StartseiteArtikel

Xu Zhuhong, Leiter von Qwen Intelligence: Der Wettbewerb bei Agent-Smartphones beschränkt sich nicht nur auf die Modelle.

晓曦2026-09-28 18:18
Eine Full-Stack-Lösung für KI-Smartphones entwickeln

In den vergangenen zwei Jahren haben viele Handyhersteller große Modelle in ihre Smartphones integriert.

„Das Smartphone ist das intelligente Endgerät, das dem Personal Agent am nächsten kommt“ ist auf der aktuellen Stufe fast ein Konsens in der Branche: Die Durchdringungsrate von Smartphones liegt bei fast 100 %, sie begleiten die Nutzer ständig, verbinden Kommunikation, Bezahlung, Mobilität, Bildverarbeitung und verschiedene Lebensdienste, beanspruchen 90 % der Nutzungsdauer der meisten Menschen und speichern auf natürliche Weise den vollständigsten Kontext einer Person.

Aber in den meisten Fällen bieten Smartphones mit integrierten großen Modellen den Nutzern immer noch nur einen klügeren „Handyassistenten“: Sie können Fragen beantworten, Dokumente zusammenfassen und Bilder bearbeiten, aber es fällt ihnen schwer, eine komplexe Angelegenheit wirklich vollständig für den Nutzer zu erledigen.

Heutzutage verändert das Aufkommen von Agenten genau diese Situation.

Agenten ermöglichen es Smartphones, Fähigkeiten wie Aufgabenplanung, Tool-Aufruf und langfristige Ausführung zu erwerben – Nutzer müssen dem Gerät nicht mehr jeden einzelnen Schritt mitteilen, sondern nur noch das Ziel angeben, während das Modell den Rest versteht, zerlegt und Systemfähigkeiten, Anwendungen und Dienste aufruft, um die Aufgabe abzuschließen.

Dadurch verlagert sich auch der Schwerpunkt des Wettbewerbs um KI-Smartphones: Das Nutzererlebnis wird nicht mehr nur davon bestimmt, ob das Modell klug genug ist, sondern von dem gesamten System außerhalb des Modells: Wie der Kontext organisiert wird, wie der Speicher aufgerufen wird, wie Tools und Fähigkeiten arrangiert werden, wie die GUI bedient wird und wie nach einem Aufgabenfehler wiederhergestellt wird, usw.

Qwen Intelligence, das intelligente Geschäft für Smartphones, das Alibaba auf der diesjährigen Yunqi-Konferenz vorgestellt hat, ist genau ein solches System.

Alibaba stellt keine eigenen Smartphones her, und Qwen Intelligence ist nicht nur ein Modell oder ein Agent, sondern eine vollständige Full-Stack-Lösung für KI-Smartphones für Handyhersteller. Basierend auf dem großen Qwen-Modell bietet es Endgeräteherstellern eine komplette „Intelligenzschicht“ vom zugrundeliegenden Modell über die Agentenplattform bis hin zu Szenarienlösungen. Es deckt Fähigkeiten ab, von der Absichtserkennung des Nutzers über die Planung komplexer Aufgaben bis hin zu Tool-Aufruf, app-übergreifender Ausführung, multimodaler Erstellung, Speicherung und aktiven Diensten. Das Ziel ist es, Smartphones dabei zu unterstützen, von der Fähigkeit „den Nutzer zu verstehen“ weiter zu der Fähigkeit zu gelangen, „die Angelegenheiten für den Nutzer vollständig zu erledigen“.

Bei dieser Vorstellung hat Qwen Intelligence drei Agentenlösungen veröffentlicht: Mobile Planner Agent, Mobile Use Agent und Creative Agent, die jeweils für „Planung, Bedienung und Erstellung“ stehen. Dabei ist der Mobile Planner Agent für das Verständnis komplexer Anforderungen, die Zerlegung von Aufgaben und die Organisation von Tools zuständig; der Mobile Use Agent bedient das Smartphone tatsächlich und verwendet ein gemischtes Modell mit „API zuerst, GUI als Ausweichlösung“; der Creative Agent ist auf die Generierung von Bildern und multimedialen Inhalten ausgerichtet, wobei das Planungsmodell die Anforderungen versteht und den Erstellungsprozess automatisch organisiert.

Hinter jedem dieser Agenten wird das speziell für Smartphones optimierte große Qwen-Modell sowie der gemeinsam angepasste Harness für die Steuerung verwendet.

