智谱AutoGLM 2.0：云端分身如何重塑AI Agent新范式？
随着人工智能技术的飞速发展，AI Agent（智能体）正逐渐成为连接数字世界与物理世界的关键桥梁。然而，早期Agent在用户体验上面临诸多挑战，尤其是“抢占屏幕”的工作模式，极大地限制了其效能。近日，智谱公司发布了其ToC产品AutoGLM 2.0版本，通过引入“云端原生”架构，有望彻底改变人机协作的固有模式，开启手机Agent的“马努斯时刻”。
从“屏幕独占”到“云端并行”：核心痛点与创新突破
在AutoGLM的初代版本以及市场上的其他类似尝试中，AI执行任务时，其操作会实时投射到用户的物理屏幕上。这种“抢屏”机制带来了显而易见的弊端：
- 效率瓶颈：当AI进行任务时，用户只能被动等待，无法同时进行其他操作。这种互斥关系使得AI带来的效率提升效果有限，难以实现生产力的几何级增长。
- 任务中断风险：手机锁屏、网络波动、应用切换等日常用户行为都可能随时中断Agent的长时间任务流。AI难以在用户非专注时段（如夜间或休闲时）持续工作，其潜在价值大打折扣。
- 适配性难题：安卓生态的碎片化特点，使得本地Agent的适配成本高昂。不同手机品牌、系统版本之间的差异，都会影响Agent的稳定性和兼容性。
针对上述痛点，AutoGLM 2.0提出了“云端原生”解决方案，摒弃了传统的“本地镜像”模式。它为每位用户在云端部署了一个独立的安卓运行环境（云手机）和一个Linux操作系统环境（未来将支持Windows云电脑）。这意味着，当用户下达指令时，所有的任务执行——从打开应用、跳过广告、搜索信息，到选择商品、进行操作，甚至智能使用优惠券——都完全在云端进行。用户的物理设备则完全不受影响，可以继续进行其他活动，或者直接息屏放入口袋。AI的工作与用户的本地操作实现了物理层面的完全解耦，实现了真正的互不干扰。用户只需在任务列表中查看进度，并在支付、发布等关键环节进行确认即可。
智谱产品负责人刘潇在闭门交流会上演示了这一核心体验。当他向AutoGLM下达在小红书上制作并发布介绍视频的任务时，Agent在云端高并发地搜索关键词、浏览网页、收集信息、撰写文案，并自动制作视频。与此同时，刘潇在另一台云手机上演示了点奶茶和观看短视频的任务。官方数据显示，AutoGLM目前已能操作包括抖音、小红书、美团、京东等在内的40余款高频应用。
智谱对人机协作的愿景：从“打工者”到“领导者”
智谱CEO张鹏指出，未来个人竞争力的核心将是“自身能力 + N个AI智能体”的总和。每个人都将从单纯的“打工者”转型为“领导者”，其核心能力不再是事必躬亲地执行任务，而是更侧重于“有效沟通、合理安排、精准指挥”。AutoGLM的云端架构正是这一理念的产品化体现，它让AI成为可以7x24小时并行工作的“数字员工”，打破了“AI必须在你视线内操作”的局限，使用户能够将那些耗时、重复、甚至超出自身能力范围的任务，“外包”给这个高效的云端分身。
在实际测试中，使用AutoGLM在美团小象超市购买椰子水，需要用户先接管云机登录App账号，并在支付环节手动确认。尽管AI能够智能润色需求（例如自动加上“用掉红包”），但其执行速度在某些情况下仍有提升空间。
另一次测试中，指令是“在知乎热榜第一的话题下回答问题”。由于一个确认点未及时响应，任务自动重启。Agent最终执行结果是找到了热榜第一的话题，并停留在详情页，并未实际“回答”问题。这表明当前Agent对复杂指令的理解和执行仍有优化空间，或者需要更详尽的指令才能完成多步骤任务。
当指令优化为“找到知乎热榜第一的话题，并针对问题写200字的回答，写完之后直接发布”时，AutoGLM确实生成了回答内容，但受限于系统连接，最终发布仍需手动提交。其生成的回答内容如下：
这一现象深刻揭示了公共服务在精细化管理层面所面临的挑战。不可否认，瘦体型乘客的舒适度确实可能因邻座乘客的体型差异而受到影响，然而，寻求解决方案需要统筹兼顾多方需求，力求在不同群体间实现平衡。
