Xu Zhuhong, Leiter von Qwen Intelligence: Der Wettbewerb um Agent-Smartphones beschränkt sich nicht nur auf die Modelle.
In den vergangenen zwei Jahren haben viele Handyhersteller große Sprachmodelle in ihre Geräte integriert.
„Das Handy ist das intelligente Endgerät, das dem Personal Agent am nächsten kommt“ – dies ist in der aktuellen Phase fast ein branchenweiter Konsens: Die Durchdringungsrate von Handys liegt nahe bei 100 %, sie begleiten die Nutzer ständig, verbinden Kommunikation, Bezahlung, Mobilität, Bildgebung und verschiedene Lebensdienste, nehmen 90 % der Nutzungsdauer der meisten Menschen in Anspruch und speichern auf natürliche Weise den vollständigsten Kontext einer Person.
Aber in den meisten Fällen bieten Handys mit integrierten großen Sprachmodellen den Nutzern immer noch nur einen klügeren „Handyassistenten“: Er kann Fragen beantworten, Dokumente zusammenfassen und Bilder bearbeiten, ist aber kaum in der Lage, komplexe Angelegenheiten wirklich vollständig für den Nutzer zu erledigen.
Heute verändert das Aufkommen von Agenten genau diese Situation.
Agenten verleihen Handys allmählich Fähigkeiten zur Aufgabenplanung, zum Aufruf von Tools und zur langfristigen Ausführung – Nutzer müssen dem Handy nicht mehr jeden einzelnen Schritt vorschreiben, sondern müssen nur das Ziel angeben, und das Modell versteht, zerlegt die verbleibenden Probleme und nutzt Systemfähigkeiten, Anwendungen und Dienste, um die Aufgabe abzuschließen.
Dadurch verlagert sich auch der Schwerpunkt des Wettbewerbs um KI-Handys: Für das Nutzererlebnis ist nicht mehr nur entscheidend, ob das Modell intelligent genug ist, sondern das gesamte System jenseits des Modells: wie der Kontext organisiert wird, wie der Speicher aufgerufen wird, wie Tools und Fähigkeiten angeordnet werden, wie die GUI bedient wird und wie nach einem fehlgeschlagenen Aufgabenablauf eine Wiederherstellung erfolgt.
Qwen Intelligence, das intelligente Handygeschäft von Alibaba, das auf der diesjährigen Yunqi-Konferenz vorgestellt wurde, ist genau ein solches System.
Alibaba stellt selbst keine Handys her, und Qwen Intelligence ist nicht nur ein Modell oder ein Agent, sondern eine vollständige KI-Handy-Lösung für Handyhersteller. Basierend auf dem großen Qwen-Modell bietet es Endgeräteherstellern eine gesamte „Intelligenzschicht“ vom untersten Modell über die Agent-Plattform bis hin zu Szenarienlösungen. Es deckt Fähigkeiten von der Verständigung der Nutzerabsichten, der Planung komplexer Aufgaben über den Aufruf von Tools, die ausführungsübergreifende Ausführung, multimodale Erstellung, Speicherung bis hin zu aktiven Diensten ab. Das Ziel ist es, Handys dabei zu unterstützen, von „Nutzer verstehen“ weiter zu „Dinge für Nutzer erledigen“ zu gelangen.
Bei dieser Vorstellung hat Qwen Intelligence drei Agent-Lösungen veröffentlicht: Mobile Planner Agent, Mobile Use Agent und Creative Agent, die jeweils „Planung, Bedienung und Erstellung“ entsprechen. Mobile Planner Agent ist für das Verständnis komplexer Anforderungen, die Zerlegung von Aufgaben und die Anordnung von Tools zuständig; Mobile Use Agent bedient das Handy tatsächlich und verfolgt ein gemischtes Modell mit „API zuerst, GUI als Rückfallebene“; Creative Agent ist auf die Generierung von Bildern und multimodalen Inhalten ausgerichtet, wobei das Planungsmodell die Anforderungen versteht und den Erstellungsprozess automatisch organisiert.
Hinter jedem dieser Agenten wird das speziell für Handys optimierte große Qwen-Modell sowie das damit abgestimmte Harness zur Steuerung eingesetzt.
Für Handyhersteller wird diese Lösung modular bereitgestellt: Das Modellgrundgerüst, Harness, die Kollaboration von Endgerät und Cloud, Betriebs- und Sicherheitsfähigkeiten können nach Bedarf integriert werden. Hersteller können weiterhin ihre eigenen Tools, Fähigkeiten und Systemfunktionen hinzufügen. In der Industriekette für KI-Handys möchte Alibaba kein Ersatz für das Handy-Betriebssystem sein, sondern eine Agent-Infrastrukturschicht zwischen Betriebssystem und Grundmodell.
