AI手机只会答题还不够，vivo想让它真正替你办事

AI能力更强，并不意味着手机用户体验更好。航班延误通知弹出后，AI能总结内容、回答晚点多久，但真要继续处理改签、酒店、会议等一连串任务，事情立刻复杂起来。它还未必记得你的习惯：愿不愿意坐凌晨航班、在不在意多花几百块、第二天会议能否迟到。想在手机上开发应用，还要考虑接口、MCP等问题。于是AI好像什么都会一点，但真遇到事，最后常还是得自己动手。

这解释了AI手机越来越明显的落差：模型能力上涨，Benchmark卷得飞起，但手机端体验并未随模型变强自动升级。一台手机想真正替用户把事情接过去，光听懂一句话远远不够，还得在用户授权和隐私保护前提下，看懂此刻发生了什么，记得此前发生过什么，再调动合适的模型、上下文、App和服务，把后续一环接一环做完。这已不只是模型能力题，而是关于感知、记忆、调度、执行和协同的系统题。

在2026 vivo开发者大会人工智能分会场上，vivo给出的技术路径切中了这一核心命题：以“大模型+Harness”构建个人化智能底座，重构OS体验。

Counterpoint Research预测，今年生成式AI手机出货占比将达45%，去年为36%。手机离人足够近，掌握最完整的个人上下文，但AI进入个人设备后，时延、成本、隐私和能力被压进同一道选择题。复杂推理需要更强模型，却伴随更高成本和响应时间；本地小模型足够快，能力上限又更早出现。一个模型包打天下行不通了。

vivo的解法是端云协同。蓝心大模型端云矩阵中，端到端语音大模型BlueLM-Realtime负责识别声音、理解语义语气意图；端侧大模型BlueLM-Nano承担长期驻留的感知和记忆；云侧模型BlueLM-Flash处理信息查询、日程管理、跨App操作等高频场景；BlueLM-Pro接手复杂推理和长程规划，专业领域还能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。

个人AI还面临第二道难题：人本身是不断变化的上下文。AI要理解的不只是孤立指令，而是此刻状态和此前轨迹。隐私和权限边界随之而来。vivo押注“感知”和“记忆”：BlueLM-Nano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；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。感知沉淀为记忆，记忆让下一次服务更贴合需求，个人智能飞轮开始运转。

模型能力解决会不会，Agent进入系统后还要面对能不能从头到尾自主做完。大模型厂商的Harness围绕模型展开，手机则要深入系统：让AI执行过去由用户完成的手机操作流程。过去手机系统核心任务是让App稳定共享算力、存储、网络和硬件。Agent进入终端后，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，能力需在一次任务里动态组合。

vivo把关键能力收进手机系统，做出“Agent原生的蓝心系统级Harness开发者平台”。感知和记忆层理解用户与环境，规划层负责路由、任务编排和反思优化，执行层借助6000+系统级工具及MCP、A2A、CLI和统一API，把模型、Agent、Skill和外部服务接进手机、IoT乃至现实世界。理解、规划、调用、执行形成闭环。

Harness还解决经验留存问题。基于观察—反思—沉淀框架，系统可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，把新经验沉淀进系统能力。统一意图、跨设备Runtime和上下文随行，让任务在手机、PC和平板间继续跑；MCP和A2A让Agent、模型和工具接力。个人AI长期积累的，从静态用户信息延伸到动态执行经验。

AI行业过去几年研究降低Token成本。到了Agent时代，协调成本可能越来越贵。能力越多，调度、上下文、权限和执行链路越复杂；模型能力越强，系统工程重要性上升。模型决定能力上限，系统决定这些能力最终能兑现多少。