Für Handyhersteller wird diese Lösung modular ausgeliefert: Das Modellgrundgerüst, Harness, Endgerät-Cloud-Koordination, Betriebs- und Sicherheitsfähigkeiten können nach Bedarf integriert werden. Die Hersteller können auch ihre eigenen Tools, Fähigkeiten und Systemfunktionen hinzufügen. In der Industriekette der KI-Smartphones möchte Alibaba nicht der Ersatz für das Handy-Betriebssystem sein, sondern eine Agenten-Infrastrukturschicht zwischen dem Betriebssystem und dem Grundmodell.

Während der Yunqi-Konferenz sprachen „Intelligentes Auftauchen“ und Xu Zhuhong, Vizepräsident der ATH-Gruppe von Alibaba und Leiter des Qwen-Handyintelligenzbereichs bei Token Foundry, über diese KI-Smartphone-Lösung und die nächste Generation von Agenten-Handys aus seiner Sicht.

Im Folgenden ist das Gespräch zwischen „Intelligentes Auftauchen“ und Xu Zhuhong wiedergegeben, das leicht bearbeitet wurde.

01. Agenten-Handys sind ein unaufhaltbarer Trend

Intelligentes Auftauchen: Warum haben Sie ein Geschäft wie Qwen Intelligence aufgebaut und welche Chancen haben Sie erkannt?

Xu Zhuhong: Die Branche befasst sich seit letztem Jahr mit der Richtung der Handy-Agenten, und in diesem Jahr ist sie richtig populär geworden. Heute hat fast jeder Handyhersteller und Hersteller großer Modelle entsprechende Vorkehrungen getroffen. Die Handyindustrie steht vor der größten technologischen Umwälzung seit der Veröffentlichung des iPhones im Jahr 2007, und wir sehen eine enorme Marktchance in der Zukunft.

Handy-Agenten können in Bezug auf Durchdringung, Nutzungstiefe und kommerzielle Einnahmen in Zukunft ein zehn- oder sogar hundertfaches Wachstum erreichen, aber heute befindet sich diese Branche noch in einem frühen Stadium und erfordert gemeinsame Investitionen aller Beteiligten. Der Kernwert, den Alibaba in dieser Angelegenheit bieten kann, sind unsere Modelle und unsere vollen KI-Fähigkeiten. Daher haben wir beschlossen, die Geschäftslinie Qwen Intelligence zu gründen, um eine allgemeine intelligente Plattform für die Branche aufzubauen, die Entwicklung der gesamten KI-Smartphone-Branche zu beschleunigen und die Reifung des Erlebnisses zu fördern.

Intelligentes Auftauchen: Es gibt heute sehr viele intelligente Geräte. Warum haben Sie das Smartphone als Träger für dieses Geschäft gewählt? Welche besonderen Vorteile hat das Smartphone?

Xu Zhuhong: Das Smartphone ist bereits das größte persönliche intelligente Endgerät in China, seine Durchdringungsrate liegt bei fast 100 %, es beansprucht 90 % der Nutzungsdauer der meisten Menschen, und 90 % des Kontexts der Nutzer wird auch auf dem Smartphone gespeichert. Wenn jeder Nutzer in Zukunft einen persönlichen KI-Assistenten hat, wird der größte Teil der Interaktion mit diesem Assistenten höchstwahrscheinlich auch auf dem Smartphone stattfinden. Daher glaube ich, dass das Agenten-Handy der erste Eingang ist, über den Personal Intelligence in die reale Welt gelangen kann, und auch der notwendige Weg zu einem persönlichen ASI.

Intelligentes Auftauchen: Gibt es besondere Schwierigkeiten?

Xu Zhuhong: Die Aufgaben auf dem Smartphone sind fragmentierter, und die Herausforderungen bei der Absichtserkennung sind größer – in Handy-Szenarien ist die Absicht oft unscharf, die Abfrage des Nutzers ist normalerweise sehr kurz und überschreitet in der Regel 20 Wörter nicht.

Das Smartphone verfügt außerdem über verschiedene Sensoren, die unterschiedliche Modalitäten akzeptieren, einschließlich einer Reihe von Wahrnehmungssignalen wie Ton, Bild und Position, die PCs nicht haben. Diese Signale können dem Smartphone einen reichhaltigeren Kontext verleihen und dem Handy-Agenten die Möglichkeit geben, mehr aktive Dienste anzubieten. Dies stellt jedoch auch höhere Anforderungen an die Kernfähigkeiten von Modellen und Agenten, beispielsweise das multimodale Verständnis und die Interaktion sowie bessere Schlussfolgerungsentscheidungen – das sind alles Probleme, die wir in Handy-Szenarien lösen müssen.