Während der Yunqi-Konferenz sprach Xu Zhuhong, Vizepräsident der ATH-Gruppe von Alibaba und Leiter des Qwen Mobile Intelligence-Projekts von Token Foundry, mit Smart Emergence über diese KI-Handy-Lösung und die nächste Generation von Agent-Handys aus seiner Sicht.
Im Folgenden das leicht bearbeitete Gespräch zwischen Smart Emergence und Xu Zhuhong.
01. Agent-Handys sind ein unaufhaltbarer Trend
Smart Emergence: Warum wurde das Geschäftsfeld Qwen Intelligence aufgebaut, welche Chance haben Sie erkannt?
Xu Zhuhong: Die Branche hat das Feld der Handy-Agenten seit letztem Jahr beobachtet, und in diesem Jahr ist es richtig populär geworden. Heute hat fast jeder Handyhersteller und Anbieter großer Sprachmodelle entsprechende Planungen vorgenommen. Die Handyindustrie steht vor der größten technologischen Umwälzung seit der Veröffentlichung des iPhone im Jahr 2007, und wir sehen enorme Marktchancen für die Zukunft.
Handy-Agenten haben das Potenzial, in Bezug auf Durchdringung, Nutzungstiefe und kommerzielle Einnahmen ein zehn- oder sogar hundertfaches Wachstum zu erreichen. Aber heute befindet sich diese Branche noch in einem frühen Stadium, und alle müssen gemeinsam investieren. Der Kernwert, den Alibaba in dieser Angelegenheit bieten kann, sind unsere Modelle und unsere vollständigen KI-Fähigkeiten. Daher haben wir beschlossen, das Geschäftsfeld Qwen Intelligence zu gründen, um eine allgemeine intelligente Plattform für die Branche aufzubauen, die Entwicklung der gesamten KI-Handy-Branche zu beschleunigen und die Reifung des Erlebnisses zu fördern.
Smart Emergence: Es gibt heute sehr viele intelligente Geräte. Warum wurde das Handy als Träger für dieses Geschäftsfeld gewählt? Welche besonderen Vorteile hat das Handy?
Xu Zhuhong: Das Handy ist bereits das am weitesten verbreitete persönliche intelligente Endgerät in China mit einer Durchdringungsrate von fast 100 %, es nimmt 90 % der Nutzungsdauer der meisten Menschen in Anspruch, und 90 % des Kontexts der Nutzer wird auf dem Handy gespeichert. Wenn jeder Nutzer in Zukunft einen persönlichen KI-Assistenten hat, werden die meisten Interaktionen mit diesem Assistenten höchstwahrscheinlich auf dem Handy stattfinden. Daher glaube ich, dass das Agent-Handy der erste Eingang ist, durch den Personal Intelligence in die reale Welt gelangen kann, und auch der notwendige Weg zum persönlichen ASI.
Smart Emergence: Gibt es besondere Schwierigkeiten?
Xu Zhuhong: Die Aufgaben auf dem Handy sind fragmentierter, und die Herausforderungen beim Verstehen der Absichten sind größer – im Handy-Szenario sind die Absichten oft unscharf, die Abfragen der Nutzer sind normalerweise sehr kurz und überschreiten meistens nicht 20 Wörter.
Handys verfügen außerdem über verschiedene Sensoren, die unterschiedliche Modalitäten wie Ton, Bild, Standort und eine Reihe von Wahrnehmungssignalen empfangen können, die PCs nicht haben. Diese Signale verleihen dem Handy einen reicheren Kontext und ermöglichen es Handy-Agenten, mehr aktive Dienste anzubieten. Aber das stellt auch höhere Anforderungen an die Kernfähigkeiten von Modellen und Agenten, beispielsweise das multimodale Verstehen und Interagieren oder besseres Schlussfolgern und Entscheiden – das sind alles Probleme, die wir im Handy-Szenario lösen müssen.
Darüber hinaus unterliegen Handy-Szenarien strengeren technischen Einschränkungen, beispielsweise in Bezug auf Latenz, Stromverbrauch und Kosten, die viel strenger sind als bei PCs. Außerdem gibt es das Problem des Datenschutzes und der Sicherheit, das im Handy-Szenario mit strengeren Standards behandelt werden muss.
