谷歌正在把 AI 从「聊天框」推向「操作台」。其 Mac 版 Gemini 应用新增「电脑操作」(Computer Use)功能,允许 AI 在后台代替用户完成跨应用的多步骤任务,而用户仍可继续使用电脑做自己的事。

按照谷歌的说法,用户只需用自然语言描述目标,Gemini 就会模拟点击、输入文字、浏览菜单和填写表单,覆盖本地文件、桌面应用与网站三类场景。所有操作都在一个隔离的后台窗口中运行,并配有实时预览,因此屏幕和光标不会被占用,用户的前台工作不会被打断。

在控制权方面,谷歌设计了几道「安全阀」:用户可自行选择 Gemini 能访问哪些应用,全程观看每一步操作,随时暂停,并可在执行前预先批准关键动作。官方给出的示例包括批量编辑照片和 3D 场景、从本地 PDF 中提取信息填写发货表单,以及制作演示文稿。

该功能今日起在美国以英文上线,Mac 版 Gemini 应用已开放下载。

从行业背景看,让 AI 直接操作图形界面而非仅调用 API,是过去一年大模型厂商竞逐的新方向。这类「电脑操作」能力被视为智能体落地的关键一步——它让 AI 能处理那些没有开放接口的旧软件和网页流程,但也带来权限、误操作与数据安全方面的现实考验。谷歌此次强调隔离窗口、实时预览和事前授权,正是对这类顾虑的回应。

竞争层面,OpenAI 近期同样在「电脑操作」上发力,The Decoder 的报道称其凭借 Astra 模型取得明显领先。对关注大模型战局的读者而言,谷歌此轮更新意味着桌面端智能体的竞争正在从演示走向可用产品,而谁能把可靠性、权限控制和用户体验做得更扎实,将决定这一功能是「尝鲜玩具」还是真正的生产力工具。

值得注意的是,该功能目前仅限美国英文用户,且依赖用户主动授权应用访问权限,实际可用范围仍受地区与语言限制。后续其向更多市场扩展的节奏,以及用户对后台自动操作的接受度,将是观察这一赛道走向的重要指标。