针对此问题，建议铁路运营部门可在购票系统中增设“座位偏好”选项，赋予乘客根据自身需求进行选择的权利；同时，亦可借鉴民航业“一人多座”的服务模式，为有更高空间需求的乘客提供购买额外座位的选项。此外，列车工作人员应主动关注车厢内的此类情况，及时协调，妥善处理座位调换事宜，以优化乘客体验。
从社会层面来看，我们亟需增进相互理解，避免对大体型乘客产生不必要的偏见或歧视，共同营造一个文明和谐的乘车环境。通过持续的制度创新和技术改进，我们有望逐步在效率、公平与个体需求之间找到最佳平衡点。
鉴于问题的复杂性，其解决并非一蹴而就，需要持续的探索与实践。我们期待铁路部门未来能够推出更为科学、人性化的座位管理方案，以应对日益增长的多元化出行需求。
驱动Agent的“3A原则”与“在线强化学习”技术基石
AutoGLM得以高效运转的背后，是其强大的模型能力、创新的训练方法论和明确的产品哲学，这些共同构成了其“大脑”。智谱团队将AutoGLM的产品哲学提炼为“3A原则”：
- Around-the-clock (全时在线)：AI智能体必须能够24小时待命，并持续执行各项任务。无论用户身处工作、睡眠或娱乐状态，AI都应在云端持续创造价值，不受时间限制。
- Autonomy without interference (自运转、零干扰)：亦称Asynchronous（异步），其核心在于Agent在云端设备上的独立运行。这种模式确保了AI工作不占用用户的本地屏幕和计算资源，实现了操作的完全解耦。
- Affinity (全域连接)：Agent的能力不应局限于简单的浏览器对话框，而必须能够无缝连接手机、电脑、智能手表、AR/VR眼镜等多种智能设备与服务，真正打通数字世界与物理世界的壁垒。
这三大原则共同勾勒出AutoGLM对成熟Agent形态的定义，并指导了其当前的产品架构设计。传统Agent的训练多依赖监督微调（SFT），即通过学习人类专家的操作轨迹进行训练。然而，这种方法的缺陷在于“泛化能力差”——AI仅能模仿其已见过的操作，对于未曾遇到的新场景或界面改动，往往难以应对。
为确保Agent能在复杂多变的真实环境中（数千个并发的手机、电脑、浏览器环境）稳定高效地完成任务，AutoGLM团队采用了端到端在线强化学习的技术路线。其核心思路是，在经过少量专家数据“冷启动”后，模型被置于数千个并行的真实云环境中进行“试错”。系统不再预设每一步的具体操作指令，而是仅在任务最终成功完成时给予一个“成功”的奖励信号（Reward）。模型必须自主探索并学习出最优的决策路径，从而极大提升其环境适应性和泛化能力。
这项技术路径对工程实现提出了巨大的挑战，需要一个能够同时调度和监控数千台云电脑、云手机的庞大系统。在具体技术层面，智谱在强化学习领域取得多项突破：在电脑端，提出了API-GUI协同范式，以增强数据多样性（ComputerRL）；在移动端，创新了难度自适应强化学习方法，以提升复杂任务的稳定性（MobileRL）；同时通过交叉采样等机制，解决了多任务训练中的不稳定问题（AgenRL）。这些创新共同构成了AutoGLM在复杂环境下高成功率的底层保障。智谱披露，通过在线强化学习，AutoGLM的任务成功率相较于冷启动阶段提升了165%，其中超过66%的增益来源于此。
刘潇强调：“我们发现，只要能提供足够好的‘环境（Environment）’和‘奖励（Reward）’机制，现有算法几乎可以优化任何任务。瓶颈已经不在算法本身，而在于如何构建可规模化的验证和反馈环境。”这种“模型即Agent”的理念也贯穿于其底座模型设计中。GLM-4.5和GLM-4.5V从预训练阶段即针对Agent任务进行了深度优化，被命名为“Agentic Language Model”。得益于从底层开始的原生设计，AutoGLM在多项公开基准测试中表现优异，例如在评估电脑操作能力的OSWorld Benchmark中获得48.1分，超越了ChatGPT Agent和Anthropic的模型。