Smart Emergence: Die Form des „Handyassistenten“ existiert schon lange, zum Beispiel Siri. Aber in der Vergangenheit sind diese Assistenten nie zu einem echten Eingang für die Nutzung von Handys durch Nutzer geworden. Welche Variablen haben sich Ihrer Meinung nach heute geändert, sodass das Handy zu einem solchen Eingang werden kann?
Xu Zhuhong: Die wichtigste Variable ist die Verbesserung der allgemeinen Intelligenz.
Die Fähigkeiten von Handy-Agenten sollen sich von der Erledigung einfacher Befehlsaufgaben hin zur Unterstützung unschärferer Absichten, des Aufrufs verschiedener Tools, anwendungsübergreifender Bedienungen und sogar komplexer Aufgaben über Stunden oder Tage entwickeln. Mit der weiteren Verbesserung der Modellfähigkeiten glauben wir, dass wir nicht mehr weit vom kritischen Punkt der qualitativen Veränderung entfernt sind.
Tatsächlich werden die Nutzer mit der weiteren Verbesserung der Agent-Fähigkeiten ständig weitergebildet, und das allgemeine Nutzerbewusstsein reift schnell. Beispielsweise sehen wir, dass Coding-Agenten in den vergangenen zwei Jahren sehr weit verbreitet eingesetzt wurden; der Hype um OpenClaw zu Beginn des Jahres deutet darauf hin, dass der nächste Ausbruchspunkt von Agenten höchstwahrscheinlich auf dem Handy stattfinden wird.
02. Wie Modelle und Agenten Nutzer auf dem Handy wirklich verstehen
Smart Emergence: Stellen Sie uns Qwen Intelligence ausführlich vor. Was für ein Geschäftsfeld ist das?
Xu Zhuhong: Das ist eine Modell- und Agent-Lösung, die wir speziell für Handy-Szenarien tiefgehend optimiert haben.
Unsere Positionierung ist klar: Wir wollen ein Anbieter von B2B-Lösungen sein und keine Handys selbst herstellen. Wir möchten Handyhersteller durch die Bereitstellung von Lösungen unterstützen und ihnen dabei helfen, gemeinsam die nächste Generation von Agent-Handys zu entwickeln.
Daher sind wir in der frühen Phase der Branchenentwicklung angetreten, um Lösungen rund um unser großes Qwen-Modell zu entwickeln und die allgemeine Intelligenz der Branche zu fördern. Wir möchten die beschleunigte Entwicklung von Agent-Handys vorantreiben, damit persönliche Intelligenz wirklich in der realen Welt ankommt.
Smart Emergence: Das ist im Grunde eine Lösung, die aus drei Teilen besteht: „Modell + Plattform + Agent-Lösung“. Warum wurde sie so gestaltet? Welche Probleme sollen die drei Teile jeweils lösen?
Xu Zhuhong: Im untersten Teil steht unser großes Qwen-Modell, ein tiefgehend optimiertes intelligentes Grundgerüst speziell für Handy-Szenarien. Die direkte Übertragung traditioneller allgemeiner Modelle auf Handy-Szenarien reicht nicht aus – die Modelle müssen für Handy-Szenarien tiefgehend optimiert werden: Sie sind nicht nur leistungsfähiger als allgemeine Modelle, sondern auch kosteneffizienter.
Die mittlere Schicht ist die Plattformschicht, die modularen Zugriff unterstützt. Außerdem bieten wir Kunden nicht einfach eine Black-Box-API, sondern eine anpassbare Plattform – beispielsweise lassen sich Harness und einige Geschäftsregeln der Kunden individuell gestalten. Darüber hinaus bieten wir eine One-Stop-Betriebsplattform, die die Effizienz von Betrieb und Iteration insgesamt verbessert. Wir möchten Kunden helfen, die Entwicklungs- und Integrationskosten zu senken und gleichzeitig ihre Anforderungen an differenzierten Wettbewerb zu erfüllen.
Die oberste Schicht sind unsere Agent-Lösungen. Wir bieten hochwertige Lösungen für vertikale Szenarien und unterstützen Hersteller gerne dabei, erstklassige vertikale Agenten zu entwickeln, um die Nutzeranforderungen in realen Szenarien besser zu erfüllen.