Darüber hinaus unterliegen Handy-Szenarien strengeren technischen Einschränkungen, wie Latenz, Stromverbrauch und Kosten, die viel strenger sind als bei PCs. Außerdem gibt es das Problem des Datenschutzes und der Sicherheit, das in Handy-Szenarien mit strengeren Standards behandelt werden muss.

Intelligentes Auftauchen: Die Form des „Handyassistenten“ existiert schon lange, zum Beispiel Siri. Aber solche Assistenten sind in der Vergangenheit nicht zu dem eigentlichen Eingang geworden, über den Nutzer ihre Smartphones bedienen. Welche Variablen haben sich Ihrer Meinung nach heute geändert, sodass das Smartphone zu einem solchen Eingang werden kann?

Xu Zhuhong: Die wichtigste Variable ist die Verbesserung der allgemeinen Intelligenz.

Die Fähigkeitsgrenzen von Handy-Agenten müssen sich von der Erledigung einfacher Befehlsaufgaben zu der Unterstützung unschärferer Absichten, dem Aufruf mehrerer Tools, app-übergreifender Operationen und sogar komplexer Aufgaben, die sich über Stunden oder Tage erstrecken, entwickeln. Mit der weiteren Verbesserung der Modellfähigkeiten sind wir der Meinung, dass der kritische Punkt für eine qualitative Veränderung nicht mehr weit entfernt ist.

Tatsächlich werden die Nutzer mit der weiteren Verbesserung der Agentenfähigkeiten ständig weitergebildet, und das allgemeine Nutzerbewusstsein reift schnell. Zum Beispiel haben wir in den vergangenen zwei Jahren gesehen, dass Coding-Agenten sehr weit verbreitet eingesetzt werden; der große Erfolg von OpenClaw zu Beginn des Jahres deutet auch darauf hin, dass der nächste Ausbruchspunkt von Agenten höchstwahrscheinlich auf dem Smartphone stattfinden wird.

02. Wie Modelle und Agenten Nutzer auf dem Smartphone wirklich verstehen

Intelligentes Auftauchen: Stellen Sie uns Qwen Intelligence bitte im Detail vor. Was für ein Geschäft ist das?

Xu Zhuhong: Das ist eine Modell- und Agentenlösung, die wir speziell für Handy-Szenarien tiefgehend optimiert haben.

Unsere Positionierung ist klar: Wir sind ein Anbieter von ToB-Lösungen und stellen keine eigenen Smartphones her. Wir möchten Handyhersteller durch die Bereitstellung von Lösungen befähigen, gemeinsam die nächste Generation von Agenten-Handys zu entwickeln.

Daher treten wir schon früh in der Branchenentwicklung auf, um Lösungen rund um unser großes Qwen-Modell zu entwickeln und die allgemeine Intelligenz der Branche zu fördern. Wir möchten die beschleunigte Entwicklung von Agenten-Handys vorantreiben, damit persönliche Intelligenz wirklich in die reale Welt gelangen kann.

Intelligentes Auftauchen: Das ist eigentlich eine Lösung, die aus drei Teilen besteht: „Modell + Plattform + Agentenlösung“. Warum wurde sie so gestaltet? Welche Probleme sollen die drei Teile jeweils lösen?

Xu Zhuhong: Der unterste der drei Teile ist unser großes Qwen-Modell, das ein tiefgehend optimiertes intelligentes Grundgerüst speziell für Handy-Szenarien ist. Die direkte Übertragung traditioneller allgemeiner Modelle auf Handy-Szenarien reicht nicht aus. Modelle müssen für Handy-Szenarien tiefgehend optimiert werden – im Vergleich zu allgemeinen Modellen sind sie nicht nur leistungsfähiger, sondern auch kostengünstiger.

Die mittlere Schicht ist die Plattformschicht, die modularen Zugriff unterstützt. Außerdem bieten wir unseren Kunden nicht einfach eine Blackbox-API, sondern eine anpassbare Plattform – zum Beispiel können Harness und einige Geschäftsregeln der Kunden angepasst werden. Darüber hinaus bieten wir eine One-Stop-Betriebsplattform, um die Effizienz des gesamten Betriebs und der Iteration zu verbessern. Wir hoffen, dass wir den Kunden dabei helfen können, die Forschungs- und Entwicklungskosten sowie die Integrationskosten zu senken und gleichzeitig ihre Anforderungen an differenzierten Wettbewerb zu erfüllen.