技术路线的先进性带来了显著的商业可行性突破——成本大幅降低。传统基于第三方大模型API构建的Agent，执行一次复杂任务（如深度研究）的成本可能高达3-5美元。AutoGLM凭借自研模型和一体化架构，将包含模型调用和虚拟机资源在内的单次任务成本压缩至约0.2美元（约合1.5元人民币）。这一成本已接近谷歌单次搜索约0.02美元的量级，为C端用户的大规模普及奠定了基础。成本的显著降低，使得Agent具备了成为“超级应用”的巨大潜力。
从“单一工具”到“生态赋能”：构建由Agent驱动的数字世界
通过为Agent提供独立的云端运行环境和基于GLM-4.5/4.5V的强大模型能力，AutoGLM的定位已超越了单一的效率工具，开始构建一个连接多设备和多服务的生态系统。
首先是产品能力的纵深拓展。除了已展示的跨应用操作，AutoGLM的云电脑未来将支持Office、Photoshop等更专业的生产力工具。此外，即将上线的“定时任务”功能，将是AI从“被动响应”转向“半主动规划”的关键一步。例如，设想AI每天早上9点自动总结未读邮件并发送摘要到微信，或者在工作日上午10点自动在多平台比价下单常喝的咖啡，这相当于拥有了一个半自动化的秘书。
其次是对硬件生态的赋能。当前，智能眼镜、Pin类设备等AI硬件普遍面临算力、续航和交互的“不可能三角”困境。在微型设备上堆叠重系统和大电池，往往导致用户体验不佳。AutoGLM提出的解决方案是让这些端侧硬件“轻量化”，仅负责感知和指令发起，而将复杂的应用操作和任务执行全部交由云端的Agent完成。在交流会上展示的创意案例充分体现了这一点：连接体重秤，当检测到用户体重超标时，自动触发云端Agent下单代餐；连接气体传感器，当检测到鞋柜中氨气/硫化氢浓度超标时，则自动下单除臭脚垫。这展示了一条完整的“物理传感器 → 云端Agent → 现实世界服务”的链路，使得Agent能够实现对物理世界的连接与操作。
智谱正通过开放API和开发者计划，积极构建“万物皆可Agent”的生态。AutoGLM已上线“移动端API申请通道”及“开发者生态共建计划”，开发者可申请将AutoGLM的云端执行能力封装进其自有硬件或软件产品中，极大地扩展了Agent的应用边界。
最后，传统互联网的流量增长受限于用户的“注意力上限”——一天只有24小时，用户使用一个App就意味着减少了使用另一个App的时间。Agent的出现创造了一种全新的流量形态：并行且由需求驱动。当用户只有一个单线程的注意力时，却可以派遣无数个并行的Agent，帮助研究旅行攻略、对比全网物价、筛选工作资料。这种由AI代理人类去使用服务的模式，可能会极大地扩充整个互联网的有效流量池。更重要的是，这种流量是带着明确“成交意图”的高质量流量，其商业价值相对更高。
从技术角度看，Agent单任务平均超过256k tokens的消耗，也对上游的推理基础设施提出了32倍于传统对话场景的需求和价值密度，预示着AI算力需求的飞跃式增长。
展望未来：AI Agent与AGI的曙光
在分享会的尾声，刘潇提出了一个关于AGI（通用人工智能）的阶段性定义，他称之为“AGI的下限”：当一个Agent能够自主且稳定地运行一整天（24小时），作为你的同事或秘书，协同完成工作与生活任务，并使你的综合效率提升超过2倍时，AGI的曙光便初现。AutoGLM的此次进化，虽然距离这个“下限”尚有距离，仍处于早期形态，对指令的理解和执行仍有待提升，也存在一些需要修复的错误。但通过构建“云端分身”这一核心架构，它无疑正在为Agent实现“独立行走”铺平道路。
从同步操作转变为异步委托，这标志着人机协作范式转变的开始。未来的个人竞争力可能将不再仅仅是自身能力的体现，而是“自身能力+N个AI智能体”的模式。用户通过简洁的指令，即可让多个AI智能体并行完成复杂的任务，从而从根本上改变个人处理日常事务和工作的方式。更理想化的未来，或许只需动动嘴，无数个数字分身便能为你打理数字世界的方方面面，一个由Agent驱动的并行数字新纪元正悄然展开。