Abschließend möchte ich den Bereich Sicherheit und Datenschutz betonen – das ist ein Thema, das Handyhersteller und Nutzer bei der Umsetzung von Lösungen sehr stark beachten. Daher werden wir unsere Produktlösungen nach höchsten Sicherheitsstandards gestalten, um den Datenschutz der Nutzer umfassend zu schützen. Bei der Modellentwicklung, dem Agent-Design und der gesamten Plattformentwicklung halten wir uns immer streng an die Sicherheitsgrenzen.
Smart Emergence: Warum ist das Erlebnis unzureichend, wenn ein Handy direkt an ein allgemeines großes Sprachmodell angeschlossen wird? Warum braucht man ein für Handys angepasstes Modell?
Xu Zhuhong: Das Handy-Szenario birgt sehr besondere Herausforderungen.
Wie wir bereits besprochen haben, sind die Anforderungen von Handynutzern oft fragmentiert und die Absichten unscharf. Um die Nutzeranforderungen genau zu verstehen, muss das Modell Nutzerinformationen aus dem geteilten Kontext extrahieren. Dieser geteilte Kontext kann aus verschiedenen Quellen auf dem Handy stammen, beispielsweise unterschiedlichen Sensoren und Anwendungen – das unterscheidet sich stark von PCs.
Auch im Bereich der Aktionsräume gibt es große Unterschiede. Handys verfügen über verschiedene Systemtools und bilden eine hochkomplexe Agent-Umgebung – die Herausforderungen beim Aufruf verschiedener Anwendungen, Tools und APIs sind sehr groß.
Schließlich sind Handys auch sehr empfindlich in Bezug auf Latenz, Stromverbrauch und Kosten.
Diese Eigenschaften von Handys stellen hohe technische Anforderungen an die Kollaboration von Endgerät und Cloud, die geschlossene Ausführung und die Betriebssicherheit. Diese Herausforderungen lassen sich nicht mit anderen Mitteln lösen, sondern erfordern eine tiefgehende Optimierung des Modells – die spezifischen Szenarioanforderungen von Handys, wie die Wahrnehmung auf der Endgerätseite, das Verständnis von Tools, die Anforderungen an Schlussfolgerungsexperimente, die Denkgeschwindigkeit und die Nutzung des Speichers, müssen alle in das Modell integriert werden.
Smart Emergence: Welche Optimierungen wurden konkret vorgenommen?
Xu Zhuhong: In realen Geschäftsszenarien wird nicht nur die Genauigkeit des Modells selbst bewertet, sondern auch die Abschlussrate von End-to-End-Aufgaben. Unser Handymodell wird für diese realen Szenarien optimiert, um möglichst den SOTA-Standard zu erreichen.
Heute liegt die Erfolgsrate unserer End-to-End-Aufgaben über 90 %. Bei mobilen Bewertungen übertreffen wir auch die Fähigkeiten der branchenweit fortschrittlichsten allgemeinen Modelle.
Smart Emergence: Sie haben gerade die „Kollaboration von Endgerät und Cloud“ erwähnt. Welche Aufgaben eignen sich für die Ausführung auf dem Endgerät und welche für die Verarbeitung in der Cloud?
Xu Zhuhong: Langfristig gesehen ist die Kollaboration von Endgerät und Cloud ein unausweichlicher Trend, wenn die Rechenleistung von Handychips stetig steigt. Wir glauben auch, dass für ein gutes Nutzererlebnis von Agent-Handys die zugrundeliegende Architektur die Kollaboration von Endgerät und Cloud nutzen muss: Das Endgerät übernimmt Anforderungen mit niedriger Latenz und hohem Datenschutzbedarf und berücksichtigt gleichzeitig die Kosten; die Cloud verarbeitet hauptsächlich komplexe Anforderungen, beispielsweise komplexe Antworten auf Basis offenen Wissens sowie die Planung und Zerlegung langfristiger Aufgaben.
Kurzfristig ist die Rechenleistung auf der Endgerätseite noch relativ begrenzt. Aufgrund der strengen technischen Einschränkungen von Handys konzentriert sich das Endgerätmodell eher auf relativ einfache Aufgaben, beispielsweise das Verstehen und Ausführen von Absichten einfacher Befehle. Mit der steigenden Rechenleistung des Endgeräts und der Verbesserung der Modellintelligenz werden einige Aufgaben, die früher in der Cloud ausgeführt wurden, schrittweise auf das Endgerät verlagert, um einen geschlossenen Ablauf zu erreichen. Die Zeitkosten der gesamten Kollaboration von Endgerät und Cloud werden sich in Zukunft stark verbessern.
Smart Emergence: Damit Agenten komplexe Aufgaben erledigen können, h