Gemini Nano在多设备间的协同。

国内厂商在这一方向上的进展同样值得关注。荣耀推出MagicOS的端侧AI方案，强调平台级AI对资源的智能调度；OPPO和vivo则从各自的大模型矩阵出发，探索端云协同的差异化路径。华为的盘古大模型在端侧部署上也有布局，侧重鸿蒙生态内的跨设备协同。小米则通过澎湃OS将AI能力下沉到系统层，尝试打通手机、汽车和IoT设备。

与海外厂商相比，国内厂商在跨App服务调度和第三方生态整合方面面临更复杂的碎片化挑战，但也因此在系统级Harness和意图调度上积累了更丰富的工程经验。这种“在约束中创新”的路径，或许正是国内AI手机差异化竞争力的来源。

常见问题

AI手机的核心挑战是什么？

AI手机的核心挑战不在于模型能力本身，而在于如何将模型能力转化为用户可感知的体验提升。这需要解决感知、记忆、调度、执行和协同等系统工程问题，同时平衡时延、成本、隐私和能力之间的矛盾。

什么是端云模型矩阵？

端云模型矩阵是一种多模型协同架构，将不同能力的模型部署在端侧和云侧，由系统根据任务类型自动调度。端侧模型负责快速响应和隐私敏感任务，云侧模型承担复杂推理和长程规划，实现能力与效率的平衡。

Harness在AI Agent中扮演什么角色？

Harness是Agent时代的系统工程框架，负责让AI自主完成任务的全链路执行。在手机端，它需要穿透App边界、调度系统级工具、管理上下文和权限，并让Agent在执行中持续学习和沉淀经验。

为什么说Agent时代竞争的是用户意图？

当用户只需表达需求而无需关心具体App时，服务入口的重要性下降，谁能更准确理解并高效满足用户意图，谁就能在Agent时代获得竞争优势。竞争单位从完整App下沉到可被智能调度的原子能力。

端侧AI如何处理隐私与个性化的矛盾？

端侧AI通过在本地完成感知和记忆来保护隐私，同时利用用户授权范围内的长期上下文积累实现个性化。关键是在感知范围、记忆时长与权限管理之间建立明确的边界机制。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。