Die oberste Schicht ist unsere Agentenlösung. Wir bieten hochwertige Lösungen für vertikale Szenarien und sind bereit, Hersteller dabei zu unterstützen, einige hochwertige Agenten für vertikale Bereiche zu optimieren, um die Nutzeranforderungen in realen Szenarien besser zu erfüllen.

Abschließend möchte ich noch auf den Bereich Sicherheit und Datenschutz hinweisen – das ist ein Thema, dem Handyhersteller und Nutzer während der Umsetzung der Lösung große Aufmerksamkeit schenken. Daher werden wir unsere Produktlösungen nach den höchsten Sicherheitsstandards gestalten und durch umfassenden Schutz sicherstellen, dass der Datenschutz der Nutzer maximal geschützt wird. Ob bei der Modellentwicklung, dem Agentendesign oder der Entwicklung der gesamten Plattform halten wir uns stets streng an die Sicherheitsgrenzen.

Intelligentes Auftauchen: Warum ist das Nutzererlebnis nicht gut genug, wenn das Smartphone direkt an ein großes allgemeines Modell angeschlossen wird? Warum braucht man ein kundenspezifisches Modell für Smartphones?

Xu Zhuhong: Das Szenario des Smartphones stellt sehr besondere Herausforderungen dar.

Wie wir bereits besprochen haben, sind die Anforderungen von Handynutzern oft fragmentiert und die Absichten unscharf. Um die Anforderungen der Nutzer genau zu verstehen, muss das Modell Nutzerinformationen aus dem geteilten Kontext extrahieren. Dieser geteilte Kontext kann aus verschiedenen Quellen des Smartphones stammen, zum Beispiel aus verschiedenen Sensoren und verschiedenen Anwendungen – das ist ein großer Unterschied zu PCs.

Auch im Bereich der Aktionsräume gibt es große Unterschiede. Das Smartphone verfügt über verschiedene Systemtools und ist eine hochkomplexe Agentenumgebung – die Herausforderung, verschiedene Anwendungen, Tools und APIs aufzurufen, ist ebenfalls sehr groß.

Schließlich sind Smartphones auch empfindlich in Bezug auf Latenz, Stromverbrauch und Kosten.

Diese Eigenschaften des Smartphones stellen hohe technische Anforderungen an die Endgerät-Cloud-Koordination, die geschlossene Ausführung und die Betriebssicherheit des Modells. Diese Herausforderungen lassen sich nicht durch andere Maßnahmen lösen, sondern erfordern eine tiefgehende Optimierung des Modells – die spezifischen Szenarioanforderungen des Smartphones, wie die Wahrnehmung auf der Geräteseite, das Verständnis von Tools, die Anforderungen an Schlussfolgerungsexperimente, die Denkgeschwindigkeit und die Nutzung des Speichers, müssen alle in das Modell optimiert werden.

Intelligentes Auftauchen: Welche Optimierungen wurden konkret vorgenommen?

Xu Zhuhong: In realen Geschäftsszenarien wird nicht nur die Genauigkeit des Modells selbst bewertet, sondern auch, ob die Abschlussrate von spezifischen End-to-End-Aufgaben gut funktioniert. Unser Handymodell wird für diese realen Szenarien von Smartphones optimiert, um so nah wie möglich an den SOTA-Standard heranzukommen.

Heute liegt die Erfolgsrate unserer End-to-End-Aufgaben über 90 %. Bei mobilen Bewertungen übertreffen wir auch die Fähigkeiten der fortschrittlichsten allgemeinen Modelle der Branche.

Intelligentes Auftauchen: Sie haben gerade die „Endgerät-Cloud-Koordination“ erwähnt. Welche Aufgaben eignen sich speziell für die Ausführung auf dem Endgerät und welche eignen sich für die Verarbeitung in der Cloud?

Xu Zhuhong: Langfristig gesehen ist die Endgerät-Cloud-Koordination ein unvermeidlicher Trend, da die Rechenleistung von Smartphone-Chips stetig steigt. Wir sind auch der Meinung, dass für ein gutes Nutzererlebnis beim Agenten-Handy die dahinterstehende Architektur die Endgerät-Cloud-Koordination nutzen muss – die Geräteseite ist für Anforderungen mit niedriger Latenz und hohem Datenschutz zuständig und berücksichtigt gleichzeitig die Kosten; die Cloud-Seite verarbeitet hauptsächlich komplexe Anfragen, wie komplexe Antworten auf der Grundlage offenen Wissens sowie die Planung und Zerlegung langfristiger Aufgaben.

Kurzfristig gesehen ist die Rechenleistung auf der Geräteseite noch relativ begrenzt. Aufgrund der strengen technischen Einschränkungen auf der Handy-Geräteseite